When to Target Customers? Retention Management using Constrained Dynamic Off-Policy Policy Learning

प्रत्येक व्यवसाय जो चीजें बेचता है, उसे एक शांत, निरंतर समस्या का सामना करना पड़ता है: लोग खरीदना बंद कर देते हैं। ग्राहक संबंधों की दुनिया में, सबसे खतरनाक क्षण पहली खरीदारी के ठीक बाद का होता है। कई नए ग्राहक वापस आने से पहले ही गायब हो जाते हैं, और कंपनी के अभी यह समझने की कोशिश करने के दौरान ही लुप्त हो जाते हैं कि वे कौन हैं। इन शुरुआती ग्राहकों को बनाए रखना महत्वपूर्ण है, क्योंकि एक एकल पुनरावृत्ति खरीद अक्सर एक लंबे और अधिक मूल्यवान संबंध का संकेत देती है। दशकों से, कंपनियों ने धन्यवाद नोट या कूपन भेजकर इसे हल करने की कोशिश की है, लेकिन उन्होंने अक्सर इसे बिना सोचे-समझे किया है, सभी को एक ही समय में एक ही संदेश भेजा है, चाहे ग्राहक फिर से खरीदने के लिए तैयार हो या उसकी रुचि खत्म हो चुकी हो।

चुनौती यह है कि ग्राहक स्थिर नहीं होते; वे दिन-प्रतिदिन बदलते रहते हैं। एक व्यक्ति शर्ट खरीदने के एक सप्ताह बाद वापस आने के लिए उत्सुक हो सकता है, लेकिन एक महीने बाद उदासीन हो सकता है। इसे "रेसेन्सी ट्रैप" (हालियापन का जाल) के रूप में जाना जाता है, जहाँ खरीदारी के बाद जितना अधिक समय बीतता है, ग्राहक के वापस आने की संभावना उतनी ही कम होती जाती है। फिर भी, यदि ग्राहक वैसे भी वापस आने वाला था, तो बहुत जल्दी इनाम भेजना पैसे की बर्बादी हो सकती है। आदर्श समाधान एक ऐसा सिस्टम होगा जो प्रत्येक ग्राहक के व्यवहार पर नज़र रखे, सही क्षण का इंतज़ार करे, और फिर तय करे कि इनाम देना है या नहीं। लेकिन एक पेच है: कंपनियों के पास सीमित बजट होता है। वे सभी को कूपन नहीं भेज सकते, इसलिए उन्हें चुनना होगा कि किसे और कब एक कूपन दिया जाए, यह सुनिश्चित करते हुए कि खर्च किया गया हर डॉलर अधिकतम मूल्य लाए।

यह वही सटीक पहेली है जिसे शोधकर्ताओं की एक टीम ने एक प्रमुख जापानी ऑनलाइन फैशन रिटेलर के डेटा का उपयोग करके हल करने का प्रयास किया। उन्होंने ग्राहक प्रतिधारण (रिटेंशन) के लिए सही समय सीखने की एक विधि विकसित की, जिससे एक ऐसी रणनीति बनाई गई जो प्रत्येक व्यक्ति के बदलते व्यवहार के अनुकूल है और सख्त बजट सीमा का पालन करती है। कूपन कब भेजना है, इसका अनुमान लगाने के बजाय, उनका सिस्टम हजारों वास्तविक दुनिया के प्रयोगों से सीखता है ताकि यह निर्धारित किया जा सके कि किस विशिष्ट ग्राहक द्वारा प्रोत्साहन पर प्रतिक्रिया दिए जाने की सबसे अधिक संभावना है। परिणाम एक गतिशील नीति है जो न केवल ग्राहकों को बनाए रखने में अधिक प्रभावी है, बल्कि आज के व्यवसायों द्वारा उपयोग की जाने वाली मानक विधियों की तुलना में चलाने में काफी सस्ती भी है।

शोधकर्ताओं ने एक ऐसे प्लेटफॉर्म के साथ काम किया जो युवा महिलाओं को कपड़े बेचता है, एक ऐसी जगह जहाँ पहली बार खरीदने वाले प्रचुर मात्रा में हैं लेकिन अक्सर क्षणभंगुर होते हैं। कंपनी की मूल रणनीति सरल और स्थिर थी: ग्राहक की पहली खरीदारी के ठीक दो, दस और तीस दिनों के बाद एक जेनेरिक धन्यवाद ईमेल के साथ एक कूपन भेजना। इस दृष्टिकोण ने प्रत्येक ग्राहक के साथ एक जैसा व्यवहार किया, इस तथ्य को अनदेखा करते हुए कि कुछ लोग दसवें दिन तक दूसरा आइटम पहले ही खरीद चुके होंगे, जबकि अन्य पूरी तरह से अरुचि दिखा रहे होंगे। कंपनी बेहतर करना चाहती थी। उन्हें इन अंतःक्रियाओं को व्यक्तिगत बनाने की आवश्यकता थी, लेकिन उनके पास एक कठिन बाधा भी थी: वे कूपन पर असीमित पैसा खर्च नहीं कर सकते थे। उन्हें एक ऐसी रणनीति की आवश्यकता थी जो बजट को उड़ाए बिना, लौटने वाले ग्राहकों की संख्या को अधिकतम कर सके।

उत्तर खोजने के लिए, टीम ने एक विशाल, वास्तविक दुनिया का प्रयोग डिजाइन किया। उन्होंने हजारों नए ग्राहकों को लिया और उन्हें अलग-अलग समूहों में यादृच्छिक रूप से विभाजित किया। कुछ को उनकी पहली खरीदारी के दो दिन बाद कूपन मिला, कुछ को दस दिन बाद, और कुछ को तीस दिन बाद। कुछ को कोई कूपन नहीं मिला, केवल एक धन्यवाद संदेश मिला। महत्वपूर्ण रूप से, प्रयोग इस तरह से डिजाइन किया गया था कि प्रत्येक ग्राहक को पूरी अवधि के दौरान अधिकतम एक ही कूपन प्राप्त हुआ। इसने वास्तविक दुनिया के उस प्रतिबंध की नकल की जहाँ एक कंपनी एक ही ग्राहक को अंतहीन छूटों से परेशान करने का खर्च नहीं उठा सकती। निम्नलिखित महीनों में इन विभिन्न समूहों के व्यवहार को देखते हुए, शोधकर्ताओं ने एक समृद्ध डेटासेट एकत्र किया जिससे पता चला कि प्रस्ताव के समय ने ग्राहक के वापस आने के निर्णय को कैसे प्रभावित किया।

इस डेटा के साथ, शोधकर्ताओं ने एक "डायनामिक ट्रीटमेंट रिजीम" (गतिशील उपचार व्यवस्था) बनाने के लिए एक परिष्कृत शिक्षण पद्धति लागू की। सरल शब्दों में, यह नियमों का एक सेट है जो समय के साथ बदलता है। एक स्थिर योजना के विपरीत जो शुरुआत में ही सब कुछ तय कर देती है, एक गतिशील योजना प्रतीक्षा करती है और देखती है। यह देखता है कि ग्राहक ने अपनी पहली खरीदारी के बाद से क्या किया है—उन्होंने क्या ब्राउज़ किया, उन्होंने क्या क्लिक किया, और कितना समय बीत गया है—और फिर तय करता है कि क्या अभी कूपन भेजना है, प्रतीक्षा करनी है, या बिल्कुल नहीं भेजना है। शोधकर्ताओं ने बजट सीमा को संभालने के लिए मौजूदा गणितीय उपकरणों का विस्तार किया, यह सुनिश्चित करते हुए कि सीखी गई नियम कभी भी अनुमत राशि से अधिक खर्च नहीं करेंगे। उन्होंने दो मुख्य दृष्टिकोणों का परीक्षण किया: एक जो ग्राहक के इतिहास के आधार पर भविष्य के मूल्य की भविष्यवाणी करने की कोशिश करता था, और दूसरा जो सीधे यह सीखने की कोशिश करता था कि किन कार्यों से सर्वोत्तम परिणाम मिलते हैं, इसे वर्गीकरण कार्यों की एक श्रृंखला के रूप में मानकर।

परिणाम चौंकाने वाले थे। जब शोधकर्ताओं ने अपने नए गतिशील नीतियों का परीक्षण ग्राहकों के एक अलग समूह पर किया, तो उन्होंने पाया कि सबसे अच्छा प्रदर्शन करने वाली रणनीति वह थी जिसने बजट बाधा का सम्मान किया। इस नीति ने केवल सबको दूसरे दिन कूपन नहीं भेजा। इसके बजाय, इसने चयनात्मक होना सीखा। कुछ ग्राहकों के लिए, इसने तुरंत एक कूपन भेजा क्योंकि उनके व्यवहार से संकेत मिल रहा था कि वे जाने की कगार पर हैं। दूसरों के लिए, इसने प्रतीक्षा की, दसवें या तीसवें दिन कूपन भेजा, या शायद बिल्कुल नहीं भेजा, क्योंकि वे ग्राहक अपने आप वापस आने वाले थे। उन ग्राहकों को कूपन रोकने से, जो वैसे भी वापस आने वाले थे, नीति ने पैसा बचाया। फिर इसने उन फंडों का उपयोग उन ग्राहकों को लक्षित करने के लिए किया जिन्हें वास्तव में वापस आने के लिए प्रोत्साहन की आवश्यकता थी।

डेटा ने दिखाया कि यह बजट-सचेत, गतिशील दृष्टिकोण पुराने स्थिर तरीकों की तुलना में बहुत अधिक कुशल था। जबकि सभी को दूसरे दिन कूपन भेजने वाली पारंपरिक रणनीति ने वापसी दर में एक निश्चित मात्रा में वृद्धि की, लेकिन ऐसा उच्च लागत पर किया। नई गतिशील नीति ने वापसी दर में समान या बेहतर वृद्धि हासिल की जबकि काफी कम पैसा खर्च किया। वास्तव में, जब इसे खर्च किए गए प्रत्येक येन (yen) के लिए वापसी दर में सुधार के रूप में मापा गया, तो नई नीति ने सभी बेंचमार्क को पीछे छोड़ दिया। यह स्पष्ट हुआ कि "एक ही आकार सबके लिए" वाला दृष्टिकोण व्यर्थ था। प्रतीक्षा करके और देखकर, सिस्टम पहचान सकता था कि प्रोत्साहन का सटीक क्षण क्या होगा, जिससे उन लोगों को भुगतान करने के जाल से बचा जा सके जो पहले से ही वह करने जा रहे थे जो वे करने वाले थे।

शोधकर्ताओं ने समस्या के एक अधिक जटिल संस्करण का भी अन्वेषण किया, जहाँ सिस्टम न केवल यह चुन सकता था कि कूपन कब भेजना है, बल्कि यह भी कि एक साधारण धन्यवाद ईमेल भेजना है या कुछ भी नहीं। इस परिदृश्य में, सिस्टम ने उपयुक्त होने पर महंगे कूपन के स्थान पर कम लागत वाले ईमेल का उपयोग करना सीखा। यह एक ऐसे ग्राहक को मुफ्त ईमेल भेजता था जो रुचि तो दिखा रहा था लेकिन जिसे वित्तीय प्रोत्साहन की आवश्यकता नहीं थी, जिससे कूपन को किसी ऐसे व्यक्ति के लिए बचाया जा सके जिसे इसकी आवश्यकता थी। इस लचीलेपन ने रणनीति की लागत-दक्षता में और सुधार किया। कंपनी ने फिर इन निष्कर्षों को वास्तविक दुनिया में ले जाकर, बड़े पैमाने पर ऑनलाइन परीक्षण किए जहाँ नई नीतियों को वास्तविक ग्राहकों पर लागू किया गया। ऑनलाइन परिणामों ने ऑफलाइन भविष्यवाणियों की पुष्टि की: बजट-बाधित गतिशील नीति ने उच्चतम निवेश प्रतिफल (ROI) उत्पन्न किया, जो कंपनी द्वारा आजमाए गए किसी भी अन्य रणनीति की तुलना में खर्च किए गए डॉलर के बदले अधिक रिटेंड (बनाए गए) ग्राहक प्रदान करता है।

यह कार्य प्रदर्शित करता है कि प्रभावी ग्राहक प्रतिधारण की कुंजी केवल डेटा होना नहीं है, बल्कि यह जानना है कि समय के साथ इसका उपयोग कैसे किया जाए। शोधकर्ताओं ने सिद्ध किया कि ग्राहक प्रतिधारण को एक एकल घटना के बजाय निर्णयों के एक क्रम के रूप में मानकर, और बजट सीमाओं का सख्ती से लेखा-जोखा रखकर, कंपनियाँ बहुत बेहतर परिणाम प्राप्त कर सकती हैं। अध्ययन सुझाव देता है कि "रेसेंसी ट्रैप" (हालियापन का जाल) वास्तविक है, लेकिन इसे सही समय के साथ नेविगेट किया जा सकता है। सबसे प्रभावी रणनीति सबसे ज़ोर से या सबसे अधिक बार चिल्लाना नहीं है, बल्कि सही व्यक्ति से सही क्षण पर बात करना है। जापानी रिटेलर के लिए, इसका अर्थ एक ऐसी नीति थी जो न केवल स्मार्ट थी बल्कि अधिक लाभदायक भी थी, जिसने उनके पिछले तरीकों की तुलना में एक वर्ष में लाखों डॉलर का अतिरिक्त मूल्य उत्पन्न किया। यह सबक फैशन रिटेल से परे है: किसी भी व्यवसाय में जहाँ ग्राहक का ध्यान क्षणभंगुर और संसाधन सीमित होते हैं, वहाँ अनुकूलित होने और प्रतीक्षा करने की क्षमता स्वयं प्रस्ताव जितनी ही महत्वपूर्ण है।