From Churn Prediction to Retention Pricing: A Cost-Sensitive Decision Framework for Managing Revenue at Risk in Subscription Services
यह शोध पत्र एक लागत-संवेदनशील निर्णय ढांचे को प्रस्तुत करता है जो राजस्व जोखिम (revenue at risk) को परिमाणित करके और यह प्रदर्शित करके कि सदस्यता सेवाओं में शुद्ध लाभ को अधिकतम करने के लिए व्यापक, कम-लागत वाला आउटरीच, संकीर्ण, उच्च-परिशुद्धता वाले लक्ष्यीकरण की तुलना में आर्थिक रूप से श्रेष्ठ है, मंथन पूर्वानुमान (churn prediction) को एक कार्रवाई योग्य प्रतिधारण-मूल्य निर्धारण रणनीति (retention-pricing strategy) में परिवर्तित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
सदस्यता सेवाओं (subscription services) की दुनिया में, स्ट्रीमिंग प्लेटफॉर्म से लेकर मोबाइल फोन प्लान तक, एक कंपनी का अस्तित्व एक सरल, निरंतर चक्र पर निर्भर करता है: नए ग्राहकों को लाना और उनके पास मौजूद ग्राहकों को बनाए रखना। ग्राहकों को बनाए रखने की चुनौती को "रिटेंशन" (retention) के रूप में जाना जाता है, जबकि ग्राहक के जाने की क्रिया को "चर्न" (churn) कहा जाता है। एक व्यवसाय के लिए, ग्राहक को खोना केवल एक एकल बिक्री का नुकसान नहीं है; यह आय की एक स्थिर धारा का गायब होना है जिसे एक नए व्यक्ति को खोजने द्वारा प्रतिस्थापित किया जाना चाहिए, जो लगभग हमेशा बहुत अधिक महंगा होता है। इसी कारण से, कंपनियों ने लंबे समय से यह अनुमान लगाने की कोशिश की है कि कौन जाने वाला है ताकि वे हस्तक्षेप कर सकें। पारंपरिक रूप से, इस भविष्यवाणी को एक शुद्ध गणितीय समस्या के रूप में माना जाता रहा है, जहाँ लक्ष्य केवल एक ऐसा कंप्यूटर मॉडल बनाना है जो यथासंभव सही ढंग से अनुमान लगा सके। हालाँकि, सामान्य अर्थ में सही होना व्यावसायिक अर्थ में उपयोगी होने के समान नहीं है। एक मॉडल कुल मिलाकर बहुत सटीक हो सकता है लेकिन फिर भी इस बात में विफल हो सकता है कि कंपनी को किसे कॉल करना चाहिए, क्या प्रस्ताव देना चाहिए, या उस प्रस्ताव की लागत कितनी होनी चाहिए। वास्तविक प्रश्न केवल यह नहीं है कि "कौन जाएगा?" बल्कि यह है कि "किसे बचाने की कोशिश करना सार्थक है?"
यह शोध एक अलग दृष्टिकोण अपनाता है, जो यह मानता है कि कौन जाएगा इसकी भविष्यवाणी करना अपने आप में एक अंत नहीं है, बल्कि एक वित्तीय निर्णय का शुरुआती बिंदु है। यह अध्ययन एक टेलीकम्युनिकेशन प्रदाता के 7,000 से अधिक ग्राहकों के डेटासेट पर केंद्रित है, जो उनके बिलिंग रिकॉर्ड, वे कंपनी के साथ कितने समय से हैं, और उन्होंने किस प्रकार का अनुबंध (contract) किया है, इसका परीक्षण करता है। शोधकर्ताओं ने पहले एक मशीन लर्निंग सिस्टम बनाया जिसने प्रत्येक ग्राहक को उनके जाने की संभावना के आधार पर रैंक किया। महत्वपूर्ण रूप से, उन्होंने इस प्रणाली को एक सामान्य गलती से बचने के लिए डिज़ाइन किया जहाँ कंप्यूटर अपने प्रशिक्षण के दौरान भविष्य के डेटा का उपयोग करता है, जिससे रैंकिंग ईमानदार और विश्वसनीय सुनिश्चित होती है। एक बार जब उनके पास जोखिम के आधार पर रैंक किए गए ग्राहकों की सूची आ गई, तो वे वहीं नहीं रुके। इसके बजाय, उन्होंने एक व्यावहारिक प्रश्न पूछा: यदि कंपनी ग्राहक को बनाए रखने के लिए छूट (discount) का प्रस्ताव देती है, तो वह कौन सा बिंदु है जहाँ छूट की लागत ग्राहक के रुकने के मूल्य से अधिक हो जाती है?
विश्लेषण से पता चला कि वास्तव में पैसा कहाँ जोखिम में है, इसमें एक चौंकाने वाला असंतुलन है। जबकि महीने-दर-महीने (month-to-month) के अनुबंधों वाले ग्राहक कुल ग्राहक आधार का केवल आधा हिस्सा बनाते हैं, वे वर्तमान में खतरे में पड़ी वार्षिक राजस्व का लगभग 87 प्रतिशत हिस्सा हैं। ये ग्राहक उन लोगों की तुलना में पंद्रह गुना अधिक दर से छोड़ देते हैं जो दो साल के अनुबंधों के लिए साइन अप करते हैं। विरोधाभासी रूप से, जो ग्राहक सबसे अधिक बार छोड़ते हैं, वे वे हैं जो औसतन कंपनी के लिए सबसे कम दीर्घकालिक मूल्य उत्पन्न करते हैं, जबकि जो सबसे लंबे समय तक टिके रहते हैं, वे सबसे मूल्यवान होते हैं। यह व्यावसायिक नेताओं के लिए एक जटिल स्थिति पैदा करता है: जो खंड सबसे अधिक जाने की संभावना रखता है, वह सबसे सस्ता भी है, फिर भी क्योंकि उनमें से इतने सारे लोग एक साथ जा रहे हैं, दांव पर लगी कुल राशि बहुत बड़ी है।
इसे हल करने के लिए, शोधकर्ताओं ने जोखिम स्कोर के आधार पर रिटेंशन ऑफर के साथ ग्राहकों से संपर्क करने की रणनीति का परीक्षण किया। उन्होंने विभिन्न परिदृश्यों का अनुकरण (simulate) किया, जिसमें प्रस्तावों की विभिन्न लागतों और लोगों को रुकने के लिए मनाने की सफलता की विभिन्न दरों को माना गया। परिणामों ने दिखाया कि सबसे लाभदायक रणनीति यह नहीं है कि ग्राहक के जाने की बहुत उच्च निश्चितता का इंतजार किया जाए कि कब कार्रवाई की जाए। इसके बजाय, डेटा सुझाव देता है कि कंपनियों को बहुत बड़ा जाल फैलाना चाहिए। इष्टतम रणनीति यह है कि ग्राहकों से तब भी संपर्क किया जाए जब उनके जाने का जोखिम अपेक्षाकृत कम हो, विशेष रूप से 15 प्रतिशत की संभावना के आसपास। यह प्रति-सहज (counterintuitive) लग सकता है, क्योंकि इसका अर्थ है उन कई लोगों तक पहुँचना जो वैसे भी रुक जाते। हालाँकि, गणित दिखाता है कि कुछ अतिरिक्त लोगों को छोटा डिस्काउंट भेजने की लागत उन ग्राहकों को बचाने का मौका चूकने की लागत से बहुत कम है जो वास्तव में जा रहे हैं। सिमुलेशन में, इस व्यापक, निम्न-थ्रेशोल्ड दृष्टिकोण ने एक संकीर्ण, उच्च-परिशुद्धता (high-precision) रणनीति की तुलना में काफी अधिक शुद्ध लाभ उत्पन्न किया जो केवल सबसे स्पष्ट मामलों को लक्षित करती थी।
अध्ययन यह निष्कर्ष निकालता है कि कंपनियों को रिटेंशन को प्रबंधित करने के तरीके को संकीर्ण सटीकता के फोकस से हटाकर व्यापक आर्थिक फोकस की ओर ले जाने की आवश्यकता है। क्योंकि ग्राहक खोने की लागत, एक असफल रिटेंशन ऑफर की लागत की तुलना में बहुत अधिक है, इसलिए उदार रूप से आउटरीच (outreach) करना आर्थिक रूप से समझदारी है। निष्कर्ष एक विशिष्ट मूल्य निर्धारण रणनीति की ओर भी संकेत करते हैं: कंपनियों को अनुबंध की लंबाई को एक लीवर के रूप में उपयोग करना चाहिए ताकि ग्राहकों को जोखिम भरे, महीने-दर-महीने वाले समूह से हटाकर लंबी अवधि की प्रतिबद्धताओं में लाया जा सके, बजाय इसके कि केवल ग्राहक के जाने का निर्णय लेने के बाद प्रतिक्रियात्मक छूट पर निर्भर रहा जाए। भविष्यवाणी को सीधे इस बात से जोड़कर कि उन्हें बचाने की लागत क्या है, यह कार्य व्यवसायों को यह तय करने के लिए एक स्पष्ट, पुनरुत्पादक (reproducible) विधि प्रदान करता है कि वे अपने रिटेंशन बजट को कैसे खर्च करें, जिससे एक सांख्यिकीय मॉडल एक राजस्व की रक्षा करने के लिए व्यावहारिक मार्गदर्शिका में बदल जाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।