Predicting Customer Churn in Telecom Services Using Machine Learning

दूरसंचार की दुनिया में, किसी कंपनी के स्वास्थ्य को केवल इस बात से नहीं मापा जाता कि कितने नए लोग जुड़ रहे हैं, बल्कि इस बात से मापा जाता है कि कितने लोग बने हुए हैं। उन व्यवसायों के लिए जो मासिक सदस्यता (सब्सक्रिप्शन) पर निर्भर हैं, एक ग्राहक को खोना दोहरी मार है: वे उस व्यक्ति से होने वाली तत्काल आय खो देते हैं, और उन्हें एक प्रतिस्थापन खोजने के लिए महत्वपूर्ण राशि खर्च करनी पड़ती है। चूंकि एक नया ग्राहक प्राप्त करना मौजूदा ग्राहक को बनाए रखने की तुलना में बहुत अधिक महंगा है, इसलिए यह अनुमान लगाना कि कौन जाने वाला है, एक महत्वपूर्ण व्यावसायिक कौशल बन गया है। पारंपरिक रूप से, कंपनियां अक्सर तब पता लगा पाती थीं कि ग्राहक जा चुका है जब सेवा रद्द हो जाती थी, जिस समय तक हस्तक्षेप करने के लिए बहुत देर हो चुकी होती थी। आधुनिक डेटा विश्लेषण का लक्ष्य प्रस्थान (departures) पर प्रतिक्रिया देने के बजाय, भविष्य में होने वाले प्रस्थानों का पूर्वानुमान लगाना है, जिसके लिए ग्राहक के व्यवहार के ऐतिहासिक रिकॉर्ड का उपयोग करके अनुबंध टूटने से पहले चेतावनी संकेतों को पहचाना जाता है।

हैदराबाद, भारत के चैतन्य भारती संस्थान के दो शोधकर्ताओं ने इस चुनौती से निपटने के लिए एक ऐसी प्रणाली विकसित की है जो ग्राहकों के वास्तव में जाने से पहले ही उनके जाने के जोखिम की पहचान कर सके। उनका कार्य, जिसका शीर्षक "Predicting Customer Churn in Telecom Services Using Machine Learning" है, एक विशिष्ट प्रकार के कंप्यूटर प्रोग्राम पर केंद्रित है जिसे 'क्लासिफायर' (classifier) कहा जाता है। सरल शब्दों में, यह एक ऐसा उपकरण है जो भविष्य के बारे में भविष्यवाणी करने के लिए पिछले उदाहरणों से सीखता है। शोधकर्ताओं ने अपने सिस्टम को 7,000 से अधिक व्यक्तिगत ग्राहकों की वास्तविक दुनिया के डेटा का एक बड़ा संग्रह दिया। इस डेटा में ग्राहकों के विवरण शामिल थे, जैसे कि वे कौन थे, वे कंपनी के साथ कितने समय से जुड़े थे, वे किन सेवाओं का उपयोग करते थे, वे अपने बिलों का भुगतान कैसे करते थे, और क्या उन्होंने अंततः अपनी सेवा रद्द करने का निर्णय लिया था।

टीम ने अपने सिस्टम को इस जानकारी में ऐसे पैटर्न खोजने के लिए प्रशिक्षित किया जो ग्राहक द्वारा सेवा रद्द करने के निर्णय से संबंधित होते हैं। उन्होंने यह देखने के लिए कई अलग-अलग गणितीय दृष्टिकोणों का परीक्षण किया कि कौन सा तरीका इन पैटर्न को पहचानने में सबसे अच्छा काम करता है। जबकि कुछ विधियाँ जटिल हैं और एक 'ब्लैक बॉक्स' की तरह कार्य करती हैं, शोधकर्ताओं ने अंततः अपने अंतिम टूल के लिए 'लॉजिस्टिक्स रिग्रेशन' (logistic regression) नामक एक सीधा दृष्टिकोण चुना। यह चुनाव स्पष्टता की इच्छा से प्रेरित था; चयनित विधि न केवल अच्छा प्रदर्शन करती थी, बल्कि टीम को यह समझने की अनुमति भी देती थी कि कौन से कारक एक ग्राहक को जाने की ओर धकेल रहे थे। इसका परिणाम 'ChurnGuard AI' नामक एक डिजिटल डैशबोर्ड है, जो व्यावसायिक टीमों के लिए एक निर्णय-सहायता उपकरण के रूप में कार्य करता है। कच्चे नंबर प्रस्तुत करने के बजाय, डैशबोर्ड कंप्यूटर की गणनाओं को स्पष्ट जोखिम स्तरों में अनुवादित करता है, जिससे कर्मचारियों को यह तय करने में मदद मिलती है कि किससे संपर्क करना है और कैसे।

जब शोधकर्ताओं ने अपने सिस्टम का परीक्षण ग्राहकों के एक ऐसे समूह पर किया जिन्हें सिस्टम ने पहले कभी नहीं देखा था, तो परिणामों ने बिना कुछ किए रहने की तुलना में एक स्पष्ट लाभ दिखाया। यह मान लेना कि कोई नहीं जाएगा, एक सरल रणनीति के रूप में लगभग 73 प्रतिशत बार सही होती है, क्योंकि अधिकांश लोग बने रहते हैं। हालाँकि, वह रणनीति अपने वास्तविक कार्य में पूरी तरह विफल रहेगी: वह वास्तव में जाने वाले एक भी व्यक्ति की पहचान नहीं कर पाएगी। इसके विपरीत, नए सिस्टम ने उन ग्राहकों में से लगभग 78 प्रतिशत को सफलतापूर्वक पहचाना जो वास्तव में अपनी सेवा रद्द करने जा रहे थे। हालांकि सिस्टम ने उन ग्राहकों को भी संभावित जोखिम के रूप में चिह्नित किया जो रुके हुए थे, शोधकर्ताओं ने निर्धारित किया कि यह समझौता स्वीकार्य था। प्रतिधारण (retention) के व्यवसाय में, एक वफादार ग्राहक को अतिरिक्त फोन कॉल करना, वास्तव में जाने वाले ग्राहक को बचाने का मौका चूक जाने से बेहतर है।

विश्लेषण ने उन विशिष्ट व्यवहारों का खुलासा किया जो ग्राहक के जाने की भविष्यवाणी करते थे। सबसे महत्वपूर्ण कारक वह प्रकार का अनुबंध था जो ग्राहक के पास था। जो लोग महीने-दर-महीने के समझौतों (month-to-month agreements) पर थे, वे उन लोगों की तुलना में कहीं अधिक जाने की संभावना रखते थे जो एक या दो साल के अनुबंधों से बंधे थे। इसके अतिरिक्त, कंपनी के साथ कम इतिहास वाले नए ग्राहक और वे जो ऑनलाइन सुरक्षा या तकनीकी सहायता जैसी अतिरिक्त सेवाओं का उपयोग नहीं करते थे, वे बहुत अधिक जोखिम में थे। सिस्टम ने इन संबंधों को सफलतापूर्वक मैप किया, जिससे डैशबोर्ड को न केवल यह बताने में मदद मिली कि कौन जोखिम में है, बल्कि क्यों है। उदाहरण के लिए, यह दिखा सकता था कि महीने-दर-महीने के प्लान वाला और बिना तकनीकी सहायता वाला ग्राहक जाने की अत्यधिक संभावना रखता है, जिससे यह सुझाव मिलता है कि लंबे अनुबंध पर स्विच करने के लिए छूट देना या सहायता सेवा जोड़ना सही कदम हो सकता है।

शोधकर्ता स्वीकार करते हैं कि सिस्टम पूर्ण नहीं है। जबकि यह जाने वाले अधिकांश ग्राहकों को सफलतापूर्वक पकड़ लेता है, यह कुछ 'फॉल्स अलार्म' (गलत चेतावनी) भी उत्पन्न करता है, यानी कुछ वफादार ग्राहकों को जोखिम के रूप में चिह्नित करता है। यह एक ज्ञात सीमा है, लेकिन लेखकों का तर्क है कि ऐसे उपकरण के पहले संस्करण के लिए, पूर्ण सटीकता से अधिक महत्वपूर्ण अधिकांश जोखिम वाले ग्राहकों को पकड़ने की क्षमता है। वे सुझाव देते हैं कि भविष्य के संस्करणों को इन गलत चेतावनियों को कम करने के लिए परिष्कृत किया जा सकता है, शायद सिस्टम की संवेदनशीलता को समायोजित करके या प्रत्येक ग्राहक द्वारा लाए जाने वाले राजस्व के बारे में अधिक विस्तृत वित्तीय डेटा को एकीकृत करके।

अंततः, यह कार्य दर्शाता है कि कैसे डेटा को व्यवसाय के लिए एक व्यावहारिक संपत्ति में बदला जा सकता है। विश्लेषण को एक शोध नोटबुक से निकालकर एक उपयोगकर्ता-अनुकूल इंटरफ़ेस में ले जाकर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जिसे गैर-तकनीकी कर्मचारी दैनिक रूप से उपयोग कर सकते हैं। यह सिस्टम मानव निर्णय का स्थान नहीं लेता है बल्कि प्रतिधारण प्रयासों के लिए एक स्पष्ट, डेटा-संचालित शुरुआती बिंदु प्रदान करता है। यह "कस्टमर चर्न" (ग्राहक के जाने) की अमूर्त अवधारणा को एक प्रबंधनीय कार्यों की सूची में बदल देता है, जिससे कंपनियां सक्रिय (proactive) होने के बजाय प्रतिक्रियाशील (reactive) होने के बजाय सक्षम होती हैं। एक ऐसे उद्योग में जहाँ ग्राहक को खोने की लागत बहुत अधिक है, चेतावनी संकेतों को जल्दी देखने की क्षमता स्थिरता और विकास का एक ठोस मार्ग प्रदान करती है।