Descrizione del progetto
TradottoAbbiamo un'attività in abbonamento e perdiamo abbonati paganti mese dopo mese, ma non possiamo vedere in anticipo chi esattamente sta per andarsene e perché. Abbiamo bisogno di un sistema di previsione del churn e analisi della retention basato sui nostri dati storici: un modello di machine learning che calcola la probabilità di disiscrizione nei prossimi 30, 60 e 90 giorni per ciascun cliente attivo. Il modello non dovrebbe essere una scatola nera: per ciascun cliente nella zona di rischio, dobbiamo vedere i principali fattori della previsione in modo che il team comprenda il motivo: calo dell'attività, problemi di pagamento, ticket di supporto bloccati, sensibilità al prezzo o un'offerta di un concorrente, e lavorare con la causa reale piuttosto che indovinare.
Oltre alla valutazione, abbiamo bisogno di analisi della retention delle coorti a tutto tondo. Mostrare curve di retention e tassi di sopravvivenza per coorti di registrazione, tariffe, canali di acquisizione e regioni, in modo da poter vedere esattamente dove e in quale fase del ciclo di vita del cliente la retention si interrompe. Il sistema dovrebbe distribuire i clienti in gruppi di rischio comprensibili e attivare automaticamente azioni di retention: email mirate, sconti limitati, chiamate dei manager di account o messaggi in prodotto — non appena un cliente supera una soglia di rischio impostata. Ogni azione attivata dovrebbe essere registrata in modo da poter misurare successivamente quali misure hanno effettivamente ridotto il churn.
Ci aspettiamo pipeline di dati puliti e affidabili, riaddestramento del modello secondo programma, metriche di qualità oneste (precisione, richiamo, sollevamento, calibrazione) e un'interfaccia semplice che il nostro team non tecnico possa utilizzare ogni giorno senza aiuto esterno. Si prega di descrivere il tech stack proposto, come si convaliderà il modello sui nostri dati e le tempistiche realistiche.
Cosa ci serve come output:
— punteggio di rischio di churn a 30/60/90 giorni con spiegazioni dei fattori per ciascun cliente;
— dashboard di coorte, retention e curve di sopravvivenza con filtri;
— gruppi di rischio automatici e trigger di azioni di retention configurabili;
— pipeline di riaddestramento programmata, documentazione e passaggio di progetto.
Oltre alla valutazione, abbiamo bisogno di analisi della retention delle coorti a tutto tondo. Mostrare curve di retention e tassi di sopravvivenza per coorti di registrazione, tariffe, canali di acquisizione e regioni, in modo da poter vedere esattamente dove e in quale fase del ciclo di vita del cliente la retention si interrompe. Il sistema dovrebbe distribuire i clienti in gruppi di rischio comprensibili e attivare automaticamente azioni di retention: email mirate, sconti limitati, chiamate dei manager di account o messaggi in prodotto — non appena un cliente supera una soglia di rischio impostata. Ogni azione attivata dovrebbe essere registrata in modo da poter misurare successivamente quali misure hanno effettivamente ridotto il churn.
Ci aspettiamo pipeline di dati puliti e affidabili, riaddestramento del modello secondo programma, metriche di qualità oneste (precisione, richiamo, sollevamento, calibrazione) e un'interfaccia semplice che il nostro team non tecnico possa utilizzare ogni giorno senza aiuto esterno. Si prega di descrivere il tech stack proposto, come si convaliderà il modello sui nostri dati e le tempistiche realistiche.
Cosa ci serve come output:
— punteggio di rischio di churn a 30/60/90 giorni con spiegazioni dei fattori per ciascun cliente;
— dashboard di coorte, retention e curve di sopravvivenza con filtri;
— gruppi di rischio automatici e trigger di azioni di retention configurabili;
— pipeline di riaddestramento programmata, documentazione e passaggio di progetto.
Istruzione e consulenza Contante, Bonifico bancario
