1. 主页
  2. 行业洞察
  3. 客户流失后才计算流失率?不如先做好客户流失预警模型!

客户流失后才计算流失率?不如先做好客户流失预警模型!

汽车4S店经过20多年发展,在全国遍地开花,但近几年诸如汽车超市、养车无忧、途虎养车、天猫汽车等连锁汽车维修门店、互联网企业店如雨后春笋般茁壮成长,汽车4S店垄断地位早已被打破。很多汽车经销商正在遭遇现有经营模式的转型困境中,已无法满足顾客新的消费体验和需求,受竞争对手排挤打压。门店基盘客户的高流失率,是4S店售后面临的最大问题之一。

我们始终认为,与其客户流失后再做客户召回,不如先做客户流失预警机制,在有流失意向前就做好预测和防范。

我们把基盘客户比作一个水池,每天有新的水注入(新客),也有部分水流出(流失客户),没有流出的水暂时停留在水池中(基盘客户)。已经流出的水再让它回流到池子中,需要花费更多精力(行业中,  挽回一个流失客户比维护一个老顾客要多 6~10 倍的工作量)。流失预警,就好比在出水口新增一道过滤装置,在即将流出的时候设置提醒,同时,让出水速度更慢一些。

客户流失预警主要集中在金融、移动通信等行业,在汽车服务行业里的客户流失预警研究很少,主要原因是金融及移动行业的客户消费频次高,可以用一个指标设定阙值来定义流失。而汽车行业的客户流失预测为什么难做,是因为汽车客户消费时间跨度大、消费频次低,如果用单一的消费阙值判别指标对汽车4S店进行客户流失判定是不准确的。所以,4S店客户流失预警模型构建,在传统以RFM(消费:Recency | 消费频率:Frequency | 消费金额:Monetary)客户细分的基础上,还需要增加客户关键行为特征,这是由于4S 店不同类别的客户行为特点不同导致了客户流失特点不同,只有将这些变量容纳到模型之中去,才能提高流失预警模型的精准度。

我们是如何做4S店客户流失预警模型的?
客户流失预警的基本方法是通过某种技术,在客户历史状态下提取他们行为规律的特点,并按照这样的规律对客户未来的状态做出决策判断。

客户流失预警模型就像一棵树,每个枝头上的叶子代表不同的行为,都会影响和判断这个客户处于流失模型中哪个类型。
为什么要做客户分群?
不同类型客户流失周期判断不应相同,所以对需要做流失预警模型的对象应提前分群。得出的是基于数据标签体系和客户分层分类为依据的客户分群。比如按照汽车车龄,划分为0-4年,4年-7年,和7年以上;按照频次,有的客户用车频繁,3个月进站一次,有的客户很少用车,12个月进站一次。
为什么要做关键业务行为?
需要针对客户分群的特点,选取关键的业务行为以判别客户的意愿。比如0-4年车龄的车主,车龄较新所以车主比较爱惜,进站主要以保养居多;4-7年车龄的车主,维修和保养都有。而事故产生的进站行为不被计入模型,是因为事故属于偶发型因素无法被预测。
为什么要设置流失周期?
针对不同分群客户的特点,再做客户生命周期划分和以拐点理论为基础去看这类客户的流失周期,加入模型中。
举个例子: 一个客户12个月未进站一般会被认为已经流失。但我们还需要去判别客户日常的开车习惯,如果客户频繁用车,3个月进站一次,那12月未进站必然认为已流失;如果客户很少用车,超过12个月进站一次,这类客户就应被纳入“假性流失”范围,在10个月就应设置预警提醒,防范流失。
为什么要获取流失特征?
需要了解某群体客户即将流失前的行为特征,并能够将此类特征转化为参数纳入模型中。

基于此种算法,我们做出了基本用户属性构建的流失模型关键事件的流失预警模型负体验的流失预警模型业务粘性的流失预警模型多维度融合的流失预警模型等多种流失预警模型。

继而,当我们拿到一批客户数据时,就能将客户的各种参数带入模型里,通过模型对用户进行预测,预测结果(综合分值)即代表了相应的流失概率,会分为高概率流失客户、中概率流失客户、低概率流失客户。

客户流失预警模型是大数据分析的重要课题之一
4S店售后业务端怎么才能用上精准的流失预警模型降低店端的客户流失率呢?

推荐一款专用于4S店售后保客业务的SaaS产品 – Ai 站长。
Ai 站长产品的亮点之一即是精准招揽。产品中内嵌了客户流失预警模型,只需在产品界面中做几个简单的条件筛选,点击 客户流失预测-高-中-低” 按钮,Ai站长强大的模型计算功能即可将不同概率客户流失名单计算出来。

售后总监不用亲自做客群分析,不用如此复杂地学习如何建模,就能获得精准预流失客户名单。

Ai 站长现在已开启免费试用体验!
同时,数策团队提供从数据咨询、产品使用、产品部署到客户成功的一站式支持服务。真正帮助4S店端用好产品,让产品的服务价值最大化。
Ai 站长,精准圈定售后客群,招揽效果提升立竿见影!

END
上一篇文章
【专访】4S店总经理:如何巧借数字化实现售后流程管理与产值提升
菜单
预约演示