如何构建数据驱动的客户管理系统-洪萨配资

原文：towardsdatascience.com/how-to-build-a-data-driven-customer-management-system-7d1597998dd5?source=collection_archive---------2-----------------------#2024-11-20

客户基础管理

构建具有战略影响的 CBM 系统的高级框架

https://medium.com/@hc.ekne?source=post_page---byline--7d1597998dd5--------------------------------https://towardsdatascience.com/?source=post_page---byline--7d1597998dd5-------------------------------- Hans Christian Ekne

·发布于 Towards Data Science ·阅读时间 13 分钟·2024 年 11 月 20 日

–

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/270b5034ff2f3eb7f57294ecd6c5ccd2.png

图片由作者使用 Canva 制作

想象一下，如果您的客户数据能够讲述一个故事——一个能够驱动关键决策、优化定价并准确预测未来收入的故事。

作为一名数据科学家，我的职业生涯中有很大一部分时间是在设计和构建客户基础管理（CBM）系统。这些系统可以监控和预测从客户流失和客户价格弹性到推荐客户最有可能购买的产品等各方面的内容。

我亲眼见证了 CBM 系统如何成功地被组织采用，并帮助它们通过有效定价、改善客户保持率和更有针对性的销售活动执行战略。结合预测功能和仪表盘的视觉效果，CBM 系统为管理者提供了一种有效的方式，与高层领导进行沟通。这增强了决策能力，并帮助领导者更好地理解其行动的后果，尤其是在客户基础和未来预计收入方面。

在本文中，我们将探讨 CBM 系统的基础组成部分，以及那些真正提升价值生成的更高级功能。通过本指南的学习，您将清晰地了解 CBM 系统的关键组件，以及如何通过先进模块增强这些基础，从而为您的公司带来竞争优势。

强大的 CBM 系统的基础

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1e16a3d73b83e992f16c736fe34b6468.png

图片由作者使用 Canva 制作

CBM 系统的三个主要基础组件是：

ELT（提取-加载-转换）
基础流失建模
仪表板

拥有这三个要素后，管理者可以对流失有一个基本的理解，对数据有一个可视化的把握，此外，它还允许他们将任何发现传达给领导层和其他利益相关者。以下我们将详细阐述每个组件。

通过高级组件增强战略优势

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/2b89844ce200ca2af7ced0cc0153be67.png

图片由作者使用 Canva 创建

尽管一个基本的 CBM 系统会提供一些稳定的好处和洞察，但要从 CBM 系统中获取最大价值，需要更多的高级组件。下面我们讨论一些最重要的组件，比如拥有多个时间视野的流失模型、增加价格优化、使用基于模拟的预测以及加入竞争对手定价数据。

多时间视野流失模型

有时候，从不同的角度审视流失是有意义的，其中一个角度是你允许模型的时间视野——或结果周期——的长短。对于某些业务场景，拥有一个短期结果周期的模型是合理的，而对于其他场景，拥有一个 1 年的结果周期模型则可能更加合适。

为了更好地解释这个概念，假设你建立了一个结果周期为 10 周的流失模型。这个模型可以用来预测一个客户是否会在 10 周内流失。然而，假设现在你已经确定了一个具体的事件，知道它会导致流失，并且你有一个短暂的窗口期，可能只有 3 周来实施预防措施。在这种情况下，训练一个 3 周时间视野的流失模型是合理的，且条件是这个你已知会导致流失的具体事件。这样，你就可以将任何保持活动集中在那些最有可能流失的客户身上。

这种差异化的方法允许更具战略性的资源分配，将重点放在最需要的高影响力干预上。通过将模型的时间视野调整为特定的情境，企业可以优化其客户保持工作，最终提升客户生命周期价值，并减少不必要的流失。

定价优化与客户价格弹性

价格在许多情况下是战略执行的最终部分，而胜者是那些能够有效地将战略转化为有效定价体系的公司。这正是带有价格优化的 CBM 系统可以帮助公司做到的事情。虽然价格优化的话题本身就值得写成一篇文章，但我们在下面简要总结了其关键理念。

开始时需要做的第一件事是获取历史价格数据。最好是跨时间和其他解释性变量的不同价格水平。这可以帮助你制定价格弹性的估计值。一旦这个基础做好了，你可以根据不同价格点开发预期的流失率，并用它来预测预期的收入。通过从客户级别汇总，可以得到产品层面的预期值和预期流失率，从而找出每个产品的最优价格。在更复杂的情况下，每个产品还可以有多个具有各自最优价格点的客户群体。

例如，假设一家公司有两个不同的产品，产品 A 和产品 B。对于产品 A，公司希望扩大用户基础，并且只愿意接受一定量的流失，同时保持在市场上的竞争力。然而，对于产品 B，他们愿意接受一定量的流失，以换取与预期收入相关的最优价格。CBM 系统允许实施这样的策略，并为领导层提供该策略未来预期收入的预测。

基于模拟的预测

基于模拟的预测提供了一种比仅仅基于预期值做点估计更为稳健的方式来生成预测估计。通过使用像蒙特卡罗模拟这样的方式，我们能够为结果生成概率密度，从而为决策者提供预测的区间。这比仅仅使用点估计更强大，因为我们能够量化不确定性。

为了理解基于模拟的预测如何使用，我们可以通过一个例子来说明。假设我们有 10 个客户，每个客户都有给定的流失概率，并且每个客户都有一个年度预期收入。（实际上，我们通常有一个多变量的流失函数，能够预测每个客户的流失情况。）为了简化，假设如果客户流失，我们的收入为 0，如果他们不流失，我们保留所有收入。我们可以使用 Python 来使这个例子更具体：

importrandom# Set the seed for reproducibilityrandom.seed(42)# Generate the lists again with the required changeschurn_rates=[round(random.uniform(0.4,0.8),2)for_inrange(10)]yearly_revenue=[random.randint(1000,4000)for_inrange(10)]churn_rates,yearly_revenue

这为我们提供了churn_rates和yearly_revenue的以下值：

churn_rates:[0.66,0.41,0.51,0.49,0.69,0.67,0.76,0.43,0.57,0.41]yearly_revenue:[1895,1952,3069,3465,1108,3298,1814,3932,3661,3872]

使用上述数字，并假设流失事件是独立的，我们可以轻松计算出平均流失率以及总预期收入。

# Calculate the total expected revenue using (1 - churn_rate) * yearly_revenue for each customeradjusted_revenue=[(1-churn_rate)*revenueforchurn_rate,revenueinzip(churn_rates,yearly_revenue)]total_adjusted_revenue=sum(adjusted_revenue)# Recalculate the expected average churn rate based on the original dataaverage_churn_rate=sum(churn_rates)/len(churn_rates)average_churn_rate,total_adjusted_revenue

以下是average_churn_rate和total_adjusted_revenue的数值：

average_churn_rate:0.56,total_adjusted_revenue:13034.07

因此，我们可以预计约 56%的流失率和 13034 的总收入，但这并没有告诉我们关于可能出现的变化的任何信息。为了更深入地理解我们可以预期的结果范围，我们转向蒙特卡洛模拟。我们不再取流失率和总收入的期望值，而是让情况模拟 10000 次（10000 是这里任意选定的；这个数字应根据所需的分布细度来确定），在每次模拟中，客户以churn_rate的概率流失，或者以1 - churn_rate的概率留存。

importpandasaspd simulations=pd.DataFrame({'churn_rate':churn_rates*10000,'yearly_revenue':yearly_revenue*10000})# Add a column with random numbers between 0 and 1simulations['random_number']=([random.uniform(0,1)for_inrange(len(simulations))])# Add a column 'not_churned' and set it to 1, then update it to 0 based on the random numbersimulations['not_churned']=(simulations['random_number']>=simulations['churn_rate']).astype(int)# Add an 'iteration' column starting from 1 to 10000simulations['iteration']=(simulations.index//10)+1

这将产生如下表格：

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/166830683cba760f995b541790e9b8b8.png

模拟数据框的头部 / 图片来自作者

我们可以使用以下代码来总结我们的结果：

# Group by 'iteration' and calculate the required valuessummary=simulations.groupby('iteration').agg(total_revenue=('yearly_revenue',lambdax:sum(x*simulations.loc[x.index,'not_churned'])),total_churners=('not_churned',lambdax:10-sum(x))).reset_index()