تحليل البقاء: فهم فقدان العملاء في الشركات القائمة على الاشتراك

يُعدّ التنبؤ بانقطاع العملاء ، في جوهره، مسألة تحليل البقاء. فنادرًا ما تفقد شركات الاشتراكات حسابًا في لحظة واحدة حاسمة. بل تأتي عمليات الإلغاء تدريجيًا على مدار أشهر، حيث تنتهي بعض الحسابات بهدوء بعد فوات موعد تجديد واحد، بينما تستمر حسابات أخرى لسنوات قبل أن تُلغى نهائيًا. يُعدّ تحليل البقاء فرعًا من الإحصاء مُصممًا خصيصًا للبيانات ذات الشكل المُحدد. في البحوث السريرية، يكون الحدث محل الاهتمام هو الوفاة أو الانتكاس؛ أما في شركات الاشتراكات، فهو الإلغاء. في كلتا الحالتين، في يوم جمع البيانات، يكون العديد من المرضى لا يزالون على قيد الحياة والعديد من الحسابات لا تزال نشطة، والتخلص من هذه المعلومات سيؤدي إلى إهدار معظم مجموعة البيانات. يتناول ما يلي تحليل كابلان-ماير ونموذج كوكس للمخاطر النسبية، وهما النموذجان اللذان تعتمد عليهما التجارب السريرية في علم الأورام، ثم يُبيّن، من خلال مثال عملي قابل للتكرار تمامًا ومصادر مُراجعة من قِبل النظراء من الجانبين السريري والتجاري، كيف تُحاكي نفس المعادلات الرياضية انقطاع العملاء.

هناك أمران يميزان هذه المقالة عن معظم شروحات تحليلات الأعمال حول هذا الموضوع. كل مرجع سريري أدناه يرتبط بورقة بحثية حقيقية ومفهرسة، والمثال العملي المركزي ليس دراسة حالة افتراضية مُصممة على هيئة شركة حقيقية، بل هو منحنى بقاء ونموذج كوكس مُطبقان مباشرة على مجموعة بيانات حقيقية لـ 228 مريضًا في مجال الأورام، مُضمنة في بيئة R الإحصائية القياسية، مدعومة بجدول توضيحي ثانٍ مُصنف بوضوح يُبين كيفية تطبيق نفس العمليات الحسابية على ثمانية حسابات اشتراك افتراضية.

الوجبات السريعة الرئيسية

• يقوم تحليل البقاء (ويسمى أيضًا تحليل الوقت حتى وقوع الحدث) بتقدير احتمالية عدم تعرض المريض أو المشترك أو الحساب لحدث محدد بحلول نقطة زمنية معينة، وهو مصمم لاستخدام السجلات "الخاضعة للرقابة"، أي الحسابات التي لا تزال نشطة، بدلاً من التخلص منها.
• تم الاستشهاد بمقدر كابلان-ماير، الذي نشره إدوارد كابلان وبول ماير في عام 1958، أكثر من 70,000 مرة، وهو ينتج المنحنى المتدرج الذي تُبنى عليه معظم مخططات البقاء.
• يقوم نموذج كوكس للمخاطر النسبية، الذي قدمه ديفيد كوكس في عام 1972، بتحديد كيفية تأثير عوامل مثل نوع العقد أو تكرار الاستخدام أو حجم تذاكر الدعم على خطر التخلي عن الخدمة بالنسبة لمجموعة مرجعية.
• كان الباحثان ديرك فان دن بويل وبارت لاريفيير من جامعة غنت من بين أوائل من طبقوا نماذج البقاء على قيد الحياة ذات المخاطر النسبية مباشرة على بيانات استنزاف العملاء في مجلة أبحاث العمليات التي تخضع لمراجعة الأقران، كما طبقت دراسة ذات صلة أجريت عام 2007 نفس الإطار على مشغل اشتراك التلفزيون المدفوع.
• اختبار الرتبة اللوغاريتمية، الذي وصفه بلاند وألتمان للجمهور السريري في ورقة بحثية واسعة الانتشار في المجلة الطبية البريطانية عام 2004، هو الطريقة القياسية للتحقق مما إذا كان منحنيان لكابلان-ماير، على سبيل المثال المشتركين بعقود شهرية مقابل المشتركين بعقود سنوية، يختلفان بأكثر من الصدفة.

ما هو تحليل البقاء، ولماذا يتناسب مع معدل فقدان العملاء؟

يدرس تحليل البقاء الوقت اللازم لوقوع حدث محدد، وقد طُوّر لحل مشكلة لا يُعالجها الانحدار الخطي العادي بشكل كافٍ، ألا وهي عدم اكتمال المتابعة. تنتهي التجارب السريرية قبل وفاة جميع المرضى، ويتم سحب بيانات الاشتراكات قبل إلغاء جميع العملاء لاشتراكاتهم. يُطلق الإحصائيون على الملاحظة غير المكتملة اسم "المراقبة اليمنى"، أي أن الحدث لم يقع بعد بالنسبة لذلك الشخص أو الحساب بحلول آخر مرة تمت ملاحظته فيها، وليس أن نقطة البيانات مفقودة أو خاطئة.

إن التعامل مع المشترك الخاضع للرقابة كما لو أنه لن ينسحب أبدًا، أو حذفه من مجموعة البيانات نهائيًا، يُدخل تحيزًا في البيانات. وقد استقر الباحثون في مجال الدراسات السريرية على أساليب تحليل البقاء على قيد الحياة تحديدًا لأنها تستخدم كل يوم ساهم فيه المريض أو العميل، سواءً كان خاضعًا للرقابة أم لا، بدلًا من الاقتصار على النتائج التي تم رصدها بحلول تاريخ انتهاء الدراسة. والمنطق نفسه، الذي يمنع تجربة سريرية لخمس سنوات لعلاج السرطان من التقليل من تقدير معدل البقاء على قيد الحياة، يمنع نموذج تحليل الانسحاب من المبالغة في تقدير مدى ولاء المشترك العادي. وللتعمق أكثر في هذا المجال كما يُدرَّس في علم الأوبئة ، نجد أن الافتراضات الأساسية تنتقل دون تغيير تقريبًا إلى بيئة الاشتراكات التجارية.

المكونات الأساسية: وظيفة البقاء، ووظيفة الخطر، والرقابة

تُؤدي دالتان معظم العمل في تحليل البقاء. تُمثل دالة البقاء، S(t)، احتمال عدم وقوع الحدث حتى الزمن t، بدءًا من 1.0 (أي أن جميع الأفراد لم يتعرضوا لأي حدث عند الزمن صفر) وتتناقص تدريجيًا نحو الصفر مع تراكم الأحداث. أما دالة الخطر، h(t)، فتُمثل الخطر اللحظي لوقوع الحدث عند الزمن t، بافتراض أن الفرد قد نجا حتى تلك اللحظة. ويعني ارتفاع دالة الخطر لمجموعة من العملاء أن خطر الإلغاء يتسارع كلما طالت مدة بقاء الأفراد، وهو عكس ما تفترضه معظم شركات الاشتراك.

يُعدّ الحجب الأيمن، حيث لا يقع الحدث بنهاية فترة الملاحظة، النوع الأكثر شيوعًا الذي يواجهه المحللون مع بيانات التوقف عن استخدام الخدمة، إذ يُعتبر كل حساب لا يزال يدفع في يوم استخراج البيانات محجوبًا يمينًا بحكم التعريف. أما الحجب الأيسر والحجب الفاصل الزمني، فيظهران بشكل أقل في بيانات الاشتراكات، لكنهما مهمان في العمل السريري، على سبيل المثال عندما يكون تاريخ التشخيص معروفًا فقط بأنه حدث قبل التسجيل. ويُعدّ ضبط مؤشر الحجب بشكل صحيح، وهو عمود يُحدد ما إذا كان كل صف قد انتهى بحدث فعلي أو بفترة توقف الملاحظة، المصدر الأكثر شيوعًا للخطأ عند بناء محلل الأعمال نموذج البقاء الأول.

مقياس كابلان-ماير، الذي يرسم بيانيًا مدة بقاء العملاء

قدّم إدوارد كابلان وبول ماير المُقدِّر الذي يحمل اسميهما في ورقة بحثية نُشرت عام 1958 في مجلة الجمعية الإحصائية الأمريكية بعنوان "التقدير غير البارامتري من الملاحظات غير المكتملة"، والتي تم الاستشهاد بها أكثر من 70,000 مرة، مما يجعلها واحدة من أكثر الأوراق البحثية استشهادًا في تاريخ الإحصاء التطبيقي. تُعرف هذه الطريقة أحيانًا باسم مُقدِّر حد المنتج، وهي تُعيد حساب احتمالية البقاء عند كل نقطة يحدث فيها حدث ما، وذلك بضرب الاحتمالية الجارية في نسبة المجموعة التي لا تزال مُعرَّضة للخطر والتي نجت من تلك الخطوة. تخرج الملاحظات المُراقبة من مجموعة المخاطر دون التأثير على المنحنى، وهذا تحديدًا هو السبب في أن هذه الطريقة تتعامل مع بيانات الاشتراك غير المكتملة بشكل صحيح بدلًا من معاقبة الحسابات التي لم تُتح لها الفرصة بعد للتوقف عن استخدام الخدمة.

يُشبه مخطط كابلان-ماير لقاعدة المشتركين درجًا هابطًا بدلًا من منحنى سلس، حيث تُشير كل خطوة إلى نقطة إلغاء حساب واحد على الأقل. يُقدّم الدليل العملي واسع الانتشار الذي وضعه ريتش وزملاؤه عام 2010 ، والمنشور في مجلة طب الأنف والأذن والحنجرة وجراحة الرأس والعنق، شرحًا مُفصّلًا لهذا النوع من قراءة المنحنى خطوة بخطوة، بما في ذلك كيفية تحديد متوسط ​​وقت البقاء (النقطة التي يتقاطع عندها المنحنى مع 0.50) وكيف تُمثّل العلامات على طول جزء مُسطّح حالات مُستبعدة بدلًا من توقف مؤقت في المخاطر. عند تطبيق هذه المهارات على مجموعة اشتراكات، تُترجم مهارات القراءة نفسها مباشرةً. فعندما يكون المنحنى حادًا، يتركز معدل إلغاء الاشتراكات، وعندما يصبح مُسطّحًا، تكون الحسابات المتبقية قد استقرت في نمط مستقر منخفض المخاطر. يستخدم تقدير كابلان-ماير، كما هو مُطبّق في أبحاث الأورام ، نفس الرياضيات، مع إعادة تسمية "الوفاة" بـ"الإلغاء".

مقارنة المجموعات باستخدام اختبار لوغ رانك

عند رسم منحنيين لكابلان-ماير جنبًا إلى جنب، على سبيل المثال، لمشتركي الاشتراكات الشهرية مقابل مشتركي العقود السنوية، يتبادر إلى الذهن سؤال بديهي: هل الفجوة الظاهرة حقيقية، أم أنها قد تظهر مصادفةً في عينة بهذا الحجم؟ يجيب اختبار الرتبة اللوغاريتمية على هذا السؤال مباشرةً، إذ يقارن عدد الأحداث المُلاحظة في كل مجموعة عند كل نقطة زمنية بالعدد المتوقع لو أن المجموعتين تشتركان في منحنى بقاء أساسي واحد.

لا تزال مقالة مارتن بلاند ودوغلاس ألتمان المنشورة عام ٢٠٠٤ في مجلة BMJ Statistics Notes حول اختبار لوغرانك من أكثر الشروحات سهولةً لهذه الطريقة لغير المتخصصين، وهي تُقدّم فكرةً قابلةً للتطبيق في تحليل معدل التخلي عن الخدمة. فبدلاً من الاعتماد على أوقات الرقابة الدقيقة نفسها، يستخدم الاختبار ترتيب الأحداث بالنسبة لبعضها البعض، لذا فهو صالح حتى عندما لا يكون توزيع البقاء الأساسي منتظمًا أو متماثلًا، وهو أمر شائع في بيانات المشتركين الحقيقية. تُشير نتيجة اختبار لوغرانك الهامة إلى وجود تباين حقيقي بين منحنى العقد السنوي ومنحنى العقود الشهرية؛ لكنها لا تُفسّر وحدها سمات العملاء المحددة التي تُسبّب هذا التباين، وهنا يأتي دور نموذج كوكس.

نموذج كوكس للمخاطر النسبية ومحركات التسرب

حلت ورقة ديفيد كوكس البحثية المنشورة عام 1972 بعنوان "نماذج الانحدار وجداول الحياة" في مجلة الجمعية الإحصائية الملكية، والتي تم الاستشهاد بها أكثر من 36,000 مرة، مشكلةً عجز مُقدِّر كابلان-ماير وحده عن حلها، إذ قامت بتحديد تأثير عدة متغيرات مشتركة على خطر الوقت حتى وقوع الحدث في آنٍ واحد دون الحاجة إلى تحديد الشكل الدقيق لمنحنى الخطر الأساسي. يُقدِّر نموذج المخاطر النسبية لكوكس نسبة الخطر لكل متغير مشترك. فعلى سبيل المثال، نسبة خطر تبلغ 1.4 لـ "أقل من تسجيل دخولين في الشهر الأول" تعني أن هذا السلوك يرتبط بزيادة فورية في خطر الإلغاء بنسبة 40% مقارنةً بالمجموعة المرجعية، مع ثبات المتغيرات المشتركة الأخرى.

نظرًا لكونها تقنية متعددة المتغيرات بحق، يستطيع نموذج كوكس فصل تأثير حساسية السعر عن تأثير تفاعل المستخدمين الجدد حتى عندما يكون هناك ارتباط بينهما في البيانات الأولية، وهو أمر لا تستطيع سلسلة من المقارنات أحادية المتغير القيام به بدقة. وينطبق نفس المنطق متعدد المتغيرات المستخدم في مشاكل الإحصاء التجاري الأخرى هنا مباشرةً، كما أن النسخة السريرية من النموذج، بما في ذلك كيفية التحقق من افتراض المخاطر النسبية والإبلاغ عنه، مُغطاة بمزيد من التفصيل في دليل Editverse لنموذج كوكس في أبحاث الأمراض المزمنة.

لماذا تنجح نفس الإحصائيات المستخدمة في تجارب الأورام في تقليل معدل إلغاء الاشتراكات؟

تتشابه التجارب السريرية ونماذج الاشتراكات بشكل أوثق مما يظن معظم الناس. فالمريض المسجل عند التشخيص يصبح عميلاً مسجلاً عند الاشتراك؛ والانتكاس أو الوفاة يؤديان إلى إلغاء الاشتراك؛ وفقدان المتابعة السريرية يصبح عميلاً لا يزال نشطاً عند استخراج البيانات. وقد صُممت جميع التقنيات المستخدمة للتعامل مع بيانات المتابعة غير المكتملة لتجارب السرطان، بما في ذلك الرقابة، ونسب المخاطر، واختبار لوغ رانك، خصيصاً للتعامل مع نوع البيانات "التي لم تحدث بعد" والتي تُهيمن على سجلات المشتركين.

تؤكد الأبحاث المنشورة هذا التوازي، وليس مجرد الحدس. فقد نشر ديرك فان دن بول وبارت لاريفيير، وكلاهما من جامعة غنت، بحثًا بعنوان "تحليل استنزاف العملاء في الخدمات المالية باستخدام نماذج المخاطر النسبية" في المجلة الأوروبية لبحوث العمليات عام 2004، وهو بحث تم الاستشهاد به أكثر من 400 مرة، حيث طبقا إطار عمل كوكس مباشرةً على استنزاف العملاء بدلًا من نتائج الأمراض. وبعد ثلاث سنوات، نشر جوناثان بوريز وفان دن بول بحثًا بعنوان "إدارة علاقات العملاء في شركة تلفزيون مدفوع" في مجلة أنظمة الخبراء وتطبيقاتها، والذي تم الاستشهاد به أكثر من 230 مرة، حيث استخدم نماذج تحليلية قائمة على المخاطر لتقليل استنزاف المشتركين لدى مشغل تلفزيون مدفوع من خلال التسويق المُستهدف للاحتفاظ بهم. نُشر كلا البحثين في مجلات بحوث العمليات والتحليلات التطبيقية المحكمة، وليس في مدونات التسويق، واستخدم كلاهما نفس أدوات كابلان-ماير وكوكس المذكورة أعلاه، مع اختلاف بسيط في استخدام مصطلح "المشترك" بدلًا من "المريض" في الأبحاث السريرية. سيجد القراء الذين يتساءلون عن كيفية مقارنة هذا مع أساليب التعلم الآلي الأحدث في مجال ذكاء الأعمال أن معظم مسارات التنبؤ بالانسحاب المبنية على تعزيز التدرج أو الشبكات العصبية لا تزال تستعير منطق الرقابة مباشرة من تحليل البقاء، لأن مشكلة البيانات الأساسية، وهي الملاحظة غير الكاملة لحدث مستقبلي، لا تختفي أبدًا.

مثال عملي قابل للتكرار بالكامل: تحليل البقاء على بيانات الوقت الفعلي حتى وقوع الحدث

بدلاً من وصف أرقام معدل دوران العملاء لشركة وهمية، يعرض الجدول أدناه النتائج الفعلية لنموذج كابلان-ماير ونموذج كوكس للمخاطر النسبية الذي تم تشغيله على مجموعة بيانات حقيقية موثقة علنًا، وهي مجموعة بيانات سرطان الرئة NCCTG المرفقة مع برنامج R survival حزمة. هذه البيانات مصدرها دراسة نُشرت عام 1994 في مجلة علم الأورام السريري أجراها لوبرينزي وزملاؤه في مجموعة علاج السرطان في شمال وسط البلاد، والتي اختبرت ما إذا كانت الاستبيانات التي يكملها المرضى تضيف معلومات تشخيصية تتجاوز ما سجله الطبيب.

كل رقم في هذا الجدول يُشير إلى تفسير لمعدل التخلي عن الخدمة دون تغيير الحسابات. نسبة المخاطر الأقل من 1.0، مثل 0.575 الموضحة للجنس في هذه البيانات، تعني أن هذه المجموعة تواجه مخاطر أقل من المجموعة المرجعية في كل وقت. في نموذج التخلي عن الخدمة، نسبة المخاطر 0.575 لـ "الاشتراك من خلال إحالة شريك" تعني أن العملاء المُحالين يُلغون اشتراكهم بنسبة مخاطر أقل بنحو 43% من العملاء الذين تم الحصول عليهم من خلال البحث المدفوع، مع ثبات جميع العوامل الأخرى. نسبة المخاطر الأعلى من 1.0، مثل 1.590 الموضحة لحالة الأداء وفقًا لمقياس ECOG، تعني أن المتغير المصاحب يزيد من المخاطر. سيظهر النمط نفسه في نموذج التخلي عن الخدمة كمتغير مصاحب مثل "فتح أقل من تذكرة دعم واحدة في الشهر الأول" مما يزيد من مخاطر الإلغاء، لأن العملاء غير المتفاعلين الذين لا يطلبون المساعدة أبدًا هم غالبًا من يُنهون الخدمة بهدوء.

تطبيق تحليل البقاء على مجموعة من العملاء المعرضين لخطر فقدان العملاء: شرح توضيحي

لتوضيح كيفية تطبيق حسابات كابلان-ماير نفسها على بيانات الاشتراكات، يستعرض الجدول أدناه ثمانية حسابات اشتراك افتراضية. جميع الأرقام هنا توضيحية، تم إنشاؤها خصيصًا لهذا الشرح وليست مستقاة من سجلات أي شركة، وتهدف إلى توضيح الحساب وليس تمثيل معدل إلغاء اشتراك مرجعي.

يُظهر إجراء حساب حد المنتج يدويًا بدقة ما يفعله البرنامج داخليًا. في الشهر الثالث، تكون جميع الحسابات الثمانية مُعرّضة للخطر، ويُلغى أحدها، مما يُعطي تقديرًا للبقاء بنسبة 7/8، أو 0.875. في الشهر الخامس، تبقى سبعة حسابات مُعرّضة للخطر، ويُلغى حساب آخر، فيصبح التقدير التراكمي 0.875 مضروبًا في 6/7، أو 0.75. يخرج الحساب "ج" من مجموعة المخاطر في الشهر السادس من خلال الرقابة، وليس الإلغاء، لذا لا ينخفض ​​المنحنى؛ بل يستمر بنسبة 0.75. في الشهر الثامن، تبقى خمسة حسابات مُعرّضة للخطر، ويُلغى حساب واحد، مما يُخفض التقدير إلى 0.75 مضروبًا في 4/5، أو 0.60. بعد رقابة الحساب "هـ" في الشهر التاسع، تبقى الحسابات "و" و"ز" و"ح" فقط مُعرّضة للخطر، وعندما يُلغى الحساب "و" في الشهر الحادي عشر، ينخفض ​​التقدير إلى 0.60 مضروبًا في 2/3، أو 0.40. نظرًا لأن المنحنى يتقاطع مع علامة 0.50 بين الشهرين الثامن والحادي عشر، فإن متوسط ​​الوقت اللازم للإلغاء في هذه المجموعة التوضيحية الصغيرة هو 11 شهرًا، وهو نفس متوسط ​​وقت البقاء على قيد الحياة الذي يُقرأ من مخطط كابلان-ماير السريري. ينبغي على المحللين الذين ينتقلون من جداول البيانات إلى حزمة إحصائية لهذا النوع من التحليلات الاطلاع على إرشادات إعداد البيانات العملية والمفصلة خطوة بخطوة، والمكتوبة خصيصًا لمجموعات بيانات تنسيق البقاء على قيد الحياة ، حيث إن تنظيم أعمدة الوقت والحالة على مستوى الحساب بشكل صحيح هو ما يجعل هذه الحسابات ممكنة في المقام الأول.

القيمة الدائمة للعميل: ربط منحنيات البقاء بالإيرادات

تُحسب القيمة الدائمة للعميل، رياضياً، بضرب المساحة تحت منحنى البقاء في هامش الربح لكل فترة. وبجمع قيمة S(t) عبر كل فترة مستقبلية وضربها في الربح المُكتسب من عميل نشط في كل فترة، نحصل على قيمة متوقعة مدى الحياة لا تتطلب افتراض أن جميع العملاء يتصرفون بشكل متطابق، لأن منحنى البقاء يُشير بالفعل إلى أن بعض الحسابات تتوقف عن التعامل مبكراً بينما يستمر البعض الآخر لسنوات.

تظهر نسخة مبسطة من هذه المعادلة باستمرار في لوحات معلومات فريق الاحتفاظ بالعملاء. عندما يكون خطر الإلغاء الشهري ثابتًا تقريبًا بمرور الوقت، فإن القيمة المتوقعة للعميل على مدار حياته تقارب هامش الربح الشهري مقسومًا على معدل الخطر الشهري. كحسابات بحتة، وليست إحصائية مُعلنة، فإن 50 دولارًا من هامش الربح الشهري مقسومة على 0.05 من الخطر الشهري تساوي 1000 دولار كقيمة متوقعة للعميل على مدار حياته؛ استبدل تقديرات هامش الربح والخطر الخاصة بالشركة، وستُنتج نفس المعادلة رقمًا خاصًا بالشركة بدلًا من قاعدة عامة في القطاع. ينهار هذا الاختصار القائم على ثبات الخطر عندما يتغير الخطر مع مدة الاشتراك، وهو أمر شائع لأن العديد من شركات الاشتراكات تشهد ارتفاعًا حادًا في الخطر عند تاريخ التجديد، وهذا هو بالضبط الموقف الذي يُثبت فيه نموذج كوكس الكامل، بدلًا من معدل التخلي المتوسط، جدواه. تُظهر الإحصاءات الوصفية العادية، من النوع الذي تعتمد عليه معظم تقارير ديناميكيات السوق، المتوسط، لكن نموذج البقاء فقط هو الذي يُجسد شكل المخاطر على علاقة العميل، وهو بالضبط ما تحتاجه استراتيجية الاحتفاظ التنبؤية لتحديد توقيت التدخل بشكل صحيح.

إعداد البيانات لنموذج البقاء على قيد الحياة بعد التوقف عن استخدام الخدمة

أربعة قرارات تحدد ما إذا كان نموذج بقاء العملاء بعد انقطاع الخدمة يُنتج نسب مخاطر موثوقة أم نسبًا متحيزة ضمنيًا. يُعد اختيار وقت بدء التشغيل هو الأهم، إذ أن تاريخ التسجيل، وتاريخ الدفعة الأولى، ونهاية الفترة التجريبية المجانية، تُنتج جميعها منحنيات بقاء مختلفة من نفس الأحداث الأولية، لذا يجب أن يتوافق وقت بدء التشغيل مع السؤال التجاري المطروح. كما أن تعريف الحدث نفسه لا يقل أهمية؛ فاستخدام مؤشر "إلغاء" عند تاريخ الطلب بدلًا من تاريخ انتهاء الخدمة الفعلي سيؤدي إلى التقليل من مدة بقاء العميل بشكل منهجي.

يجب تخصيص عمود لمؤشر الرقابة، مع ترميزه بشكل متسق بحيث يتم وضع علامة "مراقبة" على كل حساب لا يزال نشطًا في تاريخ سحب البيانات، بدلاً من حذفه تلقائيًا أو اعتباره حالة انسحاب مبكرة. يجب تسجيل المتغيرات المصاحبة التي تتغير خلال فترة العلاقة، مثل معدل الاستخدام أو عدد تذاكر الدعم، كمتغيرات مصاحبة متغيرة مع الزمن بدلاً من تثبيتها عند قيم التسجيل، لأن العميل الذي استخدم المنتج بكثافة في الشهر الأول وتوقف في الشهر السادس لا يشبه العميل الذي كان غير متفاعل بشكل مستمر طوال فترة العلاقة. يشرح دليل Editverse القائم على برنامج Stata لإعداد بيانات المرضى لتحليل البقاء نفس مجموعة القرارات لمجموعات البيانات السريرية، ويمكن تطبيق قائمة التحقق على بيانات الاشتراك دون تعديل تقريبًا.

المخاطر غير المتناسبة، والمخاطر المتنافسة، وغيرها من المخاطر

تفترض نماذج كوكس أن نسبة المخاطر بين مجموعتين تظل ثابتة طوال فترة المتابعة، وهو افتراض يستحق التحقق منه بدلاً من التسليم به دون دليل. فعندما لا يتحقق هذا الافتراض، على سبيل المثال إذا بدأ عملاء العقود السنوية بمخاطر أقل بكثير من عملاء العقود الشهرية، ولكن الفجوة تضيق قرب نهاية العامين، فإن نموذج كوكس الموسع مع المتغيرات المصاحبة المتفاعلة زمنيًا، أو نموذج كوكس الطبقي الذي يسمح باختلاف خط الأساس للمخاطر لكل طبقة مع الحفاظ على تأثيرات المتغيرات المصاحبة مشتركة، يحل المشكلة عمومًا دون التخلي عن الإطار بالكامل.

تُضيف المخاطر المتنافسة تعقيدًا إضافيًا. فقد يُفقد حسابٌ ما نتيجةً لإلغاءٍ بسيط، أو قد يختفي بسبب استحواذ شركة أخرى عليه، أو توقف خط إنتاجه، أو إغلاق أعمال العميل نفسه. إنّ اعتبار كل حالة من حالات الخروج هذه حدثًا عاديًا يُبالغ في تقدير المخاطر الناجمة عن السعر أو عدم الرضا عن المنتج. تُبيّن ورقة أوستن ولي وفاين المنشورة في مجلة سيركوليشن عام ٢٠١٦ حول المخاطر المتنافسة ، في سياق أمراض القلب والأوعية الدموية، أن التعامل ببساطة مع حدثٍ منافس كحدث رقابة عادي يُؤدي إلى تحيز تقدير التراكم التصاعدي، وهي نتيجة تنطبق مباشرةً على بيانات الخروج ذات الأسباب المتعددة والمختلفة. يُتيح إطار عمل المخاطر المتنافسة، الذي يُغطّى بمزيد من التفصيل في مكان آخر على هذا الموقع ، إلى جانب نهج النمذجة متعدد الحالات ذي الصلة لتتبع الحسابات عبر عدة حالات متميزة ، لمحلل الأعمال طريقةً للفصل بين "اختيار المغادرة" و"المغادرة لسبب خارج عن المنتج تمامًا".

من النموذج إلى استراتيجية الاحتفاظ: العمل بناءً على نسب المخاطر

يُظهر نموذج كوكس قيمته الحقيقية بمجرد تحويل نسب المخاطر فيه إلى قاعدة استهداف. فإذا كانت نسبة المخاطر لانقطاع التفاعل خلال الثلاثين يومًا الأولى تساوي 2.0، فإن فريق الاحتفاظ بالعملاء يمتلك سببًا ملموسًا ومحددًا كميًا لتفعيل التواصل مع العملاء الجدد تحديدًا خلال هذه الفترة، بدلًا من توزيع ميزانية الاحتفاظ الثابتة بالتساوي على قاعدة العملاء. ولأن النموذج يوفر دالة المخاطر، وليس فقط متوسط ​​معدل التخلي عن الخدمة، فإن التوقيت لا يقل أهمية عن الاستهداف، إذ أن التدخل المُجدول قبل ذروة المخاطر مباشرةً، كالأيام المحيطة بتاريخ التجديد السنوي، سيتفوق على الرسالة نفسها المرسلة في أي وقت عشوائي من العلاقة.

يُتيح تقسيم العملاء حسب المخاطر المتوقعة، بدلاً من تصنيفهم وفقًا لخصائصهم الديموغرافية البسيطة، للفريق التخلي عن عادة تقديم الخصم نفسه لجميع العملاء المعرضين للخطر، وهي عادة شائعة ولكنها مكلفة. وتُوسّع مجموعة أدوات التحليلات التنبؤية الأوسع نطاقًا، والمُصممة خصيصًا للاحتفاظ بالعملاء، هذه الفكرة نفسها من خلال دمج نظام تسجيل نقاط التعلم الآلي مع إطار عمل البقاء، مع العلم أن نسبة المخاطر المُستمدة من نموذج كوكس المُحدد بدقة تظل نقطة البداية الأنسب لشرح السلوكيات التي تُؤدي إلى إلغاء الطلبات، ومقدارها، لغير المتخصصين في الإحصاء.

خاتمة

يُضفي تحليل البقاء على أعمال الاشتراكات نفس الدقة التي اعتمدت عليها التجارب السريرية في مجال الأورام لأكثر من ستين عامًا، إذ يُتيح استخدام بيانات كل حساب، سواءً انتهى بالإلغاء أو كان لا يزال نشطًا في يوم جمع البيانات، دون إغفال أي معلومات أو تحريف التقدير. تُظهر منحنيات كابلان-ماير كيفية تطور معدل الاحتفاظ بمجموعة معينة بمرور الوقت، ويؤكد اختبار لوغ-رانك ما إذا كان هناك اختلاف حقيقي بين منحنيين، ويُحدد نموذج كوكس للمخاطر النسبية بدقة سمات العملاء التي تُسرّع أو تُبطئ هذا الخطر.

لا يتطلب أي من هذا تصديق أي شخص دون دليل. فقد تم تطبيق المثال العملي أعلاه على مجموعة بيانات حقيقية متاحة للعموم، ويعتمد تحليل معدل التخلي عن الخدمة على أوراق بحثية خضعت لمراجعة الأقران في مجال بحوث العمليات بدلاً من دراسات حالة التسويق، ويُظهر جدول المشتركين التوضيحي العمليات الحسابية بالكامل حتى يتمكن القارئ من التحقق من كل خطوة.

مراجع حسابات

• كابلان إل، ماير P. تقدير غير معلمي من الملاحظات غير المكتملة. مجلة الجمعية الإحصائية الأمريكية. 1958;53(282):457-481. https://doi.org/10.1080/01621459.1958.10501452
• كوكس دي آر. نماذج الانحدار وجداول الحياة. سلسلة JR Stat Soc B. 1972;34(2):187-202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
• ريتش جيه تي، نيلي جيه جي، بانييلو آر سي، فولكر سي سي جيه، نوسنباوم بي، وانغ إي دبليو. دليل عملي لفهم منحنيات كابلان-ماير. جراحة الأذن والأنف والحنجرة والرقبة. 2010;143(3):331-336. https://doi.org/10.1016/j.otohns.2010.05.007
• بلاند جي إم، ألتمان دي جي. اختبار لوغرانك. BMJ. 2004، 328 (7447): 1073. https://doi.org/10.1136/bmj.328.7447.1073
• أوستن بي سي، لي دي إس، فاين جيه بي. مقدمة لتحليل بيانات البقاء على قيد الحياة في وجود مخاطر متنافسة. تداول. 2016;133(6):601-609. https://doi.org/10.1161/CIRCULATIONAHA.115.017719
• لوبرينزي سي إل، لوري جيه إيه، وياند إتش إس، وآخرون. التقييم المستقبلي للمتغيرات التنبؤية من الاستبيانات التي أكملها المرضى. مجموعة علاج السرطان في شمال وسط الولايات المتحدة. ياء نوتر أونكول. 1994;12(3):601-607. https://doi.org/10.1200/JCO.1994.12.3.601
• فان دن بويل د، لاريفيير ب. تحليل استنزاف العملاء للخدمات المالية باستخدام نماذج المخاطر النسبية. المجلة الأوروبية لبحوث العمليات. 2004;157(1):196-217. https://doi.org/10.1016/s0377-2217(03)00069-9
• Burez J, Van den Poel D. CRM at a pay-tv company: using analytical models to reduce customer terration by targeted marketing for subscription services. تطبيق النظام الخبير. 2007;32(2):277-288. https://doi.org/10.1016/j.eswa.2005.11.037