Survival Analysis: Pag-unawa sa Customer Churn sa Mga Negosyong Nakabatay sa Subscription

Inilathala noong Hunyo 20, 2026 | Huling na-update noong Agosto 10, 2026

Ang paghula sa customer churn ay, sa kaibuturan nito, isang problema sa survival-analysis. Bihirang mawalan ng account ang isang subscription business sa isang dramatikong sandali. Sa halip, ang mga pagkansela ay dumarating bilang isang mabagal na patak na kumakalat sa loob ng mga buwan, ang ilang mga account ay tahimik na nawawala pagkatapos ng isang hindi na-renew na account, ang iba ay nananatili nang maraming taon bago tuluyang umalis. Ang survival analysis ay ang sangay ng mga istatistika na ginawa para sa datos na eksaktong hugis nito. Sa klinikal na pananaliksik, ang kaganapang pinag-iisipan ay kamatayan o pagbabalik sa dati; sa isang subscription business ito ay pagkansela. Alinman sa dalawa, sa araw na makuha ang datos, maraming pasyente ang buhay pa at maraming account ang aktibo pa, at ang pagtatapon ng impormasyong iyon ay masasayang ang halos lahat ng dataset. Ang susunod ay gumagana sa pamamagitan ng makinarya ng Kaplan-Meier at Cox proportional-hazards na inaasahan ng mga oncology trial, pagkatapos ay ipinapakita, kasama ang isang ganap na maaaring kopyahin na halimbawa at mga peer-reviewed na mapagkukunan sa parehong klinikal at komersyal na panig, kung paano minamodelo ng parehong matematika ang customer churn.

Dalawang bagay ang nagpapaiba sa artikulong ito mula sa karamihan ng mga nagpapaliwanag tungkol sa business-analytics. Ang bawat klinikal na sitasyon sa ibaba ay naka-link sa isang tunay at naka-index na papel, at ang sentral na halimbawang ginawa ay hindi isang hipotetikal na case study na nakadamit bilang isang totoong kumpanya, kundi isang survival curve at isang Cox model na akma sa isang tunay na 228-pasyenteng oncology dataset na ipinapadala sa loob ng karaniwang R statistics environment, na sinusuportahan ng pangalawang, malinaw na may label na ilustratibong talahanayan na nagpapakita kung paano naaangkop ang magkaparehong aritmetika sa walong hipotetikal na subscriber account.

Key Takeaways

• Tinatantya ng pagsusuri sa kaligtasan (tinatawag ding pagsusuri sa oras-sa-pangyayari) ang posibilidad na ang isang pasyente, subscriber, o account ay hindi pa nakaranas ng isang tinukoy na kaganapan sa isang takdang oras, at ito ay ginawa upang gumamit ng mga "sensored" na talaan, ibig sabihin ay mga aktibo pa ring account, sa halip na itapon ang mga ito.
• Ang Kaplan-Meier estimator, na inilathala nina Edward Kaplan at Paul Meier noong 1958, ay binanggit nang mahigit 70,000 beses at lumilikha ng kurba na hugis-hakbang na siyang pinagbabatayan ng karamihan sa mga survival plot.
• Ang modelo ng Cox proportional-hazards, na ipinakilala ni David Cox noong 1972, ay sumusukat kung paano binabago ng mga salik tulad ng uri ng kontrata, dalas ng paggamit, o dami ng support-ticket ang panganib ng churn kumpara sa isang reference group.
• Ang mga mananaliksik ng Ghent University na sina Dirk Van den Poel at Bart Larivière ay kabilang sa mga unang naglapat ng mga proportional-hazard survival model nang direkta sa datos ng customer attrition sa isang peer-reviewed operations-research journal, at isang kaugnay na pag-aaral noong 2007 ang naglapat ng parehong balangkas sa isang pay-TV subscription operator.
• Ang log-rank test, na inilarawan para sa isang klinikal na madla nina Bland at Altman sa isang malawakang ginamit na papel ng BMJ noong 2004, ay ang karaniwang paraan upang suriin kung ang dalawang kurba ng Kaplan-Meier, halimbawa ang mga subscriber na may buwanang kontrata kumpara sa mga subscriber na may taunang kontrata, ay nagkakaiba nang higit sa pagkakataon.

Ano ang Survival Analysis, at Bakit Ito Naaangkop sa Customer Churn?

Pinag-aaralan ng survival analysis ang oras hanggang sa maganap ang isang tinukoy na kaganapan, at ito ay binuo upang malutas ang isang problemang hindi mahusay na nahawakan ng ordinaryong regresyon, ang realidad ng hindi kumpletong follow-up. Natatapos ang isang klinikal na pagsubok bago mamatay ang bawat pasyente; kinukuha ang isang dataset ng subscription bago pa man makansela ang bawat customer. Tinatawag ng mga istatistika ang isang hindi natapos na obserbasyon na "right-censored," ibig sabihin ay hindi pa nangyari ang kaganapan para sa taong iyon o account sa huling pagkakataon na sila ay naobserbahan, hindi sa nawawala o mali ang data point.

Ang pagtrato sa isang subscriber na may censor na parang hindi na sila kailanman mag-churn, o ang pag-alis sa kanila nang buo mula sa dataset, ay parehong nagdudulot ng bias. Ang mga mananaliksik sa klinikal na literatura sa pananaliksik ay nagpasya sa mga paraan ng survival dahil ginagamit nila araw-araw ang kontribusyon ng isang pasyente o customer, censored man o hindi, sa halip na ang mga resulta lamang na naobserbahan sa cutoff date. Ang parehong lohika, na pumipigil sa isang limang-taong pagsubok sa kanser na maliitin ang survival, ay pumipigil sa isang churn model na labis na tantiyahin kung gaano katapat ang hitsura ng isang karaniwang subscriber. Para sa mas malalim na pagtalakay sa disiplina na itinuturo sa epidemiology , ang mga pinagbabatayang palagay ay halos hindi nagbabago sa isang komersyal na setting ng subscription.

Ang mga Pundasyon: Tungkulin ng Kaligtasan, Tungkulin ng Panganib, at Pagsensura

Dalawang tungkulin ang gumagawa ng halos lahat ng trabaho sa pagsusuri ng kaligtasan. Kapag isinulat ang S(t), ang tungkuling kaligtasan ay nagbibigay ng probabilidad na ang pangyayari ay hindi pa naganap pagdating ng oras na t, simula sa 1.0 (lahat ay walang pangyayari sa oras na zero) at bumababa patungo sa zero habang naiipon ang mga pangyayari. Kapag isinulat ang h(t), ang tungkuling panganib ay nagbibigay ng agarang panganib ng pangyayari sa oras na t, dahil ang paksa ay nakaligtas hanggang sa puntong iyon. Ang tumataas na tungkuling panganib para sa isang pangkat ng customer ay nangangahulugan na ang panganib ng pagkansela ay nagpapabilis habang mas matagal na nananatili ang mga tao, ang kabaligtaran ng inaakala ng karamihan sa mga negosyo ng subscription.

Ang right-censoring, kung saan ang kaganapan ay hindi pa nangyayari sa pagtatapos ng observation window, ay ang uri ng patuloy na nakakasalamuha ng mga analyst gamit ang churn data, dahil ang bawat account na nagbabayad pa rin sa araw na kinuha ang dataset ay nire-right-censor ayon sa kahulugan. Ang left-censoring at interval-censoring ay mas bihirang lumilitaw sa data ng subscription ngunit mahalaga sa klinikal na gawain, halimbawa kapag ang petsa ng diagnosis ay alam lamang na nangyari ilang oras bago ang pagpapatala. Ang pagkuha ng tamang censoring indicator, isang column na nagmamarka kung ang bawat row ay natapos sa isang aktwal na kaganapan o sa observation cutoff, ang pinakakaraniwang pinagmumulan ng error kapag binubuo ng isang business analyst ang kanilang unang survival model.

Ang Kaplan-Meier Estimator, na Nagtatala ng Kung Gaano Katagal Nanatili ang mga Kustomer

Ipinakilala nina Edward Kaplan at Paul Meier ang estimator na tinatawag nila sa isang papel noong 1958 sa Journal of the American Statistical Association na pinamagatang "Nonparametric Estimation from Incomplete Observations," na ngayon ay binanggit nang mahigit 70,000 beses, kaya isa ito sa mga papel na may pinakamaraming reperensya sa kasaysayan ng mga inilapat na istatistika. Minsan ay tinatawag na product-limit estimator, muling kinakalkula ng pamamaraan ang probabilidad ng kaligtasan sa bawat puntong naganap ang isang kaganapan sa pamamagitan ng pagpaparami ng running probability sa bahagi ng grupong nasa panganib pa rin na nakaligtas sa hakbang na iyon. Iniiwan ng mga censored observation ang risk set nang hindi hinihila pababa ang curve, kaya naman tama ang paghawak ng pamamaraan sa hindi kumpletong data ng subscription sa halip na tahimik na parusahan ang mga account na wala pang oras para mag-churn.

Ang isang Kaplan-Meier plot para sa isang subscriber base ay mukhang isang pababang hagdanan sa halip na isang makinis na kurba, at ang bawat hakbang ay nagmamarka ng isang punto kung saan hindi bababa sa isang account ang nakansela. Ang malawakang ginagamit na praktikal na gabay nina Rich at mga kasamahan noong 2010 , na inilathala sa Otolaryngology-Head and Neck Surgery, ay tinatalakay nang eksakto ang ganitong uri ng sunud-sunod na pagbasa ng kurba, kabilang ang kung paano matukoy ang median survival time (ang punto kung saan tumatawid ang kurba sa 0.50) at kung paano kumakatawan ang mga tick mark sa isang patag na segment sa mga censored subject sa halip na isang paghinto sa panganib. Kung ilalapat sa isang subscription cohort, ang parehong kasanayan sa pagbasa ay direktang isinasalin. Kung saan matarik ang kurba, ang churn ay puro, at kung saan ito patag, ang mga nakaligtas na account ay naayos na sa isang matatag at mababang panganib na pattern. Ang pagtatantya nina Kaplan-Meier, gaya ng inilapat sa pananaliksik sa oncology , ay gumagamit ng magkaparehong matematika, ngunit ang "kamatayan" ay muling tinatakan bilang "pagkansela."

Paghahambing ng mga Grupo gamit ang Log-Rank Test

Ang pagbalangkas ng dalawang kurba ng Kaplan-Meier nang magkatabi, halimbawa, buwan-buwan na mga subscriber laban sa mga subscriber na may taunang kontrata, ay nagbabangon ng isang malinaw na tanong. Totoo ba ang nakikitang agwat, o maaari ba itong lumitaw nang hindi sinasadya sa isang sample na ganito kalaki? Direktang sinasagot ng isang log-rank test ang tanong na iyan, na inihahambing ang naobserbahang bilang ng mga kaganapan sa bawat grupo sa bawat punto ng oras laban sa bilang na inaasahan kung ang parehong grupo ay nagbahagi ng iisang pinagbabatayan na kurba ng kaligtasan.

Ang entry nina Martin Bland at Douglas Altman noong 2004 BMJ Statistics Notes sa logrank test ay nananatiling isa sa mga pinaka-madaling ma-access na paliwanag ng pamamaraan para sa isang hindi espesyalistang madla, at nagbibigay ito ng isang punto na mahusay na isinasalin sa churn analysis. Sa halip na ang eksaktong mga oras ng pag-censor mismo, ginagamit lamang ng pagsubok ang ranggo kung kailan nangyari ang mga kaganapan kaugnay ng isa't isa, kaya nananatili ito kahit na ang pinagbabatayan na distribusyon ng kaligtasan ay hindi maayos o simetriko, isang karaniwang sitwasyon sa totoong datos ng subscriber. Ang isang makabuluhang resulta ng log-rank ay nagsasabi sa isang analyst na ang taunang kurba ng kontrata at ang buwanang kurba ay tunay na nagkakaiba; hindi nito mismo ipinapaliwanag kung aling mga partikular na katangian ng customer ang nagtutulak sa agwat na iyon, kung saan namamahala ang modelo ng Cox.

Ang Modelo ng Cox Proportional Hazards at ang mga Nagdudulot ng Churn

Ang papel ni David Cox noong 1972 na "Regression Models and Life-Tables" sa Journal of the Royal Statistical Society, na binanggit nang mahigit 36,000 beses, ay nakalutas sa isang problemang hindi kayang lutasin ng Kaplan-Meier estimator nang mag-isa, na sinusukat ang epekto ng ilang covariate sa time-to-event risk nang sabay-sabay nang hindi kinakailangang tukuyin ang eksaktong hugis ng baseline hazard. Tinatantya ng proportional-hazards model ni Cox ang hazard ratio para sa bawat covariate. Halimbawa, ang hazard ratio na 1.4 para sa "mas mababa sa dalawang login sa unang buwan," ay mangangahulugan na ang pag-uugali ay nauugnay sa 40% na mas mataas na agarang panganib ng pagkansela kaysa sa reference group, na pinapanatili ang iba pang mga covariate na pare-pareho.

Dahil ito ay isang tunay na multivariate na pamamaraan, maaaring paghiwalayin ng isang Cox model ang epekto ng price sensitivity mula sa epekto ng onboarding engagement kahit na ang dalawa ay magkakaugnay sa raw data, isang bagay na hindi kayang gawin nang maaasahan ng isang serye ng mga paghahambing na may isang variable. Ang parehong multivariate na pangangatwiran na ginagamit sa iba pang mga problema sa business-statistics ay direktang naaangkop dito, at ang klinikal na bersyon ng modelo, kabilang ang kung paano sinusuri at iniuulat ang proportional-hazards assumption, ay mas malalim na tinatalakay sa gabay ni Editverse sa Cox model sa pananaliksik sa malalang sakit.

Bakit Gumagana ang Parehong Estadistika na Ginamit sa mga Pagsubok sa Oncology para sa Subscription Churn

Ang isang klinikal na pagsubok at isang negosyo ng subscription ay mas magkaugnay kaysa sa inaakala ng karamihan. Ang isang pasyenteng naka-enroll sa diagnosis ay nagiging isang customer na naka-enroll sa signup; ang pagbabalik o pagkamatay ay nagiging pagkansela; ang pagkawala ng clinical follow-up ay nagiging isang customer na aktibo pa rin noong kinuha ang dataset. Ang bawat pamamaraan na ginawa upang pangasiwaan ang hindi kumpletong follow-up sa pagsubok ng kanser, kabilang ang censoring, hazard ratios, at log-rank test, ay dinisenyo batay sa eksaktong uri ng datos na "hindi pa nangyayari" na nangingibabaw sa mga talaan ng subscriber.

Sinusuportahan ng mga nailathalang pananaliksik ang pagkakatulad na ito, hindi lamang ang intuwisyon. Inilathala nina Dirk Van den Poel at Bart Larivière, kapwa sa Ghent University, ang "Customer Attrition Analysis for Financial Services Using Proportional Hazard Models" sa European Journal of Operational Research noong 2004, isang papel na ngayon ay binanggit nang mahigit 400 beses, na direktang naglalapat ng Cox framework sa customer attrition kaysa sa mga resulta ng sakit. Pagkalipas ng tatlong taon, inilathala nina Jonathan Burez at Van den Poel ang "CRM at a Pay-TV Company" sa Expert Systems with Applications, na binanggit nang mahigit 230 beses, na gumamit ng hazard-based analytical models upang mabawasan ang subscriber attrition sa isang subscription television operator sa pamamagitan ng targeted retention marketing. Ang parehong papel ay lumabas sa mga peer-reviewed operations-research at applied-analytics journals sa halip na mga marketing blog, at parehong gumamit ng magkaparehong Kaplan-Meier at Cox machinery na inilarawan sa itaas, na may nakasulat na "subscriber" kung saan ang isang clinical paper ay magsusulat ng "patient." Matutuklasan ng mga mambabasang interesado kung paano ito maihahambing sa mga mas bagong pamamaraan ng machine learning sa business intelligence na karamihan sa mga churn-prediction pipeline na binuo gamit ang gradient boosting o neural network ay hinihiram pa rin ang censoring logic mula mismo sa survival analysis, dahil ang pinagbabatayang problema sa datos, ang hindi kumpletong obserbasyon ng isang pangyayari sa hinaharap, ay hindi kailanman nawawala.

Isang Ganap na Nagagawang Halimbawa: Pagsusuri ng Kaligtasan sa Real Time-to-Event Data

Sa halip na ilarawan ang mga churn number ng isang kathang-isip na kumpanya, iniuulat ng talahanayan sa ibaba ang aktwal na output ng isang Kaplan-Meier fit at isang Cox proportional-hazards model na ginagamit laban sa isang tunay at pampublikong dokumentadong dataset, ang NCCTG lung cancer dataset na kasama ng R survival pakete. Ang mga datos na iyon ay nagmumula sa isang Pag-aaral sa Journal of Clinical Oncology noong 1994 nina Loprinzi at mga kasamahan sa North Central Cancer Treatment Group, na sumubok kung ang mga talatanungan na sinagutan ng pasyente ay nagdagdag ng impormasyong prognostiko na higit pa sa naitala ng isang manggagamot.

Ang bawat pigura sa talahanayan na iyon ay tumutugma sa interpretasyon ng churn nang hindi binabago ang matematika. Ang hazard ratio na mas mababa sa 1.0, tulad ng 0.575 na ipinapakita para sa kasarian sa dataset na ito, ay nangangahulugan na ang grupo ay nahaharap sa mas mababang panganib kaysa sa reference group sa bawat punto ng oras; sa isang churn model, ang hazard ratio na 0.575 sa "naka-enroll sa pamamagitan ng isang partner referral" ay nangangahulugan na ang mga na-refer na customer ay nagkakansela sa humigit-kumulang 43% na mas mababang panganib kaysa sa mga customer na nakuha sa pamamagitan ng paid search, lahat ng iba pa ay pantay. Ang hazard ratio na higit sa 1.0, tulad ng 1.590 na ipinapakita para sa ECOG performance status dito, ay nangangahulugan na ang covariate ay nagpapataas ng panganib; ang parehong pattern ay lilitaw sa isang churn model bilang isang covariate tulad ng "nagbukas ng mas kaunti sa isang support ticket sa unang buwan" na nagpapataas ng panganib sa pagkansela, dahil ang mga hindi nakikipag-ugnayang customer na hindi man lang humingi ng tulong ay kadalasang ang mga tahimik na patungo sa labasan.

Paglalapat ng Survival Analysis sa isang Customer Churn Cohort: Isang Ilustratibong Walkthrough

Upang ipakita kung paano gumagana ang magkaparehong aritmetikang Kaplan-Meier sa datos ng subscription, tinatalakay ng talahanayan sa ibaba ang walong hipotetikal na account ng subscriber. Ang bawat numero rito ay naglalarawan, ginawa para sa paliwanag na ito sa halip na kinuha mula sa mga talaan ng anumang kumpanya, na nilalayong ipakita ang kalkulasyon sa halip na kumatawan sa isang benchmark na churn rate.

Ang manu-manong pagkalkula ng product-limit ay nagpapakita kung ano mismo ang ginagawa ng software sa loob ng kumpanya. Sa ikatlong buwan, lahat ng 8 account ay nasa panganib at isa ang nagkakansela, na nagbibigay ng surviving estimate na 7/8, o 0.875. Sa ikalimang buwan, 7 account ang nananatiling nasa panganib at isa pa ang nagkakansela, kaya ang running estimate ay magiging 0.875 na pinarami ng 6/7, o 0.75. Ang Account C ay nag-iiwan ng risk na nakatakda sa ika-6 na buwan sa pamamagitan ng censoring, hindi ng cancellation, kaya hindi bumababa ang curve; dinadala lamang nito ang 0.75 pasulong. Sa ikawalong buwan, 5 account ang nananatiling nasa panganib at isa ang nagkakansela, na bumababa ang estimate sa 0.75 na pinarami ng 4/5, o 0.60. Pagkatapos mag-censor ang Account E sa ikasiyam na buwan, tanging ang mga Account F, G, at H lamang ang nananatiling nasa panganib, at kapag ang F ay nagkansela sa ika-11 buwan, ang estimate ay bababa sa 0.60 na pinarami ng 2/3, o 0.40. Dahil ang kurba ay tumatawid sa 0.50 na marka sa pagitan ng ika-8 at ika-11 buwan, ang median na oras sa pagkansela sa maliit na naglalarawang cohort na ito ay 11 buwan, katulad ng paraan ng pagbabasa ng median na oras ng kaligtasan mula sa isang klinikal na plot ng Kaplan-Meier. Dapat makita ng mga analyst na lumilipat mula sa mga spreadsheet patungo sa isang statistical package para sa ganitong uri ng build ang praktikal at sunud-sunod na gabay sa paghahanda ng data na isinulat para sa mga dataset na format ng kaligtasan , dahil ang wastong pagkakaayos ng mga column ng oras at katayuan sa antas ng account ang siyang dahilan kung bakit posible ang pagkalkulang ito.

Halaga ng Customer sa Habambuhay: Pag-uugnay ng mga Kurba ng Kaligtasan sa Kita

Ang lifetime value ng customer, sa matematika, ay ang lawak sa ilalim ng isang survival curve na pinarami ng margin bawat panahon. Ang pagsasama-sama ng S(t) sa bawat hinaharap na panahon at pagpaparami nito sa kita na kinita mula sa isang aktibong customer sa bawat panahon ay nagbibigay ng inaasahang lifetime value na hindi nangangailangan ng pag-aakalang ang lahat ng customer ay kumikilos nang magkakapareho, dahil ang survival curve ay nagpapakita na ng katotohanan na ang ilang mga account ay maagang nag-churn at ang iba ay nagpapatuloy nang maraming taon.

Isang pinasimpleng bersyon ng pormulang iyon ang palaging lumalabas sa mga dashboard ng retention team. Kapag ang buwanang panganib ng pagkansela ay halos pare-pareho sa paglipas ng panahon, ang inaasahang halaga ng buhay ng customer ay tinatayang buwanang margin na hinati sa buwanang hazard rate. Bilang purong aritmetika, hindi isang inaangkin na istatistika, limampung dolyar ng buwanang margin na hinati sa 0.05 buwanang hazard ay katumbas ng isang libong dolyar na inaasahang halaga ng buhay; kung ipagpapalit ang sariling margin ng isang negosyo at mga pagtatantya ng hazard, ang parehong pormula ay bubuo ng isang numerong partikular sa negosyo sa halip na isang tuntunin ng industriya. Ang shortcut na constant-hazard na iyon ay nasisira tuwing nagbabago ang hazard kasabay ng tenure, na karaniwan dahil maraming negosyo ng subscription ang nakakakita ng pagtaas ng hazard sa paligid ng petsa ng pag-renew, at iyon mismo ang sitwasyon kung saan ang isang buong modelo ng Cox, sa halip na isang average na churn rate, ang kumikita ng pagpapanatili. Ang mga ordinaryong deskriptibong istatistika ng uri na karamihan sa mga pag-uulat ng market-dynamics ay umaasa sa pagkuha ng average, ngunit ang isang survival model lamang ang kumukuha ng hugis ng panganib sa relasyon ng customer, eksakto kung ano ang kailangan ng isang predictive retention strategy upang mai-time nang tama ang isang interbensyon.

Paghahanda ng Datos para sa isang Modelo ng Kaligtasan ng Churn

Apat na desisyon ang tumutukoy kung ang isang churn survival model ay makakabuo ng mapagkakatiwalaang hazard ratios o mga tahimik na may kinikilingan. Pinakamahalaga ang pagpili ng oras ng pinagmulan, dahil ang petsa ng pag-signup, unang petsa ng pagbabayad, at pagtatapos ng isang libreng pagsubok ay pawang makakabuo ng iba't ibang survival curve mula sa parehong mga raw event, kaya kailangang tumugma ang pinagmulan sa tanong ng negosyo na itinatanong. Mahalaga rin ang pagtukoy sa mismong event; ang isang "kinansela" na flag na gumagana sa petsa ng kahilingan sa halip na sa aktwal na petsa ng pagtatapos ng serbisyo ay sistematikong magbabawas sa tenure.

Kailangang may nakalaang kolum na naglalaman ng censoring indicator, na naka-code nang pare-pareho upang ang bawat aktibo pa ring account ay mamarkahan bilang censored sa petsa ng data-pull sa halip na tahimik na itapon o ituring bilang isang maagang churn. Ang mga covariate na nagbabago sa paglipas ng panahon, tulad ng dalas ng paggamit o bilang ng support-ticket, ay kailangang makuha bilang mga time-varying covariate sa halip na i-freeze sa mga signup value, dahil ang isang customer na labis na gumamit ng produkto sa unang buwan at huminto sa ikaanim na buwan ay mukhang hindi katulad ng isang customer na palaging hindi nakikialam sa kabuuan. Ang gabay na nakabatay sa Stata ng Editverse sa paghahanda ng data ng pasyente para sa pagsusuri ng kaligtasan ay tinatalakay ang parehong hanay ng mga desisyon para sa mga clinical dataset, at ang checklist ay lumilipat sa data ng subscription halos walang pagbabago.

Mga Panganib na Hindi Proporsyonal, Mga Naglalaban na Panganib, at Iba Pang mga Patibong

Ipinapalagay ng mga modelo ng Cox na ang hazard ratio sa pagitan ng dalawang grupo ay nananatiling pare-pareho sa buong panahon ng follow-up, isang palagay na dapat suriin sa halip na paniwalaan. Kapag nabigo ito, halimbawa kung ang mga customer na may taunang kontrata ay nagsisimula sa mas mababang panganib kaysa sa mga customer na buwan-buwan ngunit ang agwat ay lumiliit malapit sa dalawang-taong marka, ang isang pinahabang modelo ng Cox na may mga time-interacted covariate o isang stratified Cox model, na nagpapahintulot sa isang iba't ibang baseline hazard bawat stratum habang pinapanatili ang mga epekto ng covariate na ibinahagi, sa pangkalahatan ay inaayos ang problema nang hindi lubusang iniiwan ang balangkas.

Ang mga nagkokompetensyang panganib ay nagdudulot ng hiwalay na komplikasyon. Maaaring mawala ang isang account dahil sa isang direktang pagkansela, o maaari itong mawala dahil nakuha ang kumpanya, itinigil ang linya ng produkto, o nagsara ang negosyo mismo ng customer. Ang pagtrato sa bawat isa sa mga paglabas na iyon bilang isang ordinaryong kaganapan ng churn ay nagpapalabis sa panganib na maiuugnay sa presyo o kawalang-kasiyahan ng produkto. Ipinapakita ng 2016 Circulation paper nina Austin, Lee, at Fine tungkol sa mga nagkokompetensyang panganib , sa isang cardiovascular setting, na ang walang-muwang na pagtrato sa isang nagkokompetensyang kaganapan bilang isang ordinaryong kaganapan ng pagsensura ay nagpapaitaas sa cumulative incidence estimate, isang natuklasan na direktang nagpapatuloy sa churn data na may maraming natatanging dahilan ng paglabas. Ang isang balangkas ng nagkokompetensyang panganib, na mas malalim na tinalakay sa ibang lugar sa site na ito , kasama ang kaugnay na multistate modeling approach para sa pagsubaybay sa mga account sa pamamagitan ng ilang natatanging estado , ay nagbibigay sa isang business analyst ng isang paraan upang paghiwalayin ang "pinili na umalis" mula sa "lumipat para sa isang dahilan sa labas ng produkto."

Mula Modelo Tungo sa Istratehiya sa Pagpapanatili: Pagkilos Batay sa mga Ratio ng Panganib

Kumikita ang halaga ng isang Cox model sa sandaling maisalin ang mga hazard ratio nito sa isang targeting rule. Kung ang disengagement sa unang tatlumpung araw ay may hazard ratio na 2.0, ang isang retention team ay may konkreto at nasusukat na dahilan para mag-trigger ng onboarding outreach partikular sa loob ng panahong iyon sa halip na pantay na ipamahagi ang isang fixed retention budget sa buong customer base. Dahil ang hazard function, hindi lamang ang average churn rate, ay makukuha mula sa modelo, mahalaga ang timing gaya ng targeting, dahil ang isang interbensyon na nakatakdang dumating bago ang isang hazard spike, tulad ng mga araw na nakapalibot sa isang taunang petsa ng pag-renew, ay mas mahusay kaysa sa parehong mensaheng ipinadala sa isang random na punto sa relasyon.

Ang pag-segment ng mga customer ayon sa hinulaang panganib sa halip na sa pamamagitan ng mga simpleng demographic bucket ay nagbibigay-daan din sa isang team na itigil ang karaniwan ngunit magastos na ugali ng pag-aalok ng parehong diskwento sa lahat ng maaaring nasa panganib. Ang isang mas malawak na toolkit ng predictive-analytics na binuo sa paligid ng pagpapanatili ng customer ay nagpapalawak ng parehong ideya na ito gamit ang machine learning scoring na nakapatong sa ibabaw ng survival framework, bagama't ang hazard ratio mula sa isang mahusay na tinukoy na Cox model ay nananatiling pinaka-mabibigyang-kahulugan na panimulang punto para sa pagpapaliwanag sa isang hindi istatistika kung aling mga pag-uugali ang eksaktong nagtutulak ng mga pagkansela at kung gaano karami.

Konklusyon

Ang pagsusuri sa kaligtasan ay nagbibigay sa isang negosyo ng subscription ng parehong higpit na inaasahan ng mga pagsubok sa oncology sa loob ng mahigit animnapung taon, isang paraan upang magamit ang data ng bawat account, natapos man ito sa pagkansela o aktibo pa rin sa araw na kinuha ang mga numero, nang hindi itinatapon ang impormasyon o pinipilipit ang pagtatantya. Ipinapakita ng mga kurba ng Kaplan-Meier kung paano umuunlad ang pagpapanatili ng isang cohort sa paglipas ng panahon, kinukumpirma ng pagsubok na log-rank kung ang dalawang kurba ay tunay na magkaiba, at tinutukoy ng modelo ng Cox proportional-hazards kung aling mga katangian ng customer ang nagpapabilis o nagpapabagal sa panganib na iyon.

Hindi nangangailangan ng pagtanggap sa salita ng sinuman ang mga ito. Ang isang ginamit na halimbawa sa itaas ay batay sa isang tunay at pampublikong dataset, ang churn bridge ay nakabatay sa mga peer-reviewed operations-research paper sa halip na mga marketing case study, at isang naglalarawang subscriber table ang nagpapakita ng buong aritmetika para masuri ng mambabasa ang bawat hakbang.

Mga sanggunian

• Kaplan EL, Meier P. Hindi parametrikong pagtatantya mula sa mga hindi kumpletong obserbasyon. J Am Stat Assoc. 1958;53(282):457-481. https://doi.org/10.1080/01621459.1958.10501452
• Cox, DR. Mga modelo ng regresyon at mga life-table. JR Stat Soc Series B. 1972;34(2):187-202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
• Rich JT, Neely JG, Paniello RC, Voelker CCJ, Nussenbaum B, Wang EW. Isang praktikal na gabay sa pag-unawa sa mga kurba ng Kaplan-Meier. Otolaryngol Head Neck Surg. 2010;143(3):331-336. https://doi.org/10.1016/j.otohns.2010.05.007
• Bland JM, Altman DG. Ang pagsubok sa logrank. BMJ. 2004; 328 (7447): 1073. https://doi.org/10.1136/bmj.328.7447.1073
• Austin PC, Lee DS, Fine JP. Panimula sa pagsusuri ng datos ng kaligtasan sa presensya ng mga nakikipagkumpitensyang panganib. Sirkulasyon. 2016;133(6):601-609. https://doi.org/10.1161/CIRCULATIONAHA.115.017719
• Loprinzi CL, Laurie JA, Wieand HS, et al. Prospective na pagsusuri ng mga prognostic variable mula sa mga questionnaire na sinagutan ng pasyente. North Central Cancer Treatment Group. J Clin Oncol. 1994;12(3):601-607. https://doi.org/10.1200/JCO.1994.12.3.601
• Van den Poel D, Larivière B. Pagsusuri ng pagkawala ng customer para sa mga serbisyong pinansyal gamit ang mga modelo ng proporsyonal na panganib. Eur J Oper Res. 2004;157(1):196-217. https://doi.org/10.1016/s0377-2217(03)00069-9
• Burez J, Van den Poel D. CRM sa isang kumpanya ng pay-TV: paggamit ng mga analytical model upang mabawasan ang pagkawala ng customer sa pamamagitan ng naka-target na marketing para sa mga serbisyo ng subscription. Aplikasyon ng Sistema ng Eksperto. 2007;32(2):277-288. https://doi.org/10.1016/j.eswa.2005.11.037