Abbonamenti · UE

Previsione del churn che ha salvato milioni

Un'azienda europea di abbonamenti perdeva clienti senza preavviso. Incarico: prevedere chi sta per andarsene, spiegare perché e indirizzare la spesa di retention dove rende davvero.

Dati: 1,8 M clienti · 24 mesi Stack: Python · XGBoost · SHAP · dbt Durata: 4 settimane
churn_model · BI
aggiornato oggi
Churn mensile
−34%
dopo azioni di retention
Performance del modello
0.91
AUC
Ricavi trattenuti
€2.4M
annualizzati
ROI delle campagne
5.8×
sulla spesa di retention

Rischio churn per segmento

probabilità media di abbandono

Base clienti per segmento

quota di tutti i clienti

◆ Risultanze
  • Due segmenti — a rischio e dormienti — concentravano quasi tutto il churn.
  • Il segnale più forte era un calo di utilizzo, settimane prima della disdetta.
  • Il budget di retention era distribuito uniformemente invece di andare dove cambia l'esito.
✓ La nostra soluzione
  • Ogni cliente valutato ogni settimana con un motivo di rischio chiaro e spiegabile.
  • Offerte di retention mirate solo per account ad alto rischio e alto valore.
  • Una dashboard per il team per seguire il rischio e misurare ogni campagna.

Hai un progetto simile?

Raccontaci cosa stai costruendo. Rispondiamo entro un giorno lavorativo con un piano chiaro e un preventivo fisso.

Avvia il tuo progetto