Deegloo, zagrebačka softverska agencija već poznata javnosti po višegodišnjem radu s američkim agritech divovima Ever.ag te brendu Digital Poirots specijaliziranom za podatkovnu znanost je objavio novi portfelj usluga baziranih na korisničkim podacima.
Objedinili su iskustvo rada s velikim količinama podataka te rada na prediktivnoj analitici u financijskom sektoru kako bi razvili ponudu usluga za poboljšanje profitabilnosti kroz obradu podataka korisnika.
Ivan Lozić, CEO Deeglooa te idejni začetnik nove poslovne vertikale objasnio je njihov novi poslovni model.
“Kroz godine smo skupili dosta iskustva i znanja primarno u obradi raznih tipova podataka i primijetili učestali trend. Korporacije skupljaju ogromne količine podataka od korisnika, ali ne koriste njihov potencijal. Primaran problem s kojim se susreću je nemogućnost smislene konsolidacije podataka iz legacy sustava, a zatim dolazi i nedostatak inovativnosti oko načina korištenja podataka. Tvrtke koje se ponose donošenjem odluka s pomoću podataka se odjednom nalaze u situaciji u kojoj im prevelika količina podataka onemogućuje odlučivanje.
Deegloo ovdje ulazi u dvostrukoj ulozi. Imamo tehničko znanje i kapacitet obraditi i konsolidirati zaista raznolike baze podataka te domensko znanje u pronalasku optimalnih procesa koji direktno utječu na profitabilnost tvrtke. Tu obično govorimo o analizi churna, odnosno odljeva korisnika, automatskoj segmentaciji korisnika za pronalazak potencijala proširenja usluga te optimizaciji komunikacijskih kanala.”
Kako smanjiti odljev korisnika
Customer churn, odnosno odljev korisnika se definira kao metrika koja pokazuje broj korisnika ili kupaca koje tvrtka gubi. Visoka stopa odljeva korisnika automatski znači manji profit za tvrtku, a u nekim slučajevima i dolazak do potpune neisplativosti. U prosjeku, cijena akvizicije korisnika je više puta veća nego trošak retencije. Znači, pravovremenim ulaganjem u retenciju si tvrtke mogu osigurati povoljniji i održiv rast.
Dok svaka tvrtka aktivno radi na smanjenju odljeva korisnika prateći signale netom prije korisnikovog zahtjeva za raskid, kao što su učestali pozivi službi za korisnike, Deegloo dolazi s drugačijim rješenjem.
Obrada velike količine podataka omogućuje pristup rješavanju problema aktivacijom kroz cjelokupno korisničko putovanje. Kriva je predodžba da se raskid usluge zbog tehničkog problema ili eksternih okolnosti poput bolje ponude konkurenta ne može izbjeći. Praćenjem cjelokupnog korisnikovog iskustva, moguće je odrediti čimbenike koji utječu na raskid koji su potencijalno kontraintuitivni. Kao primjer, možemo dati iskustvo same instalacije usluge. S ugovornim obavezama od dvije godine, česta je percepcija kako iskustvo instalacije usluge ne utječe na odluku koja se donosi godinama kasnije. Nekada je ipak za smanjenje churna baš taj korak ključan. Koristeći strojno učenje i uvodeći principe kauzalnosti u naše podatkovne modele, određujemo gdje se zapravo nalazi najveći potencijal za smanjenje churna i tako povećavamo i zadovoljstvo korisnika i profite tvrtki s kojima radimo, a istovremeno i olakšavamo našim klijentima donošenje poslovnih odluka koje zaista utječu na poslovanje.
Kauzalnost u centru poslovnih odluka
Na ovogodišnjem .debugu, Ivo Karamatić će predstaviti principe kauzalnosti u strojnom učenju na temelju kojih Deegloo razvija tretmane za smanjenje odljeva korisnika, ili pak povećanje prosječne vrijednosti korisnika.
Uvođenjem kauzalnosti, tvrtke više ne dobivaju samo korelacijske odnose i statistike za donošenje poslovnih odluka, već i vjerojatnosti uspjeha pojedinih kampanja ili akcija za zadržavanje korisnika.
O tome, a i više, saznajte na .debug konferenciji na predavanju “Bermudski trokut kauzalnosti: Mjesto gdje strojno učenje gubi kompas”.
