预测用户流失模型的3大方式如何预测用户流失模型？( 二 ) _用户流失模型

进一步假设流失客户在接触到和接触不到的客户中均匀分布，我们可以计算出券商A根据流失预测模型来采取挽留关怀活动能够成功挽留下来的客户数量为

成功挽留的客户数=总客户数×有效客户比例a×高流失倾向客户比例b×有效客户的平均流失率×模型提升度×接触成功率c×接触到的客户的成功挽留率
d=3000000×40%×5%×1.5%×5×50%×30%=675人

在这种情况下，总体流失率=（30000-675）/3000000=0.9775% ，和不做活动的1%几乎没有什么区别！
从这里我们可以看出，客户流失预测模型并没有给企业带来关于客户流失率方面的多大改变。看到这样的结果，有人不禁要问，那还要不要做流失预测模型呢？这是一个非常现实的问题。
三、明确目的：挽留关怀客户建立流失预测模型的目的是为了减低客户流失率呢，还是为了提高关怀与挽留工作的有效性呢？
如果是单纯为了大幅度降低客户流失率，流失预测模型所起到的效果是相对较少的。原因很简单，流失预测模型其实是一种方法论，它并不能直接带来客户流失率的降低。

打个比方，就好比给病人看病，再先进的医疗设备也只能帮助病人查毛病，而不能帮助病人养好病。

证券行业的流失预测模型，在客户挽留中所起的作用也只能是帮助券商找到流失倾向比较高的客户群，而不能直接导致流失率的下降。这一点要清楚。
纵观证券行业，券商通常认定真正流失的客户是指发生了消资金账户、转托管和撤销指定等行为的客户，但客户流失预测模型的流失定义通常是针对客户资产是否严重缩水。
这样，预测模型不仅包括了上述三种客户，而且还包括了这样的一些客户：由于资产缩水严重而超出自己能够承受的预期损失、被深度套牢而很可能转为睡眠客户。
这些客户虽然看起来仍然还是券商的客户，但已由活跃客户逐渐转为不活跃，不再给券商贡献利润价值。
从证券行业的实际情况来看，发生消资金账户、转托管和撤销指定等行为的客户流失不可避免，而且占一定的比例。但后一种客户，却是可以通过挽留关怀来使客户继续保持活跃，继续为券商贡献利润价值。
所以，客户流失预测模型的目的应该是为了提高挽留关怀工作的有效性，最大限度地让客户保持活跃状态，而不是所谓的大幅度降低客户流失率。
客户保持工作的最佳时机是在其未流失时，所谓防患于未然。
面对日益激烈的市场竞争，大多数企业越来越重视客户保持工作，通过不断地投入来做好客户关怀与挽留工作，最大可能地留住客户。
但它们通常都会面临这样的问题：如何在企业资源紧缺的情况下，提高客户关怀与挽留工作的效率，如何能够在较少的客户接触成本上关怀到更多实际将会流失的客户呢？
这就要借助于基于数据挖掘的客户流失预测模型了。
继续上面的例子，假定券商A每月可以达到的客户接触为6万人次，而且把要接触的对象集中在了高价值客户上。
如果根据由客户流失预测模型给出的高流失倾向的前5%的客户名单开展关怀与挽留工作，刚好120×5%=6万人，这个时候每月可以成功挽留住的客户数为675人。

如果没有模型指导，每月可以成功挽留住的客户数为
总客户数×高价值客户比例a×高流失倾向客户比例b×高价值客户的平均流失率×接触成功率c×接触到的客户的成功挽留率
d =3000000×40%×5%×1.5%×50%×30%= 135人

通过简单的比较就可以发现，基于完全相同的人员投入、完全相同的接触成功率、完全相同的挽留成功率，有模型指导的挽留比没有模型指导的挽留在每月的工作中成功地多挽留了675-135=540个客户。
假设这些成功留住的客户可以继续保持活跃状态的时长为半年（比较保守的估计），有效客户平均贡献佣金每月100元，则每月由于挽留效率的提高可以获得的额外收益将为540×100×6=324000元。
一年下来，年总收益将增加324000×12=3888000元。
这已经是最为保守的估算了，因为据了解，多数客户的月平均佣金贡献高达几百元，甚至几千元。
再进行更为保守的估算，如果在模型指导下选取前5%的高流失倾向客户作为目标客户时，模型的提升度为3 。这样的情况下，每年的收益依然能够增加1944000元，投资回报依然很大！