Customer segmentation trong ngành viễn thông (P.1)

Bigdatauni.com Follow Fanpage Contact

Tiếp tục với chuỗi bài viết về ứng dụng Data mining trong quản lý CRM, task đầu tiên tìm hiểu và Customer segmentation, phân khúc khách hàng, chúng ta vừa kết thúc 2 bài viết cùng chủ đề về lĩnh vực Retail, bán lẻ. Bài viết tiếp theo, BigDataUni và các bạn sẽ cùng nhau khám phá cách thức phân khúc khách hàng sử dụng dịch vụ của công ty hoạt động trong ngành viễn thông. Đây là topic có thể mới lạ đối với các bạn trước giờ theo dõi các bài viết của BigDataUni thì trường tập trung vào lĩnh vực kinh doanh, bán lẻ, tài chính, dữ liệu hành vi khách hàng thường xoay quanh tần suất giao dịch, tương tác, thời điểm giao dịch, nhưng lần này là dữ liệu viễn thông, dữ liệu sử dụng dịch vụ mạng điện thoại tập trung vào hành vi như nghe, gọi, nhắn tin, internet,…Vậy Customer segmentation trong ngành viễn thông là như thế nào? Mời các bạn theo dõi bài viết dưới đây. Bài viết phần 1 sẽ trình bày về bối cảnh, loại dữ liệu ngành viễn thông, và tìm hiểu qua ví dụ phân tích, khám phá các biến dữ liệu, sử dụng biểu đồ trực quan.

Dành cho các bạn chưa tham khảo bài viết trước:

Ứng dụng của Data mining trong quản lý CRM

Ứng dụng phân tích dữ liệu trong phân khúc khách hàng (P.1)

Ứng dụng phân tích dữ liệu trong phân khúc khách hàng (P.2)

Customer segmentation trong ngành bán lẻ (P.1)

Customer segmentation trong ngành bán lẻ (P.2)

Bối cảnh

Nhiều bạn sẽ thường nghĩ rằng Data mining hay Data analytics sẽ áp dụng đầu tiên vào các lĩnh vực kinh doanh hàng hóa, tài chính thông thường mà thôi, nhưng thực chất hay nói chính xác ngành viễn thông – telecommnunications, là một trong những ngành đầu tiên ứng dụng phân tích dữ liệu trong tìm hiểu hành vi nhu cầu của khách hàng. Lý do đơn giản là các công ty viễn thông hàng ngày thu thập, lưu trữ khối lượng lớn dữ liệu về hành vi khách hàng sử dụng các dịch vụ của mình, tạo nên cơ sở dữ liệu lớn, là hình mẫu của dữ liệu Big data. Chúng là nguồn tài sản vô cùng giá trị để khai thác để tìm ra các “insights” về khách hàng với nhiều mục đích khác nhau mà trong đó chính và chủ yếu nhất, quan trọng nhất là giành được lợi thế cạnh tranh trước các đối thủ cùng ngành, thông qua sự thấu hiểu và đáp ứng một cách nhanh nhất những mong muốn của khách hàng.

Nguồn hình: articulatetc.com

Thời đại công nghệ phát triển, khách hàng dần trở nên khó đoán, có những yêu cầu phức tạp hơn, cao hơn không chỉ riêng các sản phẩm họ giao dịch thường ngày mà còn là các dịch vụ tiện ích không thể thiếu như dịch vụ viễn thông, mạng internet. May mắn thay, không giống với các ngành công nghiệp khác, lĩnh vực kinh doanh khác khi dữ liệu thu thập về hành vi của khách hàng dường như không bao giờ đủ, không đáp ứng yêu cầu phân tích, thì trong ngành viễn thông, công ty có thể biết được khách hàng sử dụng dịch vụ của mình như thế nào, nhu cầu thực sự của họ là gì. Tuy nhiên, để tìm ra câu trả lời trong thời gian ngắn, thì các công ty cần đến Data mining.

Data mining chỉ là công cụ, và nó không thể mang lại hiệu quả nếu công ty viễn thông không xác định cho mình mục đích tại sao sử dụng nó. Cái ở đây chúng tôi muốn nói đến là customer segmentation. Mục đích sau cùng của việc tìm hiểu khách hàng đó là giới thiệu các sản phẩm, dịch vụ phù hợp với nhu cầu, đặc điểm của khách hàng, tìm ra những khách hàng tiềm năng nhất để duy trì, phát triển giá trị họ mang lại, cơ hội mở rộng kinh doanh, tăng trưởng lợi nhuận bền vững. Nếu các bạn có xem các bài viết của chúng tôi, thì biết được đây chính là lợi ích của việc phân khúc khách hàng, customer segmentation.

Thấu hiểu, thỏa mãn các mong muốn thầm kín của khách hàng với các dịch vụ hiện tại, thu hút khách hàng đăng ký càng nhiều các dịch vụ khác nhau chính là “top goals” của bất kỳ công ty viễn thông nào. Chúng được hình thành bởi chính lợi thế cạnh tranh mà chính công ty xây dựng được.

Không sai khi cho rằng ngành viễn thông cũng là một trong những ngành cạnh tranh khốc liệt nhất từ trước đến giờ, và mức độ khốc liệt tỷ lệ thuận với chính sự phát triển, sự thay đổi chóng mặt của công nghệ kỹ thuật. Các công ty viễn thông thường có hàng tá các dịch vụ khác nhau từ nghe gọi, nhắn tin, internet đến nhiều tiện ích khác nữa cho khách hàng. Hay nói cách khác khách hàng ngày càng thông minh hơn, họ có nhiều sự lựa chọn dành cho mình, và sẵn sàng rời bỏ dịch vụ của công ty này để sang công ty khác trong khoảng thời gian ngắn.

Thách thức các công ty đối mặt ban đầu không chỉ là làm cách nào để khai thác dữ liệu Big data nhanh chóng, tối ưu mà còn tìm ra giải pháp thu hút khách hàng mới, và giữ chân được khách hàng cũ. Trong khi thu hút khách hàng mới – hay còn gọi Customer acquisition, đang ngày càng khó hơn, các công ty thường chuyển sang tập trung đầu tư để giữ chân và mở rộng “vùng giá trị” mà những khách hàng cũ sẽ đem lại. Để làm được điều này công ty phải ứng dụng Data mining vào phân khúc khách hàng một cách tốt nhất.

Để khách hàng cũ luôn thỏa mãn mọi lúc, luôn mang lại giá trị, thì các công ty viễn thông, nhắc lại lần nữa, phải tập trung phải “am hiểu tường tận” từ nhu cầu, mong muốn, hành vi cho đến sở thích của khách hàng. Những thông tin có được từ việc phân khúc, tự động sẽ thúc đẩy quá trình sales, marketing tối ưu hơn, cá nhân hóa hơn, nhắm mục tiêu chính xác hơn.

Ngày nay, khách hàng có thể tham gia rất nhiều dịch vụ được cung cấp bởi một công ty viễn thông, không còn là dịch vụ gọi điện, nhắn tin đơn thuần đã có từ rất lâu. Điện thoại thông minh ngày nay có nhiều tính năng vượt trên cả sự mong đợi. Mọi người có thể giao tiếp qua tin nhắn SMS và MMS. Họ có thể sử dụng điện thoại để kết nối Internet, gửi e-mail, tải trò chơi và nhạc chuông, cũng như để liên lạc với bạn bè và gia đình khi họ đi du lịch nước ngoài. Mỗi người có cái nhìn khác nhau về điện thoại di động. Một số khách hàng chỉ sử dụng chúng trong những trường hợp cần thiết và chủ yếu để nhận cuộc gọi đến. Những người khác thì nghiện và không thể sống thiếu chúng. Một số coi chúng như các thiết bị chơi game, trong khi đối với những người khác, chúng là một công cụ cho công việc.

Chính vì thế, việc tìm hiểu khách hàng về tổng quan là chiến lược hoạt động của các công ty ngành viễn thông. Sự chậm trễ trong phân tích dữ liệu hành vi sẽ dẫn đến sự chậm trễ trong việc đưa ra các chiến thuật bán hàng, marketing phù hợp và sau cùng là sự suy giảm về mặt lợi nhuận.

Mục đích của phân khúc khách hàng trong ngành viễn thông, cũng giống như mục đích của phân khúc khách hàng nói chung hay trong những ngành khác:

• Cải thiện các hoạt động sales, marketing tối ưu nhắm mục tiêu tốt hơn trong đó mỗi phân khúc khách hàng sẽ được giới thiệu các sản phẩm, dịch vụ phù hợp với nhu cầu, sở thích, thói quen hành vi, và các đặc điểm cá nhân khác
• Khám phá các nhu cầu đặc biệt của các khách hàng làm cơ sở để khám phá các cơ hội kinh doanh mới trong đó tập trung phát triển các dịch vụ mới, để phục vụ đa dạng nhiều phân khúc khác nhau, cơ hội để gia tăng lợi nhuận, với việc cố gắng cá nhân hóa cho từng khách hàng và tiến đến cá nhân hóa cho “cả phân khúc”.
• Tạo nên những chiến lược tổng thể cho đến các chiến thuật, kế hoạch chi tiết để giữ chân khách hàng cũ, thu hút khách hàng mới, xây dựng nguồn khách hàng cho quá trình phát  triển bền vững

Những dữ liệu nào về khách hàng các công ty ngành viễn thông thu thập

Như đã nói ở trên, một công ty viễn thông có đa dạng nhiều loại dịch vụ khác nhau, và khách hàng có thể đăng ký nhiều hơn một dịch vụ. Vì thế dữ liệu mô tả về một khách hàng có thể có nhiều thuộc tính khác nhau khi ở mỗi dịch vụ khách hàng sẽ có các hành vi riêng biệt. Đây cũng là thách thức ban đầu khi mỗi công ty phải xây dựng cơ sở dữ liệu lớn mà ở đó đảm bảo dữ liệu khách hàng được thu thập đầy đủ từ nhiều nguồn khác nhau, và mô tả khách hàng ở mọi góc độ thông tin, được xử lý, quản lý sao cho đạt chất lượng tốt nhất để sẵn sàng được đưa vào phân tích.

Dữ liệu người dùng xét riêng do dịch vụ Call, gọi/ nhận cuộc gọi được lưu trữ trong Call Detail Records (hay còn gọi CDRs), chứa dữ liệu hành vi của người dùng ở tất cả loại dịch vụ liên quan đến gọi/ nhận cuộc gọi.

Ngoài ra đối với các dịch vụ khác như gửi tin nhắn SMS, MMS (tin nhắn đa phương tiện), tin nhắn giọng nói, các dịch vụ internet,… cũng được thu thập, lưu trữ, kết hợp với dữ liệu thời gian theo dõi hành vi ví dụ thời gian gọi điện chủ yếu là vào lúc nào trong ngày, vào ngày nào trong tuần,…Nói chung tài sản dữ liệu, thông tin đầu vào cho quá trình phân khúc là rất nhiều, câu hỏi đặt ra là làm cách nào tận dụng, khai thác chúng một cách tối đa.

Tất cả dữ liệu mô tả khách hàng được lưu trữ vào một file hỗ trợ quá trình phân khúc khách hàng trong marketing gọi là MCIF (Marketing Customer Information File)

Dưới đây là tổng quan các loại dữ liệu mô tả khách hàng trong ngành viễn thông:

+ Thông tin về khách hàng: các thông tin cơ bản về nhân khẩu học nếu có ví dụ ID, số điện thoại, giới tính, nghề nghiệp, độ tuổi, nơi sinh sống.

+ Thông tin về tham gia dịch vụ: ngày khách hàng tham gia các dịch vụ, thời gian kể từ lúc khách hàng tham gia dịch vụ (Tenure), trạng thái dịch vụ, loại khách hàng (khách hàng trả trước, trả sau, hay dạng hợp đồng)

+ Thông tin về sử dụng dịch vụ gọi:

• Dữ liệu cuộc gọi đi, nhận cuộc gọi đến
• Dữ liệu cuộc gọi nội địa, quốc tế, chuyển vùng quốc tế
• Dữ liệu mạng: liên mạng, nội mạng, ngoại mạng
• Dữ liệu thời điểm gọi: vào ngày làm việc, ngày nghỉ, giờ cao điểm,…
• Dữ liệu thời lượng cuộc gọi đến, cuộc gọi đi

+ Thông tin về sử dụng các dịch vụ khác như SMS, MMS, GPRS, Internet, Voice (tin nhắn thoại),…

+ Thông tin về quan hệ cộng đồng (Community): tổng số điện thoại khách hàng gọi đi, tổng số điện thoại khách hàng nhận cuộc gọi, phân theo nội mạng, ngoại mạng,…

+ Thông tin về Top-up (khách hàng trả trước): tần suất trả trước, lần gần nhất trả trước, tổng số tiền đã trả, loại Top-up

+ Thông tin về thanh toán: lịch sử thanh toán, hình thức thanh toán, số ngày trung bình tính đến ngày thanh toán,…

+ Thông tin về giá trị kinh doanh:lợi nhuận, chi phí cho một khách hàng hoặc dùng chỉ số thông dụng ARPU – Average Revenue Per Unit (doanh thu mỗi khách hàng mang lại), MARPU – Marginal Average Revenue Per Unit (lợi nhuận sau cùng mỗi khách hàng = doanh thu – chi phí xét theo mỗi khách hàng)

+ Thông tin trạng thái khách hàng: còn hoạt động, đã rời dịch vụ, hay bị phạt, bị chặn

Tìm hiểu qua ví dụ, khám phá dữ liệu và các biến

Để hiểu rõ hơn về cách phân khúc khách hàng, Customer segmentation trong ngành viễn thông chúng ta cùng đi qua ví dụ sau. Ví dụ tham khảo từ UCI Repository of Machine Learning Databases tại Đại học California, Irvine. Dữ liệu mẫu lấy từ một công ty viễn thông tại Hoa Kỳ, gồm các biến như sau. Vì bài viết có giới hạn nên chúng tôi chọn mẫu dữ liệu không quá nhiều biến giống như những thông tin mẫu phải có của data trong ngành viễn thông chúng tôi vừa liệt kê ở trên.

• State: mã tiểu bang, có 51 tiểu bang Hoa Kỳ
• Area code: mã vùng khu vực, 415 – San Francisco,408 – San Jose và 510 – Okland
• Phone Number: Số điện thoại của khách hàng
• International Plan: Đăng ký gọi quốc tế (Yes: có, No: không)
• Voice mail Plan: Đăng ký dịch vụ hộp thư thoại (Yes: có, No: không)
• Num of Voice mail Messages: Số lần gửi thư thoại
• Total Day Minutes: Tổng số phút khách hàng dành gọi điện vào buổi sáng, ban ngày
• Total Day Calls: Tổng số cuộc gọi thực hiện vào buổi sáng, ban ngày
• Total Day Charge: Tổng số chi phí cho các cuộc gọi vào ban ngày (USD)
• Total Eve Minutes: Tổng số phút khách hàng dành gọi điện vào chiều tối
• Total Eve Calls: Tổng số cuộc gọi khách hàng gọi điện vào chiều tối
• Total Eve Charge: Tổng số chi phí cho các cuộc gọi vào chiều tối (USD)
• Total Night Minutes: Tổng số phút khách hàng dành gọi điện vào ban đêm
• Total Night Calls: Tổng số cuộc gọi khách hàng gọi điện vào ban đêm
• Total Night Charge: Tổng số chi phí cho các cuộc gọi vào ban đêm
• Total International Minutes: Tổng số phút khách hàng dành cho các cuộc gọi quốc tế
• Total Intl Calls: Tổng số cuộc gọi quốc tế
• Total Intl Charge: Tổng chi phí bỏ ra cho các cuộc gọi quốc tế (USD)
• Number Customer Service calls: Tổng số cuộc gọi đến trung tâm chăm sóc khách hàng
• Churn: Trạng thái khách hàng đã rời dịch vụ, True: đã rời dịch vụ, False: chưa rời dịch vụ

Có tất cả 5000 khách hàng. Các bạn có thể download dữ liệu mẫu ở đây

Đầu tiên như mọi khi chúng ta sẽ khám phá dữ liệu. Dưới đây là dữ liệu mẫu 10 khách hàng đầu tiên với thông tin về dữ liệu trong các biến tương ứng.

Trong tất cả 20 biến thì chúng Ta có các biến định danh Nominal là State – tiểu bang, Phone number – số điện thoại khách hàng, Area code – mã vùng, các biến Flag/ biến thay phiên Binary như Internation plan, Voice mail plan, và biến Churn chỉ có 2 giá trị Yes/ No hoặc True/ False. Các biến còn lại.

Trong quá trình tìm hiểu chúng ta sẽ song song khám phá trước các phân khúc khách hàng nổi bật nếu có dựa trên các biểu đồ trực quan.

Điểm khác biệt giữa dữ liệu ngành viễn thông so với dữ liệu bán lẻ đó là các biến định lượng đánh giá hành vi khách hàng thường nhiều hơn, do có công cụ kỹ thuật để theo dõi (được phép theo dõi), và đặc biệt là có thể biết được liệu khách hàng đã rời dịch vụ hay chưa trong khi ngành bán lẻ chỉ tracking được những khách hàng thành viên, khách hàng thân thiết còn khách vãng lai, nếu không đăng ký thông tin thì rất khó theo dõi.

Chính vì cơ hội này, các công ty viễn thông thường phân khúc khách hàng để tìm ra các nhóm khách hàng có khả năng rời dịch vụ, dựa theo 3 cách phân khúc: phân khúc theo hành vi (Behaviral segmentation), phân khúc theo giá trị (Value – based segmentation) và phân khúc theo mô hình RFM quen thuộc và tìm mối liên hệ giữa các phân khúc với khả năng rời dịch vụ. Mục đích sau cùng là với các thông tin có được, họ sẽ tiến hành dự báo Churn rate thông qua các đặc điểm bên trong từng phân khúc để tìm ra các giải pháp cho chính phân khúc ấy.

Ở bài viết phần 2, chúng ta sẽ chỉ tập trung tiến hành phân khúc khách hàng mà thôi, còn dự báo khả năng rời dịch vụ với các phương pháp Logisitc regression, Decision tree hay Survival analysis sẽ nói ở chủ đề tiếp theo Customer retention (giữ chân khách hàng) sau khi chủ đề Customer segmentation kết thúc. Còn bài viết phần 1 chúng ta chỉ dừng lại khám phá các biến trong dữ liệu mà thôi.

Quay lại với ví dụ, thì may mắn tập dữ liệu hoàn toàn không có missing values, chúng ta đi vào tìm hiểu trước các biến định tính gồm biến định danh và biến flag.

Xét về nhân khẩu học thì không có sự chênh lệch lớn giữa tỷ lệ khách hàng xét theo các tiểu bang. Tiểu bang có số khách hàng cao nhất là West Vargina (WV) chiếm 3.2%, và thấp nhất là tiểu bang California (CA) chiếm 1.04%. Đồ thị trên không hiển thị các tiểu bang có tỷ lệ đóng góp khách hàng dưới 2%.

Tiếp theo là  mã vùng

Mã vùng 415 của California chiếm tỷ lệ nhiều nhất. Điều này mâu thuẫn dữ dội, thông thường một tiểu bang có nhiều hơn 1 mã vùng, trong tập dữ liệu có tất cả 51 tiểu bang, nhưng chỉ có 3 mã vùng? Số khách hàng từ bang california là ít nhất nhưng sao Area code lại chiếm nhiều nhất. Khả năng Area code là trường dữ liệu bất thường và không đáng tin cậy để đưa vào phân khúc khách hàng. Nguyên nhân chúng ta không thể biết nếu không trực tiếp hỏi người chủ sở hữu hay bên thu thập dữ liệu. Mặt khác cũng chưa thể khẳng định biến State các thông tin là hoàn toàn chính xác. Tuy nhiên, tỷ lệ khách hàng phân bổ theo tiểu bang không quá chênh lệch, không có nhiều tiểu bang khác ngoài West Vargina nổi trội hơn hẳn về tỷ lệ khách hàng. Nên chúng ta có thể xem xét không cần đưa biến State vào là yếu tố để phân khúc khách hàng.

Khác với bài viết trước về phân khúc khách hàng trong ngành bán lẻ, lấy ví dụ cửa hàng xe đạp chúng ta không có nhiều khu vực địa lý, chỉ có 6 nước để phân tích, và tỷ lệ khách hàng giữa các quốc gia có sự chênh lệch nhất định, có thể có ý nghĩa phân tích.

Về số khách hàng đăng ký dịch vụ gọi quốc tế.

Tỷ lệ khách hàng tham gia dịch vụ gọi quốc tế khá thấp chỉ có 9.5% mà thôi.

Về số khách hàng đăng ký dịch vụ hộp thư thoại

Có 26.5% khách hàng đăng ký dịch vụ hộp thư thoại.

Về tỷ lệ khách hàng rời dịch vụ.

Tỷ lệ rời dịch vụ là 14.1%, và không rời dịch vụ là 85.9%. Tiếp theo chúng ta cùng tìm hiểu mối quan hệ giữa dịch vụ gọi quốc tế và khả năng rời dịch vụ của khách hàng.

Qua đồ thị chúng ta có thể thấy khách hàng đăng ký dịch vụ gọi quốc tế có khả năng rời churn khá cao. Như vậy công ty viễn thông có thể tiến hành điều tra nguyên nhân tại sao, nếu gói dịch vụ International call này có vấn đề, và vấn đề này tác động trực tiếp đến việc khách hàng churn thì cần có sự thay đổi.

Để đánh giá chính xác hơn chúng ta cần tiến hành kiểm định Chi bình phương, hay các dạng kiểm định khác để tìm hiểu liệu có mối quan hệ giữa 2 biến này không. Vấn đề này sẽ được đề cập trong bài viết Customer retention, nằm ngoài phạm vi bài viết này. Chúng ta tìm hiểu tiếp về mối quan hệ giữa dịch vụ hộp thư thoại (Voice mail)

Khách hàng không đăng ký dịch vụ gọi thư thoại có khả năng rời dịch vụ cao hơn. Tương tự với International call, chúng ta cũng tìm hiểu nguyên nhân là gì và tìm ra giải pháp cho nó.

Phân khúc đơn giản nhất đầu tiên có tỷ lệ rời dịch vụ cao đó là (International plan: Có, Voice mail plan: Không). Theo tập dữ liệu thì phân khúc này có tất cả 342 khách hàng không đăng ký Voice mail và có đăng ký International plan.

Tuy nhiên chỉ có 45% trong phân khúc khách hàng này là rời dịch vụ. Suy ra chưa thể khẳng định khi kết hợp 2 yếu tố này vào sẽ có tác động mạnh hơn lên churn rate. Các bạn tìm hiểu các phân khúc khác có kết hợp 2 yếu tố International call và voice mail, xem tác động của chúng lên khả năng rời dịch vụ của khách hàng.

Tuy nhiên lưu ý mục đích của việc làm này không phải để xác định phân khúc cuối cùng hỗ trợ các hoạt động sales, marketing, chỉ dừng lại ở việc khám phá dữ liệu, mối quan hệ giữa các biến. Một phân khúc tối ưu nó phải bao gồm nhiều đặc điểm, chi tiết hơn về các tính chất của khách hàng để đưa ra đánh giá chính xác. Ví dụ khách hàng không đăng ký International call và có đăng ký Voice mail nhưng vẫn rời dịch vụ vì các yếu tố mà chúng ta chưa biết. Vì thế cách phân khúc ở trên vẫn còn quá “hời hợt”

Tiếp theo chúng ta sẽ tìm hiểu đến các biến định lượng. Trước tiên là mối quan hệ giữa chúng

Trừ các cặp biến được hình thành từ chính nó, chúng ta có một cặp được hình thành từ 2 biến khác nhau có mối tương quan rất mạnh, thậm chí chắc chắn.

Ví dụ Total Day minutes với Total Day charge, giải thích dễ hiểu, các công ty viễn thông thường tính tiền cuộc gọi dựa trên số phút do đó khi số phút tăng, số tiền bỏ ra cũng sẽ tăng, giải thích tương tự cho Evening, Night, và International call.

Như vậy trong quá trình phân khúc khách hàng ở bài viết tới chúng ta sẽ loại bỏ các biến chi phí đơn lẻ của Day, Evening, Night, International call, chúng ta chỉ quan tâm tổng chi phí hay nói cách khác tổng doanh thu công ty nhận được từ mỗi khách hàng.

Nói riêng về các biến tổng số cuộc gọi thì chúng ta chưa thể đánh giá số cuộc gọi tác động như thế nào đến chi phí vì một người có thể gọi ít cuộc, nhưng mỗi cuộc gọi kéo dài rất lâu hoặc ngược lại. Tuy nhiên số cuộc gọi có nhiều ý nghĩa trong phân tích hành vi khách hàng, hỗ trợ quá tình phân khúc. Ở bài viết tới chúng ta sẽ đi vô chi tiết.

Quay trở lại với ví dụ, chúng ta tìm hiểu biến Account length. Chúng ta phân giá trị thành các khoảng để đánh giá. Đơn giản nhất, chúng ta có thể chia thành 3 khoảng, làm cho Account length và các biến định lượng khác thông tin về hành vi khách hàng sử dụng dịch vụ.

Tỷ lệ khách hàng theo số cuộc gọi đến tổng đài chăm sóc khách hàng

Dưới đây là số liệu thống kê mô tả của các biến định lượng

Tiếp theo chúng ta tìm hiểu các biến định lượng tác động như thế nào đến tỷ lệ khách hàng rời dịch vụ.

Các khách hàng có số thời gian gọi điện vào ban ngày và thời gian gọi điện vào chiều tối cao khả năng rời dịch vụ cao và ngược lại. Qua đây chứng tỏ, khi khách hàng có nhu cầu cao hơn cho cả các cuộc gọi vào ban ngày, chiều tối thì dịch vụ hiện tại của công ty chưa đáp ứng, thỏa mãn mong muốn của họ như có thể giá cước mắc, họ đi kiếm công ty khác với giá rẻ hơn. Trong khi các khách hàng không có nhu cầu cao, thì họ không rời dịch vụ.

Nếu chúng ta kết hợp 2 biến thời gian gọi vào ban đêm và cả thời gian gọi vào buổi tối như hình trên thì không thấy được sự tác động rõ rệt nào lên tỷ lệ rời dịch vụ.

Tuy nhiên đối với các khách hàng có thời gian gọi điện vào ban đêm cao hơn mức trung bình, và thời gian gọi vào ban ngày cao thì có khả năng rời dịch vụ. Giải thích tương tự như trường hợp đầu tiên.

Xét cả 3 trường hợp thì chúng ta có thể thấy khách hàng có thời gian gọi ban ngày Day mins cao, thì khả năng rời dịch vụ sẽ cao. Nhắc day ở đây là tính từ buổi sáng đến lúc đầu chiều, hay nói cách khác là trong giờ làm việc. Có thể những khách hàng này là những người làm việc sử dụng phone nhiều.. Đây chỉ mới là phỏng đoán.

Chúng ta tìm hiểu mối quan hệ từng biến trên với tỷ lệ rời dịch vụ.

Khách hàng dành nhiều thời gian call vào ban ngày tỷ lệ rời dịch vụ cao hơn, điều này khẳng định lần nữa cho các kết luận ở trên. Tỷ lệ churn giữa nhóm cao nhất, và các nhóm còn lại chênh lệch lớn.

Khách hàng dành nhiều thời gian gọi vào chiều tối, Eve call, cũng có tỷ lệ rời dịch vụ cao hơn, tuy nhiên khác với Day call, tỷ lệ churn ở mỗi nhóm không quá chênh lệch

Tương tự như Eve call, trường hợp Night call cũng vậy. Sau cùng, công ty nên quan tâm vào Day call, để xem liệu các dịch vụ của mình có thỏa mãn nhóm khách hàng có nhu cầu gọi điện nhiều vào ban ngày hay không. Tiếp tục về dịch vụ gọi quốc tế.

Các bạn giải thích tương tự cho thời gian dành cho thời gian cuộc gọi quốc tế, International call

Về voice mail, thì đây là dấu hiệu tích cực mà cũng vừa tiêu cực của công ty. Khi những khách hàng có số hộp thư thoại cao, hay trung bình thì tỷ lệ rời dịch vụ thấp, có thể suy ra dịch vụ hộp thư thoại, thỏa mãn nhu cầu cao của khách hàng, ngược lại các khách hàng có voice mail ít thì tỷ lệ rời dịch vụ cao. Khả năng là do họ không hài lòng với dịch vụ voice mail nên họ ít sử dụng và sau đó rời dịch vụ nhưng cũng có thể vì lý do khác như trình bày ở trên.

Số cuộc gọi vào tổng đài chăm sóc khách hàng càng cao thì tỷ lệ rời dịch vụ sẽ cao. Chúng ta không thấy sự kết hợp đặc biệt nào giữa biến này và biến Day mins tác động làm tăng khả năng rời dịch vụ. Ví dụ ít có khách hàng có số cuộc gọi vào tổng đài chăm sóc cao, và có day mins cao rời dịch vụ để mình có thể phân tích.

Chúng ta đã tìm hiểu mỗi biến định lượng về lưu lượng sử dụng dịch vụ có tác động như thế nào về tỷ lệ khách hàng rời dịch vụ. Còn các biến định lượng về chi phí hay giá trị mỗi khách hàng mang lại chúng tôi sẽ để sang bài viết tới vì chúng có liên hệ trực tiếp đến Value-based Customer segmentation.

Đến đây kết thúc bài viết phần 1 tìm hiểu, sang bài viết phần 2 chúng ta sẽ đi vào phân khúc khách hàng theo hành vi và theo giá trị, cũng như đề xuất các giải pháp cho công ty viễn thông này.

 Về chúng tôi, công ty BigDataUni với chuyên môn và kinh nghiệm trong lĩnh vực khai thác dữ liệu sẵn sàng hỗ trợ các công ty đối tác trong việc xây dựng và quản lý hệ thống dữ liệu một cách hợp lý, tối ưu nhất để hỗ trợ cho việc phân tích, khai thác dữ liệu và đưa ra các giải pháp. Các dịch vụ của chúng tôi bao gồm “Tư vấn và xây dựng hệ thống dữ liệu”, “Khai thác dữ liệu dựa trên các mô hình thuật toán”, “Xây dựng các chiến lược phát triển thị trường, chiến lược cạnh tranh”.