UK 
EnglishТипова
Polski📉 Прогнозувальник Відтоку Клієнтів — Крива Виживання Наживо
Спостерігайте, як модель аналізу виживання оцінює ризик відтоку кожного клієнта з часом на основі сигналів використання й підтримки, і як крива виживання когорти оновлюється, коли ви налаштовуєте важелі утримання.
Про цю симуляцію
Прогнозування відтоку — це насамперед питання про те, коли, а не лише чи: клієнт, активний вісімнадцять місяців, і клієнт, який приєднався минулого тижня, мають не однаковий ризик, навіть якщо обидва виглядають «залученими» сьогодні, а клієнт, який усе ще підписаний наприкінці вікна спостереження, не обов'язково залишиться лояльним назавжди — він просто цензурований, тобто його справжній результат ще невідомий. Аналіз виживання — це галузь статистики, побудована саме для коректної обробки таких даних «час до події». Ця симуляція будує синтетичну когорту клієнтів за підпискою, призначає кожному справжню функцію ризику у стилі пропорційних ризиків Кокса, зумовлену спадом використання, накопиченими зверненнями до підтримки, стажем і тим, чи застосовано знижку утримання, а потім симулює реальні щомісячні події відтоку з цього ризику. Оцінювач Каплана-Мейєра обчислюється безпосередньо з отриманої історії подій, точно так, як команда аналітики відтоку обчислила б його з реальних журналів підписки.
🔬 Що показано
Кожен клієнт у когорті несе живий бал ризику, побудований із власного накопиченого індексу спаду використання, навантаження зверненнями до підтримки та стажу, поєднаних зі спільним базовим ризиком Вейбулла. Щомісяця кожен ще активний клієнт стикається зі справжнім випробуванням Бернуллі відтоку з ймовірністю 1 − e^(−ризик). Отримані щомісячні кількості подій живлять справжній оцінювач Каплана-Мейєра, S(t) = S(t−1) × (1 − d_t/n_t), який відображається як жива східчаста крива виживання поряд із базовою лінією без втручання для порівняння.
🎮 Як користуватись
Перетягніть Рівень Проактивної Знижки та Оперативність Підтримки, щоб побачити, як змінюється саме рівняння ризику — обидва напряму впливають на показник степеня ризику кожного клієнта в стилі Кокса, тож крива Каплана-Мейєра когорти негайно перебудовується на тих самих базових випадкових вибірках. Встановіть Поріг Втручання, щоб вирішити, скільки накопиченого ризику потрібно клієнту, перш ніж він отримає право на знижку. Перемикайте сітку когорти між переглядами Ризику, Статусу та Стажу, натисніть на будь-якого клієнта для розбивки його індивідуального ризику та використовуйте Відтворити / Крок / Скинути, щоб рухатися крізь трирічний горизонт.
💡 Чи знали ви?
Оцінювач Каплана-Мейєра, опублікований Едвардом Капланом і Полом Мейєром у 1958 році, є однією з найцитованіших статистичних статей, будь-коли написаних, саме тому, що він чисто вирішив проблему цензурування: замість того, щоб відкидати клієнтів (чи пацієнтів), які ще не зазнали події до кінця дослідження, він перемножує умовну ймовірність виживання в кожен спостережений момент події, використовуючи точно тих клієнтів, які все ще перебували під ризиком у той момент. Те саме рівняння, що використовується тут для побудови кривої виживання когорти підписки, застосовується без змін у клінічних випробуваннях для звітування про п'ятирічну виживаність.
Часті питання
Що таке аналіз виживання і чому він використовується для відтоку?
Аналіз виживання — це сімейство статистичних методів моделювання часу до настання події — спочатку часу до смерті в медичних дослідженнях, але той самий механізм застосовується до часу до скасування клієнтом підписки. На відміну від простого класифікатора так/ні, моделі виживання коректно обробляють цензурування: клієнти, які все ще активні наприкінці вікна спостереження, ще не відтекли, але можуть у майбутньому, і модель виживання правильно враховує цю невизначеність, замість того щоб відкидати таких клієнтів або хибно позначати їх як лояльних. Ця симуляція будує синтетичну когорту, призначає кожному клієнту функцію ризику, зумовлену реальними ознаками, і оцінює криву виживання когорти оцінювачем Каплана-Мейєра, точно так, як команда аналітики відтоку зробила б це на реальних даних підписки.
Що таке функція ризику і як вона обчислюється тут?
Функція ризику h(t) — це миттєвий ризик того, що клієнт відтече в момент t, за умови що він вижив до t. Ця симуляція використовує модель у стилі пропорційних ризиків Кокса: h_i(t) = h0(t) × exp(β1·спад_використання_i(t) + β2·звернення_підтримки_i(t) − β3·стаж_i(t) − β4·застосовано_знижку_i), де h0(t) — базовий ризик Вейбулла, спільний для всіх клієнтів, а експоненційний член — індивідуальний множник ризику, побудований із фактичного накопиченого спаду використання, навантаження зверненнями до підтримки, стажу та того, чи застосовано знижку утримання для цього клієнта. Щомісяця симуляція генерує подію відтоку Бернуллі для кожного активного клієнта з ймовірністю 1 − e^(−h_i(t)), тож ризик справді визначає, хто йде і коли.
Як крива виживання Каплана-Мейєра будується із симульованих подій?
На кожному щомісячному кроці часу симуляція записує n_t — кількість клієнтів, які все ще під ризиком (ще не відтекли) на початку місяця, і d_t — кількість подій відтоку, що відбуваються протягом цього місяця. Оцінювач Каплана-Мейєра потім оновлює ймовірність виживання когорти як S(t) = S(t−1) × (1 − d_t/n_t) — біжучий добуток одиниці мінус рівня ризику на кожному кроці, де було спостережено подію. Це той самий непараметричний оцінювач, що використовується в реальних дослідженнях відтоку та клінічної виживаності — він виводиться безпосередньо з симульованої історії подій, а не є заздалегідь намальованою декоративною кривою, тож посилення чи послаблення ризику справді змінює її форму.
Що насправді змінюють повзунки важелів утримання?
Рівень Проактивної Знижки встановлює ймовірність того, що клієнт, чий бал ризику перетинає Поріг Втручання, отримує цільову знижку утримання, яка множить його ризик на e^(−β4) починаючи з цього місяця — реальне, стійке зниження ризику відтоку. Оперативність Підтримки зменшує швидкість накопичення невирішених звернень до підтримки для кожного клієнта, що знижує член β2·звернення_підтримки_i(t) у кожному розрахунку ризику. Оскільки обидва важелі напряму впливають на те саме рівняння ризику в стилі Кокса, яке використовується для генерування подій відтоку, переміщення повзунка перераховує всю історію подій когорти на тих самих базових випадкових вибірках і негайно перебудовує криву Каплана-Мейєра — це не косметичне накладання.
Чому симуляція повторно відтворює ті самі випадкові числа, коли я переміщую повзунок?
Базова траєкторія спаду використання кожного клієнта, шум зверненнь до підтримки та щомісячна послідовність вибірок відтоку генеруються один раз на когорту й зберігаються. Коли важіль змінюється, симуляція повторно запускає точно той самий щомісячний цикл із новими коефіцієнтами ризику на тих самих збережених випадкових числах, а не заново вибирає випадковість. Це ізолює причинний ефект важеля: будь-яка відмінність, яку ви бачите в кривій виживання після переміщення повзунка, походить від зміни ризику, а не від нового кидка кубика, — саме це контрфактичне порівняння реальна команда утримання хоче отримати, ставлячи питання «що станеться, якщо ми даватимемо знижки агресивніше?»
Наскільки близько це відповідає реальному виробничому моделюванню відтоку?
Виробничі системи відтоку зазвичай підганяють модель пропорційних ризиків Кокса або дискретно-часову модель ризику (логістичну регресію на період) на реальних історичних даних про використання, білінг та підтримку з десятками сконструйованих ознак, а потім перевіряють підігнані коефіцієнти ризику та криві Каплана-Мейєра на відкладених когортах. Ця симуляція реалізує ті самі математичні об'єкти — справжню функцію ризику для кожного клієнта, реальні вибірки відтоку Бернуллі та справжній оцінювач Каплана-Мейєра над отриманою історією подій — але ваги ознак підібрані вручну, а не підігнані методом максимальної часткової правдоподібності на реальних даних, тож це слід сприймати як достовірну демонстрацію механізму моделювання відтоку на основі виживання, а не як каліброван виробничу модель.