Winback i pricing:
Najcenniejszy lead to były subskrybent
Tysiące byłych subskrybentów już zna Państwa produkt - a nikt nie zwraca się do nich systematycznie. Modele uplift pokazują, kto wróci i z jaką ofertą oraz jaką korektę cen udźwignie baza, bez skoku liczby rezygnacji.
Ten moduł jest częścią sześcioczęściowego wyliczenia modelowego o fikcyjnym regionalnym domu mediowym (55.000 subskrypcji drukowanych i 25.000 cyfrowych). Wszystkie kwoty w euro są wyprowadzone z udokumentowanych założeń wydawnictwa wzorcowego; dźwignie opierają się na opublikowanych benchmarkach branżowych i celowo nie wykorzystują ich najlepszych wartości. Pokazane wartości nie są wynikami realnych klientów ani obietnicą rezultatów. To, jakie wartości są osiągalne na Państwa realnych danych, pokazuje dopiero projekt pilotażowy.
01 Problem - Pula byłych subskrybentów leży odłogiem, cena stoi w miejscu
Między rabatem z konewki a tabu cenowym marnuje się przychód
W przykładowym wydawnictwie w ciągu dwóch lat zbiera się około 12.000 adresowalnych byłych subskrybentów. Zwykła reakcja to konewka: ta sama oferta rabatowa do wszystkich - droga u tych, którzy i tak by wrócili, bezskuteczna u tych, którzy potrzebowaliby innego produktu. Amedia osiągnęła telefonami winback sortowanymi wg lojalności 12 procent reaktywacji.
Na drugim końcu cena dla obecnych klientów ze strachu przed falą rezygnacji latami nie jest ruszana. Mather Economics pokazuje coś przeciwnego: segmentowane korekty cen - kto dostaje ile, kto na razie nic - przyniosły amerykańskiej grupie wydawniczej 8 procent więcej przychodu cyfrowego przy zaledwie 0,4 procent dodatkowego churnu; w Mediahuis Aachen 6 do 7 procent podwyżki przeszło niemal bez churnu.
Jedno i drugie bez ani jednego nowego kontaktu: dźwignia leży w całości w danych, które już Państwo mają.
02 Model - Uplift zamiast prawdopodobieństwa
Uplift modeling rozdziela, kogo oferta przekonuje, kto przyszedłby sam i do kogo w ogóle nie dociera
Dezil 1-3 (Kampagne lohnt): 3.600 Ex-Abonnenten Erwartete Reaktivierung Kampagnen-Segment: 9.5% Bestand mit tragfähiger Preisanpassung: 62%
Klasyczny model mówi, kto wróci. Model uplift mówi, u kogo oferta robi różnicę - tylko tam opłaca się rabat. Ta sama logika niesie stronę cenową: elastyczność cenowa per segment decyduje, która część bazy udźwignie korektę, a która najpierw potrzebuje więcej więzi. Mather mierzy dla podwyżek segmentowanych wobec ryczałtowych 2,5 zamiast 5,7 procent dodatkowego churnu.
03 Wpływ na biznes - Dwie dźwignie, jedna baza danych
Dźwignia: 9,5 procent reaktywacji w kontaktowanym top-segmencie plus 3 procent efektu netto z segmentowanego sterowania cenami
Żadnej liczby z sufitu: każde założenie pochodzi z przykładowego wydawnictwa i jest przechowywane centralnie. Z Państwa realnymi liczbami zmienia się tylko wejście, nie metoda.
| Pozycja | Wartość |
|---|---|
| Kontaktowany top-segment (decyle 1-3 puli 24-miesięcznej) × reaktywacja 9,5 % | 3.600 × 9,5 % = 342 |
| Reaktywowane subskrypcje × 7 miesięcy × ARPU | €25.137 |
| Przychód cyfrowy / rok × efekt cenowy netto 3 % | €94.500 |
| Dźwignia: Suma efektu winback + optymalizacji cen | €25.137 + €94.500 |
| Wynik: dodatkowy przychód / rok | €119.637 |
Założenia przykładowego wydawnictwa - w realnym projekcie Państwa dane zastępują te wartości.
Te 9,5 procent reaktywacji w top-segmencie leży poniżej 12 procent Amedii (telefonicznie, z sortowaniem wg lojalności), a liczona jest tylko faktycznie kontaktowana jedna trzecia puli; 3 procent efektu cenowego poniżej udokumentowanych 8 procent Mathera. Obie dźwignie korzystają z tej samej bazy danych - historia subskrypcji, zachowanie użytkowe, reakcje na oferty - i z tego samego frameworku modelowego.
04 Następne kroki w Państwa wydawnictwie
Od archiwum rezygnacji do bieżącego sterowania bazą
Strukturyzujemy zasób byłych subskrybentów: powód rezygnacji, historia użytkowania, reakcje na oferty - baza obu modeli.
Kampania sortowana wg propensity działa przeciw próbie losowej. Uplift widać w bezpośrednim porównaniu - z podziałem na segmenty.
Segmenty elastyczności i stopniowany plan korekt dla bazy: kto, kiedy, ile - z wczesnym ostrzeganiem z modułu 01 jako siatką bezpieczeństwa.