用数据对抗客户流失:采访祖睿公司首席数据科学家卡尔·戈尔德

推荐一个正规滚球网站采访了卡尔·戈尔德, 订阅软件公司Zuora的首席数据科学家, 了解更多关于他的新书, 用数据对抗流失.

吸引和留住客户的能力是任何公司成功的基础, 但说起来容易做起来难. 事实上,企业每年花费数百万美元试图 打客户流失 并破解让顾客满意的密码,让他们继续光顾.

曾任Gainsight公司客户运营副总裁, 一个真正致力于客户成功的公司, 这个问题对我来说非常重要. 所以当我读卡尔·戈尔德的 F用数据消除流失, 这是世界上第一本致力于探索数据科学和搅动的交集的书, 我爱不释手.

卡尔是斯坦福的首席数据科学家 Zuora, 领先的订阅管理平台的创造者, 花了很多时间思考如何解决这个问题. 他领导的团队不仅负责应用数据科学和机器学习,帮助Zoura的客户解决客户流失问题, 但他确实发明了 Subscription经济指数该指数是该公司跟踪股价上涨的标志性指数 订阅经济.

卡尔说,在优化客户参与时,细节就在数据中.

推荐一个正规滚球网站和卡尔坐下来讨论他去祖拉的旅程, 这本新书背后的灵感, 以及企业如何利用数据和统计数据来应对大规模流失.

你的背景非常有趣——你在加州理工学院(Caltech)攻读博士学位时学习了神经网络和计算机科学。, 为华尔街建立了机器学习模型, 现在是祖睿公司的首席数据科学家. 是什么鼓励你从学术界转到工业界, 特别是为金融领域的公司工作?

它是复杂的. 过去,我攻读的是科学博士学位,实际上是物理科学. 我的博士学位更多的是生物物理学而不是机器学习, 但我参与了一个跨学科的大脑和人工智能项目. 所以我做了大量的机器学习之前,它很酷,数据科学还没有出现. 所以我以传统的方式进入了数据科学, 也就是成为一名科学家然后需要一份工作.

回到那个时候, 我进入金融行业是因为这是为数不多的几个雇佣科学博士做定量分析师的行业之一, 或宽客. 这是在数据科学成为一个独特的职业之前. 这是在金融危机之前当时金融有更大的吸引力. 

21世纪初是金融的全盛时期,因为当时经济蓬勃发展, 人们似乎认为他们在华尔街做的事情实际上对经济是有好处的.

现在,这一切都在2008年的金融危机中改变了,我坐在了前排. 我当时在摩根士丹利的一家子公司工作当时经济正在衰退. 在这段时间里, 数据科学开始成为企业投资的对象,人们也开始在学术界之外使用机器学习. 就像我说的, 我研究了机器学习模型,并发表了有关机器学习的论文,那时机器学习还没有流行起来, 所以对我来说成为一名数据科学家并不难. 事实上, 我不认为数据科学和定量金融有什么不同, 因为他们都用数学模型来解决工业问题. 这都在一个范围内.

作为祖睿公司的首席数据科学家, 你将负责领导开发订阅经济指数(订阅经济指数)的团队,并推动Zuora订户洞察(Subscriber Insights)背后的数据科学. 你认为订阅模式在过去几年变得如此流行的原因是什么, 10年或20年前?

我不能称自己为科技行业分析师, 但我想大多数人都会同意,向云计算的转变催生了新的商业模式. 与云, 您可以进行持续的软件交付, 因此,对软件来说,订阅比出售永久许可证更有意义. 同时, 云技术使软件能够持续更新,也使订阅的大规模管理成为可能, 因为总的来说, 订阅并不是那么简单. Zuora之所以存在,是因为对于任何重要的订阅产品来说, 一旦有了多个层次和不同的选项,订阅就会变得非常复杂, 更不用说开始提供折扣了. 突然间,一切都变得很困难.

云技术使每个人都能掌握保持数据更新的过程. 事实上,我认为订阅最大的优势不是经常性收入,而是经常性数据. 

你可以持续地维护客户的数据, 是什么让你优化你的商业模式. 向云计算和廉价计算的转变表明,订阅经济是提供服务的最有效和最优方式之一.

订阅型经济面临的最大挑战之一是客户流失. 为了解决这个问题,您刚刚出版了一本新书, 用数据对抗流失, 关于如何使用数据科学技术来减少订阅服务的流失. 是什么激发你写这本书的?

2014年,当我第一次从金融转向数据科学时, 我曾经在一家初创公司工作过,这家公司面临着流失率问题. 所以,几年后我来到祖睿,继续为推荐一个正规滚球网站的客户解决客户流失问题. 当我开始写这本书的时候, 我花了几年时间开发了一个预测用户流失的流程.

最终,有两个原因激发了我写这本书的灵感. 一个, 换句话说,我想为过去的自己写一本书, 数据科学家们第一次在自己的公司里解决这些问题. 我想分享我的最佳实践和经验教训,这样他们就不会重蹈我的覆辙. 第二,还没有人写过搅乳器方面的书,所以我想,“我最好开始写吧。!因为如果几年后有人写了一本类似的书, 要是没抢在他们之前,我会后悔的,

在书中, 你提到大多数公司都将客户获取作为增长的信号, 但“低客户流失率”同样是成功的重要指标, 如果不是更多的话. 你能详细?

搅动会直接拖累你的成长. 增长等于收购减去流失. 因此,公司在早期阶段关注收购是很自然的, 当你没有顾客的时候, 但一旦你做到这一点,你就能减少用户流失率, 低流动率直接转化为增长. 在某种程度上,你不减少你的流失,它只是抵消了你的增长. 

简而言之,流失是任何想要发展的企业的敌人.

说到底,低客户流失率总是与价值有关. 我经常说我书中的技巧只是让直觉变得严谨, 因为最基本的直觉, 那些没有从产品中获得好的价值的人就不会在这里逗留了吗. 你不需要有统计学的博士学位或背景就能明白这一点.

现在, 用一些数学方法来回答这个问题确实很有帮助:你的产品/服务的使用率足以预测低流失率? 在预测客户流失时,最重要的是确定客户是否从产品中获得了价值. 如果你真的深入研究这些数字, 你可以清楚地看到,经常使用某一产品的人流失得更少.

数据分析师和数据科学家如何才能最好地衡量他们的产品或服务对客户的价值?

我在书中教的最佳实践实际上是一种分析方法. 你可以简单地通过用户的使用量来衡量他们得到了什么, 例如, 有多少次他们使用你的产品制作文档或者给朋友发短信介绍你的服务.e.推荐)? 你能做的最简单的事情就是根据你的客户使用产品的次数来定群. 当你计算群体流失率时,你总是会看到最底部的群体流失率. 这是一种队列分析, 很明显,底层群体的变动最大, 排名靠前的人群流失最少.

有趣的是这两组人群之间的曲线发生了什么变化. 通常, 在留存率上存在一个平台期,你可以清楚地看到多少用户使用某个功能才足够, 当流失率停止下降时, 这是非常有形的,人们很容易看到的. 我在第一章里举了几个例子 Fi用数据处理流失. 这是我谈论的主要方法, 因为这很容易向人们解释和理解什么程度的流失是健康的,什么程度的流失是高的.

如何将数据质量和可靠性纳入预测流失率背后的分析中?

数据质量是分析预测的基础. 简而言之,如果没有足够的数据质量,就无法对数据进行任何操作. 也就是说,你不需要完美的数据来进行科学研究. 

我通常的经验法则是如果你的数据有90%以上的好, 那么当涉及到数据质量时,就没有什么可担心的了. 在我看来,如果你的数据中只有10%是不可用的,那么你的数据就是干净的.

您可以使用不干净的数据,但仍然可以使用它, 但肯定, 高数据质量的重要性怎么强调都不为过. 在这本书中,我实际上详细地介绍了数据质量保证测试技术. 我希望这本书能对人们有用,让他们知道,你不能指望这些技巧中的一些会自动发挥作用. 您确实必须在每个阶段监控数据,因为事件和其他数据点通常是通过不可靠的系统收集的. 您的系统越复杂,就越有可能在合并它们时遇到问题.

如果你可以和任何一位科学家或数据主管共进晚餐,无论他是死是活,你会选择谁,以及为什么?

我有两个答案. 首先,我想见见一位活着的科学家 鲁里埃尔•鲁比尼, 纽约大学的经济学教授曾警告推荐一个正规滚球网站注意2006年由信贷和房地产市场泡沫引起的经济衰退(我曾在华尔街经历过). 金融危机期间我成了他的忠实粉丝因为他创造了 黑天鹅 与经济学相关的理论, 向推荐一个正规滚球网站展示了所有基于过去的统计思维的局限性. 不管你用统计学或者机器学习做什么, 它永远无法预测黑天鹅事件, 他这样称呼他们.

第二,对于一个已经离开推荐一个正规滚球网站的人来说,我得说 威廉公平联盟. 他被认为是数据可视化的发明者. 他想出了直方图, 柱状图, 还有很多推荐一个正规滚球网站认为是18世纪数据可视化基础的东西. 他也是一名英国间谍,并以某种方式参与了法国大革命. 他听起来是个很有趣的角色. 你会读到一些其他的数学家和科学家,他们都是神童, 在12岁的时候做微分方程,我想, “嗯, 我想和他喝杯啤酒吗? 我不知道.但Playfair似乎是你绝对想要和他一起出去玩、听他讲故事的人.

了解更多关于卡尔的书, 用数据对抗流失或者他在祖睿公司的工作 订阅经济指数.