Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

מסגרת הibrידית חדשה של למידת עומק לחיזוי נטישת לקוחות באמצעות RFM וקיבוץ הטמעות

· חזרה לאינדקס

מדוע חשוב לשמר קונים מקוונים

כל חנות מקוונת מתמודדת עם אותה שאלה: אילו לקוחות נחלשים בשקט ולאט נעלמים, ומי מהם צפוי לשוב? גילוי מוקדם מאפשר לחברות להשקיע פחות במרדף אחרי לקוחות חדשים ויותר בשימור אלה שכבר יש להן. המחקר מציג שיטה מונחית נתונים לזיהוי לקוחות בסיכון על ידי הפיכת היסטוריות קליק ורכישה מסורבלות לאותות ברורים שמצביעים על כך שאדם עומד להפסיק לקנות.

Figure 1. כיצד ניתוח דפוסי קניות מקוונות יכול להפריד בין לקוחות נאמנים לאלה שסביר שיעזבו.
Figure 1. כיצד ניתוח דפוסי קניות מקוונות יכול להפריד בין לקוחות נאמנים לאלה שסביר שיעזבו.

מבט על תדירות וכמות הקנייה

המחברים מתחילים מרעיון פשוט שרבים מהמשווקים כבר מכירים: לקוחות שונים לפי כמה לאחרונה רכשו, כמה תדיר הם קונים וכמה הם מוציאים. שלושת המספרים הללו, הנקראים רצינות (recency), תדירות (frequency) וערך כספי (monetary), מציירים תמונה בסיסית של כל קונה. אנשים שקונים בתדירות גבוהה, מוציאים יותר ורכשו לאחרונה נוטים להיות נאמנים. אלה שלא קנו זמן רב, קונים לעיתים נדירות ומוציאים מעט נוטים יותר לעזוב. המחקר משתמש בשלושת האותות הללו, יחד עם כמה סטטיסטיקות נוספות מבוססות זמן, כבסיס לכל הניתוחים הבאים.

קיבוץ קונים בעלי הרגלים דומים

במקום להתייחס לכל הלקוחות כאל המון אחד, החוקרים מקבצים אותם תחילה לפלחי התנהגות. הם משתמשים בטכניקת למידת עומק שמדחסת את פרופיל הרכישות של כל לקוח לקוד קומפקטי, ואז יוצרת אוטומטית אשכולות במרחב הקודים הזה. זה מגלה תבניות שקשה לראות עם כללים פשוטים, כמו הבדלים עדינים בין קונים קבועים ויציבים, קונים עונתיים, ואלה שמתרחקים בהדרגה. האשכולות שמתקבלים מסתדרים עם משמעויות עסקיות אמיתיות: חלק מהקבוצות מורכבות ברובן מלקוחות נאמנים, בעוד שאחרות מכילות אחוז גבוה של אנשים שעומדים להפסיק לקנות.

Figure 2. כיצד מודל צעד־אחר־צעד ממיר זרמי אירועי קנייה לחיזויים מדויקים של מי עשוי לנטוש.
Figure 2. כיצד מודל צעד־אחר־צעד ממיר זרמי אירועי קנייה לחיזויים מדויקים של מי עשוי לנטוש.

לימוד המערכת לעקוב אחרי מסלולי לקוח לאורך זמן

לאחר הקיבוץ, המחקר מזין את הסגמנטים הללו יחד עם דפוסי ההוצאה לרשתות נוירונים שטובות בטיפול ברצפים. רשתות אלה תוכננו במקור לקריאת משפטים או צלילים, אך כאן הן קוראות זרמי אירועי קנייה במקום זאת. הן לומדות כיצד הפעילות של אדם משתנה לאורך שבועות או חודשים וכיצד שינויים אלה נוטים להסתיים — בהמשך רכישה או בשקט מוחלט. החוקרים מאמנים ובודקים את המודלים שלהם על שני מאגרי נתונים מעשיים ושונים מאוד: אחד מבוסס על רשומות רכישה מסורתיות ואחר שנבנה מלוגים מפורטים של קליקים ואירועים.

השוואת השיטות החדשות לכלים ישנים

הצוות משווה אז את הגישה ההיברידית שלהם לכלים סטנדרטיים כמו רגרסיה לוגיסטית ומכונות וקטור תמיכה. מודלים פשוטים מתפקדים היטב כאשר הנתונים כבר מסודרים אך מתקשים כשההתנהגות מורכבת או רועשת. לעומת זאת, המסגרת החדשה משנה תחילה את צורת הנתונים באמצעות קיבוץ עמוק ואז תופסת דפוסי זמן בעזרת רשתות רציפות. בשני מאגרי הנתונים הסדרה הזו מגיעה לדיוק הקרוב לשלמות תוך שמירה על איזון בין מציאת היוזמים לנטישה והפחתת אזעקות שווא. מחקר אבולוציה (ablation) מראה שהוספת שלב הקיבוץ משפר בבירור את הביצועים לעומת שימוש רק במודלים הרציפים.

מה משמעות הדבר לעסקים מקוונים

עבור מי שאינו מומחה, המסר העיקרי הוא כי שימוש עשיר יותר בנתונים על מתי וכיצד אנשים קונים יכול להפוך יומנים שגרתיים לאזהרות מוקדמות לגבי מי צפוי לעזוב. על ידי שילוב סיכומי הוצאה פשוטים, קיבוץ חכם של לקוחות ומודלים שעוקבים אחרי התנהגות לאורך זמן, המסגרת מציעה דרך אמינה יותר לסמן לקוחות בסיכון. חברות יכולות אז למקד הצעות שימור, תמיכה או תכנים באנשים שזקוקים לתשומת לב ביותר, ולשפר נאמנות בלי לנחש או להסתמך רק על תחושה פנימית.

ציטוט: Ibrahim, S., Tawfik, B.S., Makhlouf, M.A. et al. A novel hybrid deep learning framework for customer churn prediction using RFM and embedding clustering. Sci Rep 16, 16563 (2026). https://doi.org/10.1038/s41598-026-53220-0

מילות מפתח: נטישת לקוחות, מסחר אלקטרוני, סגמנטציה של לקוחות, למידת עומק, ניתוח RFM