Nowatorski hybrydowy system uczenia głębokiego do prognozowania odpływu klientów z wykorzystaniem RFM i klastrowania osadzonych reprezentacji

Dlaczego warto zatrzymywać klientów w sklepach internetowych

Każdy sklep online mierzy się z tym samym pytaniem: którzy klienci cicho odchodzą, a którzy wrócą? Wczesne wykrycie pozwala firmom wydawać mniej na pozyskiwanie nowych kupujących i więcej na utrzymanie tych, których już mają. W tym badaniu przedstawiono sposób oparty na danych, który potrafi wychwycić klientów zagrożonych odpływem poprzez przekształcenie nieuporządkowanych historii kliknięć i zakupów w czytelne sygnały sugerujące, że ktoś zamierza zaprzestać zakupów.

Analiza częstotliwości i wartości zakupów

Autorzy wychodzą od prostej idei znanej wielu marketerom: klienci różnią się pod względem, jak niedawno dokonali zakupu, jak często kupują i ile wydają. Te trzy wskaźniki — recency (ostatni zakup), frequency (częstotliwość) i monetary value (wartość) — szkicują podstawowy obraz każdego kupującego. Osoby, które kupują często, wydają więcej i dokonały ostatnio zakupu, zwykle są lojalne. Ci, którzy nie kupowali długo, rzadko robią zakupy i wydają niewiele, są bardziej skłonni odejść. Badanie wykorzystuje te trzy sygnały oraz kilka dodatkowych statystyk opartych na czasie jako podstawę dalszej analizy.

Grupowanie kupujących o podobnych zwyczajach

Zamiast traktować wszystkich klientów jako jedną masę, badacze najpierw dzielą ich na segmenty oparte na zachowaniach. Używają techniki uczenia głębokiego, która kompresuje profil zakupowy każdego klienta do zwartego kodu, a następnie automatycznie tworzy klastry w tej przestrzeni kodów. Dzięki temu odkrywają wzorce trudne do zauważenia przy użyciu prostych reguł, takie jak subtelne różnice między stałymi, regularnymi nabywcami, sezonowymi klientami i tymi, którzy się oddalają. Powstałe klastry mają praktyczne znaczenie biznesowe: niektóre grupy to niemal wyłącznie lojalni klienci, inne zawierają wysoki odsetek osób na skraju rezygnacji z zakupów.

Nauka śledzenia ścieżek klienta w czasie

Po pogrupowaniu klientów badanie przekazuje te segmenty wraz z wzorcami wydatków do sieci neuronowych przystosowanych do przetwarzania sekwencji. Sieci te pierwotnie zaprojektowano do czytania zdań czy dźwięków, ale tutaj przetwarzają strumienie zdarzeń zakupowych. Uczą się, jak aktywność danej osoby zmienia się w ciągu tygodni czy miesięcy i jak tego typu zmiany zwykle się kończą — dalszymi zakupami lub ciszą. Badacze trenują i testują swoje modele na dwóch bardzo różnych rzeczywistych zbiorach danych: jednym z tradycyjnych zapisów zakupów, a drugim z szczegółowych logów kliknięć i zdarzeń.

Porównanie nowych metod ze standardowymi narzędziami

Zespół porównuje następnie swoje hybrydowe podejście ze standardowymi narzędziami, takimi jak regresja logistyczna i maszyny wektorów nośnych. Proste modele radzą sobie dobrze, gdy dane są już uporządkowane, ale mają trudności, gdy zachowania są złożone lub zaszumione. W przeciwieństwie do nich nowe rozwiązanie najpierw przekształca dane przez głębokie klastrowanie, a potem uchwyca wzorce czasowe za pomocą sieci sekwencyjnych. W obu zbiorach danych to podejście osiąga wysoką dokładność, jednocześnie zachowując równowagę między wykrywaniem odpływających klientów a ograniczaniem fałszywych alarmów. Badanie ablaacyjne pokazuje, że dodanie kroku klastrowania wyraźnie poprawia wyniki w porównaniu z samymi modelami sekwencyjnymi.

Co to oznacza dla firm online

Dla osoby niezajmującej się tym na co dzień główne przesłanie jest takie: pełniejsze wykorzystanie danych o tym, kiedy i jak ludzie robią zakupy, może przekształcić rutynowe logi w wczesne ostrzeżenia o tym, kto prawdopodobnie odejdzie. Łącząc proste podsumowania wydatków, inteligentne grupowanie klientów i modele śledzące zachowanie w czasie, ramy te oferują bardziej niezawodny sposób wskazywania klientów zagrożonych odpływem. Firmy mogą wówczas skupić oferty utrzymaniowe, wsparcie lub treści na osobach, które najbardziej tego potrzebują, poprawiając lojalność bez zgadywania czy polegania jedynie na intuicji.

Cytowanie: 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

Słowa kluczowe: odpływ klientów, e-commerce, segmentacja klientów, uczenie głębokie, analiza RFM