Recommandation
préface
Remerciements
À propos de l'auteur
Introduction du traducteur
Note du traducteur
Entrée

Partie 1 : Construction d'une armurerie

Chapitre 1 : Le monde du détachement
1.1 Pourquoi lire ce livre
1.1.1 Scénarios de sortie courants
1.1.2 Sujet de ce livre
1.2 Combattre le détachement
1.2.1 Interventions visant à réduire le décrochage scolaire
1.2.2 Pourquoi lutter contre le sevrage est difficile
1.2.3 Indicateurs clients : vos armes pour lutter contre le désabonnement
1.3 Différences avec les ouvrages généraux d'analyse de données
1.3.1 Informations pratiques et détaillées
1.3.2 Étude de cas par simulation
1.4 Produits avec lesquels les utilisateurs interagissent de manière répétée
1.4.1 Biens de consommation payants
1.4.2 Services B2B
1.4.3 Médias et applications publicitaires
1.4.4 Service d'abonnement aux flux RSS pour les consommateurs
1.4.5 Modèle commercial partiellement rémunéré
1.4.6 Modèle d'achat intégré
1.5 Scénarios de désabonnement pour les services hors abonnement
1.5.1 Le statut dormant est considéré comme un départ
1.5.2 Conversion d'essai gratuit
1.5.3 Vente incitative/Vente à la baisse
1.5.4 Autre prédiction client Oui/Non (binomiale)
1.5.5 Prévoir le comportement des clients
1.5.6 Cas d'utilisation autres que la sortie
1.6 Données sur le comportement des clients
1.6.1 Événements clients dans les catégories de produits générales
1.6.2 Événements les plus importants
1.7 Étude de cas sur la lutte contre la déviation
1.7.1 Portefeuille à lèvres
1.7.2 Généralités
1.7.3 Versature
1.7.4 Simulation de réseau social
1.8 Études de cas sur des indicateurs clients exceptionnels
1.8.1 Facilité d'utilisation
1.8.2 Taux de réussite
1.8.3 Prix unitaire
addition

Chapitre 2 Mesure de l'écart
2.1 Définition du taux de désabonnement
2.1.1 Calcul des taux de désabonnement et de fidélisation
2.1.2 Relation entre le taux de désabonnement et le taux de rétention
2.2 Base de données des abonnements
2.3 Calcul du taux de désabonnement de base : rétention nette
2.3.1 Calcul de la rétention nette
2.3.2 Calcul de la rétention nette SQL
2.3.3 Interprétation de la rétention nette
2.4 Sortie standard basée sur le compte
2.4.1 Définition du taux de désabonnement standard
2.4.2 Jointure externe pour le calcul du départ
2.4.3 Calcul de l'écart type via SQL
2.4.4 Quand utiliser les taux de désabonnement standard
2.5 Taux de désabonnement (lié à l'activité ou à un événement) pour les produits hors abonnement
2.5.1 Définition du taux de désabonnement par comptes actifs et événements
2.5.2 Calcul du taux de désabonnement via SQL
2.6 Churn avancé : Churn du revenu mensuel récurrent (MRR)
2.6.1 Définition et calcul de l'écart MRR
2.6.2 Calcul du taux de désabonnement MRR à l'aide de SQL
2.6.3 Taux de désabonnement MRR vs. Taux de désabonnement des comptes vs. Taux de désabonnement net (rétention)
2.7 Transformation de la mesure du taux de désabonnement
2.7.1 Analyse des survivants (avancée)
2.7.2 Conversion du taux de désabonnement
2.7.3 Conversion de toutes les périodes de mesure du taux de désabonnement en SQL
2.7.4 Sélection de la période de mesure du départ
2.7.5 Saisonnalité et désabonnement
addition

Chapitre 3 : Mesure de la clientèle
3.1 De l'événement à la métrique
3.2 Schéma de l'entrepôt de données d'événements
3.3 Agrégation des événements pour une seule période
3.4 Détails de la définition de la période métrique
3.4.1 Cycle d'action hebdomadaire
3.4.2 Horodatage des mesures métriques
3.5 Mesures à différents moments
3.5.1 Chevauchement des périodes de mesure
3.5.2 Chronométrage des mesures métriques
3.5.3 Enregistrement des mesures métriques
3.5.4 Enregistrement des métriques pour les exemples de simulation
3.6 Mesures de somme et de moyenne des attributs d'événement
3.7 Assurance qualité métrique
3.7.1 Test des changements des indicateurs au fil du temps
3.7.2 Étude de cas sur l'assurance qualité métrique
3.7.3 Vérifier le nombre de comptes avec des indicateurs
3.8 Assurance qualité des événements
3.8.1 Vérification de l'évolution des événements au fil du temps
3.8.2 Vérifier les événements par compte
3.9 Choix d'une période de mesure pour les mesures comportementales
3.10 Mesure de la période de maintenance des comptes
3.10.1 Définition de la période de conservation des comptes
3.10.2 Expression de table récursive pour les périodes de conservation des comptes
3.10.3 Programme SQL de gestion des comptes
3.11 Mesure du MRR et autres indicateurs d'abonnement
3.11.1 Calcul du MRR en tant que métrique
3.11.2 Abonnements pour un montant spécifique
3.11.3 Calcul de la quantité d'unités d'abonnement en tant que métrique
3.11.4 Calcul de la période de facturation en tant qu'indicateur
addition

Chapitre 4 : Observation des mises à jour et des départs
4.1 Introduction à l'ensemble de données
4.2 Méthodes d'observation des clients
4.2.1 Délai d'observation
4.2.2 Observation de la séquence des mises à jour et des départs
4.2.3 Aperçu de la création d'un ensemble de données d'abonnement
4.3 Identification de la période active d'un abonnement
4.3.1 Période active
4.3.2 Schéma de stockage de la période active
4.3.3 Détermination de la période active en cours
4.3.4 Recherche des périodes actives se terminant par des départs
4.4 Vérifiez la période d'activation des produits sans abonnement
4.4.1 Définition de la période active
4.4.2 Processus de constitution d'un ensemble de données à partir d'événements
4.4.3 Requête SQL pour le calcul des semaines d'activité
4.5 Sélectionnez la date d'observation
4.5.1 Équilibrer les observations d'écart et de non-écart
4.5.2 Algorithme de sélection de la date d'observation
4.5.3 Programme SQL de date d'observation
4.6 Exportation de l'ensemble de données des valeurs aberrantes
4.6.1 Programme SQL de création d'un jeu de données
4.7 Exportation des clients actuels à des fins de segmentation
4.7.1 Sélection des comptes et indicateurs actifs
4.7.2 Segmentation client basée sur des indicateurs
addition

Partie 2 : La guerre commence

Chapitre 5 : Comprendre le taux de désabonnement et les comportements grâce aux indicateurs
5.1 Analyse de cohorte métrique
5.1.1 Concepts de base de l'analyse de cohorte
5.1.2 Analyse de cohorte Python
5.1.3 Cohorte d'utilisation du produit
5.1.4 Cohorte de la période de rétention des comptes
5.1.5 Analyse de cohorte pour la période de facturation
5.1.6 Taille minimale de la cohorte
5.1.7 Différences entre les cohortes significatives et non significatives
5.1.8 Cohortes de métriques où la plupart des métriques client sont à 0
5.1.9 Causalité : Les indicateurs sont-ils à l'origine du désabonnement ?
5.2 Résumé du comportement des clients
5.2.1 Comprendre la distribution des indicateurs
5.2.2 Calcul des statistiques descriptives d'un jeu de données avec Python
5.2.3 Exclusion des métriques rares
5.2.4 Impliquer les chefs d'entreprise dans l'assurance qualité des données
5.3 Notation métrique
5.3.1 Concepts de base des scores métriques
5.3.2 Algorithme de notation des métriques
5.3.3 Calcul des scores métriques avec Python
5.3.4 Analyse de cohorte à l'aide de métriques de score
5.3.5 Analyse de cohorte pour les revenus mensuels récurrents
5.4 Suppression des observations indésirables ou non valides
5.4.1 Suppression des clients impayés de l'analyse du taux de désabonnement
5.4.2 Suppression d'observations en fonction de seuils métriques en Python
5.4.3 Suppression des mesures nulles de l'analyse des métriques rares
5.4.4 Comportement de désabonnement : Indicateurs liés à l’augmentation du taux de désabonnement
5.5 Segmentation client par analyse de cohorte
5.5.1 Processus de segmentation
5.5.2 Sélection des critères de segmentation
addition

Chapitre 6 : Relations entre les comportements des clients
6.1 Corrélation entre les actions
6.1.1 Corrélation entre paires de métriques
6.1.2 Étude des corrélations avec Python
6.1.3 Comprendre les corrélations entre ensembles de métriques à l'aide de matrices de corrélation
6.1.4 Matrice de corrélation des études de cas
6.1.5 Calcul des matrices de corrélation en Python
6.2 Paris moyens pour les groupes de mesures comportementales
6.2.1 Pourquoi faire la moyenne des scores des indicateurs corrélés ?
6.2.2 Moyennage des scores à l'aide d'une matrice de pondération (matrice de chargement)
6.2.3 Étude de cas sur la matrice de chargement
6.2.4 Application des matrices de charge en Python
6.2.5 Analyse de cohorte d'attrition pour le score moyen du groupe métrique
6.3 Découverte de groupes de métriques interreliées
6.3.1 Regroupement des métriques par corrélations de clustering
6.3.2 Clustering par corrélation en Python
6.3.3 Pondérations de la matrice de chargement qui convertissent la moyenne des scores en un score
6.3.4 Exécution du code d'analyse du regroupement des métriques et des cohortes groupées
6.3.5 Choix d'un seuil de corrélation pour le clustering
6.4 Explication des groupes de mesures interdépendantes aux chefs d'entreprise
addition

Chapitre 7 : Segmentation des clients à l’aide de mesures avancées
7.1 Métriques de ratio
7.1.1 Quand et pourquoi utiliser les indicateurs de ratio
7.1.2 Comment calculer les indicateurs de ratio
7.1.3 Exemple d'étude de cas sur une métrique de ratio
7.1.4 Métriques de ratio supplémentaires pour les réseaux sociaux simulés
7,2 % du total des indicateurs
7.2.1 Calcul des pourcentages des indicateurs totaux
7.2.2 Étude de cas de la métrique de pourcentage de la somme pour deux métriques
7.2.3 Étude de cas du pourcentage des métriques totales pour plusieurs métriques
7.3 Indicateurs pour mesurer le changement
7.3.1 Mesure des changements du niveau d'activité
7.3.2 Scores pour les indicateurs avec des valeurs aberrantes extrêmes (queues épaisses)
7.3.3 Mesure du temps écoulé depuis la dernière activité
7.4 Ajustement de la période métrique
7.4.1 Adaptation des métriques longues aux périodes courtes
7.4.2 Estimation des indicateurs pour les nouveaux comptes
7.5 Métriques utilisateur
7.5.1 Mesure des utilisateurs actifs
7.5.2 Métriques des utilisateurs actifs
7.6 Quel ratio dois-je utiliser ?
7.6.1 Pourquoi utiliser des ratios, et quoi d'autre ?
7.6.2 Quel ratio dois-je utiliser ?
addition

Partie 3 Armes et tactiques spéciales

Chapitre 8 : Prédiction du départ
8.1 Prédiction du taux de désabonnement à l'aide de modèles
8.1.1 Prédiction de probabilité à l'aide de modèles
8.1.2 Probabilités d'engagement et de fidélisation
8.1.3 Engagement et comportement du client
8.1.4 Décalage pour faire correspondre le taux de désabonnement observé à la courbe en S
8.1.5 Calcul des probabilités de régression logistique
8.2 Examen de la préparation des données
8.3 Ajustement du modèle de déviation
8.3.1 Résultats de l'analyse de régression logistique
8.3.2 Code de régression logistique
8.3.3 Explication des résultats de la régression logistique
8.3.4 Étude de cas sur la régression logistique
8.3.5 Probabilités de correction et d'écart passé
8.4 Prédire la probabilité de départ
8.4.1 Préparation de l'ensemble de données clients actuel pour la prédiction
8.4.2 Préparation des données clients actuelles en vue de la segmentation
8.4.3 Prédiction à l'aide d'un modèle enregistré
8.4.4 Étude de cas de prédiction
8.4.5 Correction et tendance des prévisions
8.5 Les pièges de la prévision de départ
8.5.1 Métriques de corrélation
8.5.2 Valeurs aberrantes
8.6 Valeur vie client
8.6.1 Signification de CLV
8.6.2 Du taux de désabonnement à la durée de vie client prévue
8.6.3 Formule CLV
addition

Chapitre 9 : Précision des prédictions et apprentissage automatique
9.1 Mesure de la précision des prévisions de départ
9.1.1 Pourquoi ne pas utiliser des mesures de précision standard pour les départs ?
9.1.2 Mesure de la précision de la prédiction de l'attrition avec l'AUC
9.1.3 Mesure de la précision des prédictions d'écart par l'amélioration
9.2 Simulation de la précision passée : rétrotest
9.2.1 Objectif et raison du backtesting
9.2.2 Code de backtest
9.2.3 Considérations relatives aux tests de validation et facteurs de risque
9.3 Paramètres de contrôle de régression
9.3.1 Contrôle de la force et du nombre de coefficients de régression
9.3.2 Analyse de régression à l'aide de paramètres de contrôle
9.4 Sélection des paramètres de régression par le biais de tests (validation croisée)
9.4.1 Validation croisée
9.4.2 Code de validation croisée
9.4.3 Étude de cas de validation croisée par régression
9.5 Prédiction du risque de désabonnement grâce à l'apprentissage automatique
9.5.1 Modèle d'entraînement XGBoost
9.5.2 Validation croisée XGBoost
9.5.3 Comparaison de la précision de XGBoost et de la régression
9.5.4 Comparaison des indicateurs avancés et de base
9.6 Segmentation client à l'aide de prédictions d'apprentissage automatique
addition

Chapitre 10 : Statistiques démographiques et d'entreprises
10.1 Ensembles de données statistiques démographiques et commerciales
10.1.1 Types de données démographiques et statistiques commerciales
10.1.2 Modèle de données de compte pour la simulation de réseau social
10.1.3 Base de données démographiques SQL
10.2 Cohortes d'attrition dans les catégories démographiques et statistiques des entreprises
10.2.1 Cohortes de désabonnement par catégorie démographique
10.2.2 Intervalles de confiance pour les taux d'abandon scolaire
10.2.3 Comparaison des cohortes démographiques avec intervalles de confiance
10.3 Regroupement des catégories démographiques
10.3.1 Représentation des groupes à l'aide de dictionnaires de correspondance
10.3.2 Analyse de cohorte à l'aide de catégories groupées
10.3.3 Conception des groupes de catégories
10.4 Analyse du taux de désabonnement pour les données démographiques de date et numériques
10.5 Prédiction du taux de désabonnement à l'aide des données démographiques
10.5.1 Conversion d'un champ texte en variable factice
10.5.2 Prédiction de l'attrition à l'aide de variables binaires catégorielles uniquement
10.5.3 Combinaison de variables indicatrices et de données numériques
10.5.4 Combinaison de données démographiques et de mesures pour prédire le taux de désabonnement
10.6 Segmentation des clients actuels à l'aide de données démographiques
addition

Chapitre 11 : Mener la lutte contre la défection
11.1 Planification de la lutte contre la défection
11.1.1 Liste de contrôle pour le traitement et l'analyse des données
11.1.2 Liste de vérification pour la communication sur l'entreprise
11.2 Exécution du code du livre avec vos propres données
11.2.1 Importation de données avec le schéma de données de ce livre
11.2.2 Exécution de code avec vos propres données
11.3 Portage du code de ce livre vers un autre environnement
11.3.1 Portage du code SQL
11.3.2 Portage de code Python
11.4 Apprentissage complémentaire et contact
11.4.1 Blog de l'auteur et réseaux sociaux
11.4.2 Données de référence relatives aux départs
11.4.3 Autres informations concernant le départ
11.4.4 Produits facilitant le sevrage
addition

Recherche

1.
Comment surmonter le phénomène de « churn » ? La clé pour percer les secrets de la fidélisation client

Le taux de désabonnement est un véritable problème auquel toutes les entreprises fournissant des produits et des services doivent faire face, et c'est un indicateur qui détermine la survie même d'une entreprise.
L'ouvrage « Stratégie de fidélisation basée sur les données » décortique la complexité du phénomène de désabonnement des clients, explique comment définir ce phénomène et par où commencer pour le mesurer.
Que votre activité repose sur des abonnements ou sur une clientèle fidèle, si la fidélisation est essentielle, il est crucial de comprendre la nature précise du taux de désabonnement.
Ce livre va au-delà de l'interprétation superficielle des données et vous guide dans la lutte contre le « désengagement » en s'appuyant sur des données réelles.

2.
Devenez une force incontournable dans le monde réel : comment transformer les données en « informations utiles »

Ce livre va au-delà des simples calculs de taux de désabonnement et fournit des méthodes et un savoir-faire spécifiques pour convertir toutes les données comportementales des utilisateurs au sein d'un service en indicateurs comportementaux.
Il vous fournit également des compétences pratiques en résolution de problèmes grâce à un code centré sur Python et SQL, des procédures d'assurance qualité (AQ) claires et une approche étape par étape pour relier les indicateurs comportementaux et le taux de désabonnement.
Si vous souhaitez gérer correctement vos données, ce livre vous apprendra à aller au-delà de la simple collecte d'une grande quantité de données pour identifier les signaux importants et aboutir à une analyse pratique.
De plus, les explications pratiques et les nombreux exemples présentés dans cet ouvrage donnent aux lecteurs l'assurance qu'ils peuvent immédiatement appliquer les concepts à leur propre entreprise.

3.
Guerre fondée sur les données : au-delà des prédictions, concentrez-vous sur des changements concrets.

Ce livre a pour but de relier les données à la stratégie et au changement réel.
Il présente également une approche pratique pour intégrer les résultats de l'analyse dans des améliorations concrètes des activités, des politiques de produit, de marketing et de support client.
Ce livre va au-delà des simples prédictions : il vous apprend à segmenter, cibler et influencer stratégiquement le comportement de vos clients. Il offre également un éclairage sur la régression logistique, l’analyse d’apprentissage automatique et la gestion efficace des données redondantes et de la surcharge informationnelle.
C'est une arme pratique que je recommande vivement à ceux qui savent que la fidélisation de la clientèle est la clé de leur chiffre d'affaires, de leur croissance et de leur avenir.

Si vous êtes un lecteur désireux de surmonter l'inévitable défi du désabonnement client grâce aux données et à des stratégies pratiques, je vous encourage vivement à vous procurer ce livre dès maintenant.

◈ Ce que ce livre aborde ◈

◆ Calcul des indicateurs de désabonnement
Identifier les comportements des utilisateurs qui indiquent un abandon de projet
◆ Utiliser une stratégie de réduction du taux de désabonnement grâce à la segmentation client
Appliquer les techniques d'analyse de l'attrition à d'autres domaines d'activité
◆ Utilisation de l'IA pour une prédiction précise du taux de désabonnement

◈ Public cible de ce livre ◈

Ce livre s'adresse principalement aux data scientists, aux analystes de données et aux ingénieurs en apprentissage automatique.
Si vous êtes chargé de comprendre les produits ou services en ligne et de prévenir le désabonnement, ce livre vous sera d'une aide précieuse.
Ce livre est également idéal pour les étudiants en informatique et en science des données, ou pour toute personne sachant coder et souhaitant en apprendre davantage sur les domaines fondamentaux de la science des données dans un contexte d'entreprise typique.
Ce livre part de données brutes et fournit les connaissances de base nécessaires à toutes les tâches analytiques abordées, ce qui en fait un cours pratique idéal en science des données, enseigné à travers un projet d'analyse du taux de désabonnement d'une petite entreprise (des exemples de jeux de données sont également fournis).

Les chapitres 8 et 9 de la partie 3 de ce livre, qui traitent de la prédiction du taux de désabonnement et de l'apprentissage automatique, peuvent s'avérer un peu difficiles pour ceux qui n'ont aucune expérience en la matière.
Même sans ces connaissances préalables, vous pouvez apprendre tout ce que vous devez savoir dans les chapitres 8 et 9, mais vous devrez peut-être consacrer du temps supplémentaire à la lecture des documents en ligne recommandés.

Ce livre est une lecture incontournable, même pour les professionnels qui ne programment pas.
Cet ouvrage présente des études de cas uniques sur le taux de désabonnement dans des entreprises réelles, décrivant les données couramment utilisées dans l'analyse du taux de désabonnement, les pratiques utilisées pour transformer ces données en informations exploitables et les résultats les plus courants.
Ce livre met notamment l'accent sur la manière de communiquer efficacement les résultats des données aux gestionnaires d'entreprise, de sorte que tous les points clés importants sont expliqués en termes simples plutôt qu'en jargon technique.
Donc, si la navigation vous intéresse mais que vous ne savez pas programmer, je vous recommande de parcourir rapidement les points clés clairement exposés dans ce livre et de faire l'impasse sur la programmation et les mathématiques.
Il pourrait alors être utile de partager ce livre avec l'un de vos développeurs et de se faire aider pour mettre les concepts en pratique.

◈ Structure de ce livre ◈

Ce livre est divisé en trois parties principales.
La première partie explique ce qu'est le taux de désabonnement, comment le mesurer, quelles données les entreprises utilisent généralement pour comprendre et réduire ce taux, et comment se préparer à exploiter efficacement ces données.

■ Le chapitre 1 offre une introduction générale au domaine et à des études de cas, mettant en lumière les types d'informations que ce livre peut fournir et qui vous aideront à développer vos propres produits et services.

■ Le chapitre 2 explique comment identifier les clients susceptibles de se désabonner et comment mesurer ce taux de désabonnement à l'aide de différentes méthodes. Le code SQL est présenté à partir de ce chapitre.
■ Le chapitre 3 explique comment calculer les indicateurs clients à partir des données d'événements utilisateurs collectées par la plupart des entreprises en ligne.
■ Le chapitre 4 explique comment combiner les données de désabonnement du chapitre 2 et les indicateurs du chapitre 3 pour créer un ensemble de données analytiques permettant de comprendre et de combattre le désabonnement.
La deuxième partie, qui contient les techniques fondamentales de ce livre, se concentre sur la compréhension du lien entre le comportement des clients, le taux de désabonnement et la fidélisation, et sur l'utilisation de ces connaissances pour mettre en œuvre des stratégies de réduction du taux de désabonnement.
■ Le chapitre 5 décrit une forme d’analyse de cohorte, une méthode clé pour comprendre et expliquer la relation entre le comportement et l’attrition.
Le chapitre 5 contient également de nombreux exemples d'études de cas, et le code est écrit en Python.
■ Le chapitre 6 examine comment gérer des données trop volumineuses pour être traitées.
La plupart des ensembles de données d'entreprise comportent des mesures étroitement liées qui représentent fondamentalement le même comportement.
La manière dont nous traitons ces informations redondantes est importante.
■ Le chapitre 7 revient sur le sujet de la création de métriques, en utilisant les informations des chapitres 5 et 6 pour concevoir des métriques avancées qui aident à expliquer des comportements clients complexes tels que la sensibilité au prix et l'efficacité.

La troisième partie traite de la prédiction à l'aide de la régression et de l'apprentissage automatique.
Les prédictions sont moins importantes que de bons indicateurs lorsqu'il s'agit de réduire le taux de désabonnement, mais elles peuvent être utiles.
Cependant, réaliser des prédictions correctes nécessite des techniques particulières.

■ Le chapitre 8 explique comment prédire la probabilité de désabonnement des clients à l'aide de la régression et comment interpréter les résultats de la prédiction, y compris le calcul de la valeur vie client.
■ Le chapitre 9 explique l'apprentissage automatique, la mesure de la précision et l'optimisation de la prédiction du taux de désabonnement.
■ Le chapitre 10 traite de l'analyse des données démographiques ou firmographiques liées au taux de désabonnement et de la recherche de clients similaires à vos meilleurs clients.

La plupart des lecteurs devraient commencer par le début et lire les parties 1 et 2.
Après avoir appris et appliqué ces techniques, si vous avez besoin de faire des prédictions ou de trouver des clients similaires, continuez à lire la partie 3.
Si vous utilisez déjà des analyses avancées, vous pouvez ignorer la partie 1 et commencer par la partie 2 ou la partie 3.
Dans le cadre de cet ouvrage, l'utilisation d'analyses avancées signifie que vous disposez déjà de bonnes données clients et que vous pouvez identifier et mesurer le taux de désabonnement.
Sinon, commencez par la partie 1.

Note du traducteur

Nous sommes ravis de vous présenter ce livre sur les stratégies de prévention du désabonnement et de fidélisation de la clientèle basées sur les données.
En Corée, il n'est pas facile de trouver un ouvrage de référence, fondé sur des données et rédigé par des experts, concernant la prévention de l'attrition client ; l'opportunité de traduire ce livre était donc vraiment précieuse.

Ces dernières années, de nombreuses entreprises se sont concentrées sur la croissance quantitative afin de maximiser l'acquisition de nouveaux clients.
Cependant, dans un environnement de marché de plus en plus volatil, l’importance des stratégies de fidélisation qui permettent de conserver les clients existants et de maximiser leur valeur à vie (LTV) est plus grande que jamais.
Au-delà de la simple acquisition de clients, la clé d'une croissance durable réside dans la capacité à fidéliser les clients perdus et à les transformer en clients fidèles.

Ce livre est un guide pratique qui répond aux besoins de notre époque.
Plutôt que de nous fier à des conjectures ou à l'expérience, nous proposons des méthodes concrètes pour identifier les causes profondes du désabonnement des clients grâce à l'analyse des données et au développement de stratégies concrètes.
Rédigé spécifiquement du point de vue de ceux qui gèrent les données, cet ouvrage commence par le traitement des données brutes et va au-delà de la simple création de modèles de prédiction du taux de désabonnement, en se concentrant sur la découverte et l'utilisation des indicateurs clients qui peuvent être directement « utilisés » pour l'entreprise.
Il aborde diverses études de cas applicables aux services d'abonnement, ainsi qu'à tout produit ou service ayant une clientèle fidèle, et des techniques pratiques mettant l'accent sur les algorithmes statistiques et informatiques.
Un autre avantage majeur est sa structure, qui permet même aux lecteurs ne disposant pas de leurs propres données d'apprendre en suivant le tutoriel grâce à la simulation d'ensembles de données similaires aux données réelles.

Par conséquent, je recommande vivement ce livre à tous ceux qui cherchent à améliorer leurs services et à prévenir le taux de désabonnement en se basant sur les données.
Pour les analystes de données, les scientifiques des données, les spécialistes du marketing et autres professionnels qui luttent déjà pour prévenir l'attrition, nous fournirons des outils et des tactiques pratiques pour transformer vos efforts actuels en efforts plus systématiques et axés sur les données.
Cela servira également de lueur d'espoir aux chefs d'entreprise et à ceux qui ont peu de connaissances en matière de données, qui reconnaissent que le taux d'attrition client est un problème sérieux, mais qui se sentent dépassés par la question de savoir par où commencer.
Ce livre offre un éclairage approfondi sur la manière dont les données peuvent contribuer à la croissance des entreprises, et notamment sur la façon dont l'analyse des données peut être appliquée au problème complexe du désabonnement.

J'espère sincèrement que ce livre constituera une ressource précieuse pour de nombreuses entreprises coréennes, leur permettant de résoudre efficacement les problèmes de fidélisation de la clientèle grâce à des approches fondées sur les données et de parvenir à une croissance durable.
J'espère sincèrement que grâce à ce livre, les lecteurs parviendront à remporter la lutte contre le désabonnement grâce aux données.