本文由凯蒂·蒂尔尼和克里斯蒂娜·德德里克共同撰写。再次从你的忠实客户那里购买你的品牌和产品。但是你如何让这些梦想成真呢？品牌越来越多地实施一种工具，以增强其客户获取和保留策略？订阅服务。电子商务订阅服务的市场很大。根据麦肯锡的数据，在过去的五年里，它的年增长率超过100%。"过去5年，订阅电子商务市场以每年100%以上的速度增长。"麦肯锡公司。这是有道理的。订阅服务方便、实惠、令人兴奋。它们是培养与客户持续关系的好方法。想象一下，一包衣服或特色食品来到你的前门，里面装满了根据你个人喜好精心策划的一套产品。很多时候，通过订阅服务，你会发现，如果没有为你选择的产品，你永远不会知道。或者想象一下，你可以轻松无意识地补充你不断购买的许多产品，比如宠物食品、家庭清洁用品、个人护理用品等等。自动驾驶这些购买可以让你在空闲时间少跑腿，或者在繁忙的日子少做一个决定。此外，许多公司在经常性订单的购买价格上提供折扣，这使得你很容易在定期购买的东西上省钱。但是当你的客户不喜欢他们订阅的产品时会发生什么呢？他们是继续让这些订单正常运行还是取消订单？很有可能，如果他们不高兴，他们会跳过下一个订单，或者完全取消订阅。获得新客户是很昂贵的，所以任何一个品牌都值得花时间留住现有客户。如何减少订阅取消？你能辨别出人们喜欢和不喜欢的产品吗？你能用这些数据在你的订阅中包括或排除这些产品吗？让我们来看看Klaviyo的数据科学团队与之合作的一家公司，该公司正致力于挖掘此类问题。超级订阅盒（一个匿名公司，我们称之为SSB）是一个典型的订阅盒业务。每个月，SSB都会给他们的用户发送一个精心策划的产品，而客户永远不会收到同一个产品两次。产品出现在客户的订阅中没有固定的进度，因此不同的客户可能在订阅的不同月份获得相同的产品。SSB还制定了一些规则，将某些产品从有特定需求的客户的订阅箱中排除（即素食主义客户永远不会收到含有动物衍生物的产品）。因此，客户在订阅SSB期间有着截然不同的产品旅程。以下是三个客户的旅程可能是什么样的示例：SSB与Klaviyo的数据科学团队分享了客户收到的每种产品的清单，每个客户收到产品的日期，以及每个客户何时取消订单。有了这些信息，团队能够为每个客户构建产品旅程。SSB在订阅时提供了大量的产品。这意味着顾客可以收到更多的产品组合。虽然不同客户的旅程有很多不同之处，但有些客户仍然有相同的体验。例如，所有在第一个月收到一双人字拖然后被取消的人都有同样的旅程。但是，像上面例子中的Lisa这样的人，如果长期保留她的订阅，则会有一段更为独特的旅程。数据科学团队与不同的客户旅程合作，以了解SSB目录中哪些产品性能更好或更差。为了从客户旅程列表到每个产品的数值得分，团队选择将SSB的订阅计划建模为马尔可夫链，这是一种对离散事件或状态序列建模的方法（*如果您想深入了解数据科学，请查看本文末尾的部分；如果您不喜欢，继续阅读，我们很快就会总结要点）。对于每个产品旅程，团队将每个月和产品对视为一个独特的状态。每个月，客户可以继续订阅下一个月，也可以取消订阅。利用马尔可夫链模型，该团队希望评估为什么SSB的客户取消了他们的订阅，并试图回答几个问题，包括：客户是否会根据收到的产品进行取消，或者订阅的时间长度是唯一可以预测他们取消的可能性吗？是否有些产品会比其他产品造成更多的取消订单？更重要的是：客户订阅的时间长度还是产品本身？数据显示了一些东西。首先，取消是由于时间（客户订阅的时间长度）和产品（客户在订阅中收到的内容）造成的。第二，并非所有产品都是平等的。有些产品表现非常好。其他产品很有可能导致取消，所以SSB从订阅中删除这些项目可能是一个不错的选择。第三，数据显示，第二个月的取消可能是因为客户不喜欢某个产品。该团队认为，许多注册订阅的客户都愿意在第一个月试用，但如果他们对收到的内容不满意，他们会在第二个月后取消订阅。第二个月是将高性能产品纳入客户订阅的重要月份。正如我们在SSB的订阅数据中看到的，了解订阅中的哪些产品可能是您的客户喜欢的产品，哪些可能是他们不喜欢的产品，这一点很重要。这些信息将帮助您避免昂贵的取消，并保留您努力建立的宝贵客户关系。了解有关如何使用订阅来提高客户生命周期价值的详细信息。**********************************深入研究数据科学想深入一点吗？克拉维尤公司的数据科学家克里斯蒂娜·德德里克（Christina Dedrick）将带您一窥究竟。什么是马尔可夫链？马尔可夫链是一种建模离散事件或状态序列的方法。马尔可夫链由节点组成，节点表示状态，节点之间的转换如箭头所示。状态之间的转换只取决于当前状态。每个转移都用一个概率表示，节点的概率之和必须正好等于1。（进入一个状态的概率之和可能大于1，因为进入一个状态的方式有很多种）。例如，下面的马尔可夫链可以代表某人的情绪：在这个链中，有两种状态由两个节点代表：快乐和悲伤。每个箭头表示状态之间的转换，可以有一些转换使您保持在开始时的状态。在上面的链条中，如果你处于悲伤的状态，你有50%的机会保持悲伤，50%的几率你变得快乐。一旦你快乐了，80%的几率你会保持快乐，20%的几率你会过渡到悲伤。虽然快乐决定了你在下一次转变中保持快乐的可能性，但你在快乐之前的状态并不影响这一点。所以，如果你以前的状态是"从悲伤到快乐"和"快乐到快乐"，你也同样会保持快乐现在，如果我们不知道转变的概率是多少，但是我们知道一个样本的状态序列呢？对于我们的喜怒哀乐的例子，我们可能知道我们的员工符合以下模型，但我们还不知道概率是多少。标题：Ph->h是从快乐状态过渡到快乐状态的概率。Ps->h是从悲伤状态过渡到高兴状态的概率。Ps->s是从sad状态转换到sad状态的概率。Ph->s是从快乐状态过渡到悲伤状态的概率。 但我们可能有一组关于人们情绪随时间变化的数据，如下所示（h=快乐；s=悲伤）：人起始状态状态1状态2状态3状态40hsssh1hhhhs2hshhs三shssh4hshhh5shssh6hshhs7h