Causal Inference and Uplift Modelling: A Review of the Literature
Pierre Gutierrez و Jean-Yves Gérardy، Proceedings of Machine Learning Research، المجلد 67، 2017.
نادرًا ما يعلن العملاء أنهم سيغادرون، لكن سلوكهم يكشف ذلك عادة، قبل أسابيع من أن يصبح الحساب خاملًا.
ابدأ بتعريف مكتوب تتفق عليه فرق النمو والمالية والمنتجات قبل أن يبني أحد أي نموذج. فالاكتفاء بعدّ الحسابات المغلقة يُغفل معظم الخسارة. والتعريفات المفيدة تصف التراجع نفسه، ومنها:
اختر تعريفًا رئيسيًا واحدًا، واحتفظ بالتعريفات الأخرى منظورًا ثانويًا. فقد تهتم جهة الإقراض أكثر بالعملاء الذين يسددون مبكرًا ولا يقترضون مجددًا. دوّن التعريف مع فترته الزمنية وأبقِه ثابتًا، كي تُقارَن نتائج كل ربع سنة بالربع الذي يليه.
العلامات المبكرة كامنة فيما يفعله العملاء، وترتيب الأحداث كثيرًا ما يقول أكثر مما تقوله المجاميع. فالعميل الذي يصل راتبه ثم يحوّله إلى خارج البنك في اليوم نفسه يتصرف على نحو مختلف عن عميل ينفقه على مدار الشهر، حتى لو بدت أرصدتهما الشهرية متشابهة. والملخصات الشهرية تحتفظ بالأعداد وتُضيّع هذا التسلسل. ومن العلامات التي تستحق المتابعة:
وصف باحثون في Nubank نماذج Transformer دُرّبت على بيانات معاملات العملاء وحسّنت التوقعات في مسائل توصية واسعة النطاق (Braithwaite وآخرون، 2025). والأمر نفسه ينطبق على المغادرة: احتفظ بتاريخ كل عميل مع توقيت أحداثه، لأن الإشارة تكمن هناك.
التنبيه الذي يصل بعد أن ينقل العميل راتبه قليل الفائدة. اسأل الفريق الذي سيتصرف عن عدد الأيام التي يحتاجها بين التنبيه والمحادثة، مع احتساب الموافقات وقواعد التواصل. هذا الرقم هو مهلة الإنذار، ومكانه في وثيقة المتطلبات بوصفه متطلبًا تجاريًا.
ثم احكم على التوقعات عند ذلك الأفق. فالنموذج الدقيق جدًا قبل أسبوع قد يكون أضعف قبل أربعة أسابيع، وقد يكون منظور الأسابيع الأربعة هو الوحيد الذي يستطيع الفريق استخدامه. أبلغ عن الدقة عند الأفق المتفق عليه، وسجّل كم يومًا مسبقًا رُصد كل عميل احتُفظ به لأول مرة.
قائمة العملاء المرجّح أن يغادروا تختلف عن قائمة العملاء الجديرين بالتواصل. فبعض العملاء سيبقون مهما فعلت، وبعضهم سيغادرون مهما عرضت عليهم. وآخرون سيستجيبون لمكالمة أو سعر أفضل، وقلة منهم سيدفعهم التواصل نفسه إلى المغادرة. والميزانية التي تُنفق على المجموعتين الأوليين مهدرة، والتواصل مع المجموعة الأخيرة يضر.
تقدّر نمذجة الأثر الإضافي ما يضيفه إجراء ما إلى نتيجة العميل، مقارنة بعدم اتخاذ أي إجراء. وكل الأساليب التي راجعها Gutierrez و Gérardy (2017) تحتاج إلى بيانات عن عملاء جرى التواصل معهم وعملاء لم يجر التواصل معهم. وعمليًا يعني ذلك مجموعة ضابطة: نسبة عشوائية من العملاء المرصودين لا يُتخذ معهم أي إجراء، فيُظهر الفرق بين المجموعتين ما حققه البرنامج. أبقِ المجموعة الضابطة قائمة بحجم تقبله الشركة، كي يمكن التحقق من نتائج كل ربع سنة بالمقارنة معها.
القائمة المرتبة لا تفيد إلا إذا عمل عليها أحد. ابدأ من الطاقة الاستيعابية: كم عميلًا تستطيع فرقك التواصل معه جيدًا في الأسبوع، وكم عرضًا تغطيه الميزانية. اقطع القائمة عند هذا الرقم ورتّبها حسب القيمة المتوقع الاحتفاظ بها، فيذهب الجهد إلى حيث تكون قيمته أكبر.
احفظ قائمة كل أسبوع مجموعةً مسماة، مع سبب وجود كل عميل فيها. فتعمل كل الفرق من الأسماء نفسها، ولا يُتواصل مع أي عميل مرتين، ويمكن تتبع كل نتيجة إلى المجموعة التي استُهدفت.
القواعد التي تتيح للعملاء مشاركة بياناتهم ونقل أموالهم بين المؤسسات تخفف عناء الانتقال. ففي الإمارات العربية المتحدة، تُلزم لائحة التمويل المفتوح الصادرة عن المصرف المركزي المؤسساتِ المرخصة بأن تتيح للمشاركين في الإطار الوصول إلى بيانات العملاء وإمكانية إجراء المعاملات، رهنًا في جميع الحالات بالموافقة الصريحة للعميل (مصرف الإمارات العربية المتحدة المركزي، يونيو 2024). وفي ديسمبر 2024 وافق مجلس إدارة المصرف المركزي على تأسيس «نبراس للتمويل المفتوح»، وهي شركة تابعة تدير البنية التحتية المركزية للتمويل المفتوح (وكالة أنباء الإمارات «وام»، ديسمبر 2024). وفي البرازيل، يتيح نظام التمويل المفتوح التابع للبنك المركزي لكل عميل أن يقرر البيانات التي يشاركها، ومع أي مؤسسة، ولأي مدة (البنك المركزي البرازيلي).
وهذا يسري في الاتجاهين: يستطيع منافس أن يقدّم عرضًا مبنيًا على التاريخ الذي شاركه العميل، وتستطيع أنت ذلك أيضًا. وقد تقصر المدة بين أول علامة تراجع والانتقال الفعلي، مما يزيد أهمية مهلة الإنذار وتكرار التقييم.
اعرض هذه المقاييس معًا كل شهر، وضع في الصفحة الأولى القيمة المحتفظ بها مقارنة بالمجموعة الضابطة بعد خصم تكلفة العروض، ودقة النموذج في الملحق.
تتعلم Mantika Tessera من تاريخ عملائك، وتُظهر لفرقك من تحتفظ به ومن تنمّي العلاقة معه.
Pierre Gutierrez و Jean-Yves Gérardy، Proceedings of Machine Learning Research، المجلد 67، 2017.
D. T. Braithwaite وآخرون (Nubank)، arXiv:2507.23267، يوليو 2025.
مصرف الإمارات العربية المتحدة المركزي، بيان صحفي، يونيو 2024.
وكالة أنباء الإمارات (WAM)، 12 ديسمبر 2024.
البنك المركزي البرازيلي، الصفحة الرسمية (باللغة البرتغالية).