באוניברסיטה ישראלית ותיקה נשרו בשקט מאות סטודנטים בשנה א', והיא גילתה את זה רק כשהם כבר נכשלו או הגישו בקשת פרישה. הקדמנו את הגילוי בשבועות, לרגע שבו עזרה עוד עובדת.
מוסד מוביל איבד מאות סטודנטים (בעיקר בשנה א') בגלל נשירה, מכה רצינית גם בהכנסות משכר הלימוד וגם במוניטין.
הצרה הייתה שכולם גילו מאוחר מדי. יועצי הקורסים ודיקן הסטודנטים גילו שסטודנט בצרה רק אחרי שנכשל בבחינות סוף הסמסטר או הגיש טופס פרישה, הנקודה שבה כבר מאוחר מדי לעזור. הסימנים היו קיימים, אבל הם היו מפוזרים על פני מערכות נפרדות: נוכחות בשיעורים, כניסות לפלטפורמת הלמידה, מטלות שהוגשו באיחור, תשלומים שנתקעו במדור שכר הלימוד. שום מערכת לא חיברה אותם לתמונה אחת.
פרופיל בריאות אחד לכל סטודנט, מודל התראה מוקדמת, ודחיפה לאדם כשעוד אפשר לעזור.
חיברנו את המערכות האקדמיות, התפעוליות והפיננסיות לפלטפורמת דאטה אחת, ובנינו לכל סטודנט "פרופיל בריאות" שמתעדכן ברציפות במקום שברי מידע מפוזרים שאף אחד לא ראה במבט אחד.
המודל עוקב אחרי הסימנים המוקדמים והשקטים, לא הרועשים והמאוחרים (ירידה של 30% בכניסות לפורטל האקדמי לצד מטלה שלא הוגשה), הדפוס של משבר שמתבשל, שבועות לפני הבחינות.
במקום ניתוח שלאחר מעשה אחרי סמסטר כושל, המערכת מסמנת סטודנט שנסחף לעבר נשירה בזמן שהסמסטר עדיין חי ואפשר עוד לשנות את התוצאה.
ברגע שסטודנט מסומן, התראה נשלחת למזכירות הפקולטה או ליועץ הקורס, עם תמונה מלאה ופעולה מוצעת, לא רק נקודה אדומה.
ההמלצה מתאימה לסיבה: שיחת בדיקה אישית, הצעה לתגבור אקדמי, או סידור פריסת תשלומים, תמיכה ממוקדת לסטודנטים שבאמת זקוקים לה.
ה-AI מציף מי בסיכון ולמה; אדם מחליט איך לפנות. הקשר נשאר אנושי. המודל רק מוודא שזה קורה בזמן.
השימור עבר מניתוח שלאחר מעשה לתהליך חי ויזום.
שיעור הנשירה בשנה הראשונה ירד ב-25% כבר בשנת ההטמעה הראשונה, מה שהשאיר את הסטודנטים במסלול, ושמר זרם גדול ומתמשך של הכנסות משכר לימוד שהמוסד היה מאבד.
לשכת הדיקן והיועצים עברו מניהול משברים (כיבוי שרפות בדיעבד) לפנייה יזומה וממוקדת לסטודנטים שבאמת זקוקים לה, והסטודנטים הרגישו שהמוסד באמת רואה אותם.
זה עובד כי הוא קורא את הסימנים המקדימים ולא את הכישלון שמגיע מאוחר מדי, וכי אדם תמיד עושה את הפנייה, כך שההתערבות גם בזמן וגם אנושית. חיזוי שמחובר לפעולה אמיתית ואכפתית, זה ההבדל בין לוח בקרה של סטודנטים בסיכון לבין שימור אמיתי שלהם. אותה משמעת עומדת מאחורי עבודת חיזוי הנטישה שלנו במגזר אחר.
ספקית תוכן ישראלית גדולה איבדה אלפי מנויים בחודש בלי שום התראה. חיזוי נטישה מוקדם עם שימור אוטומטי ומותאם אישית חתך את הנטישה החודשית בכ-25% והעלה שימוש ב-40%.
לפרויקט המלא ← דירוג לידים · פינטקנציגי B2B של פינטק גלובלי טבעו בלידים לא ממוינים בזמן שעסקאות ארגוניות חיכו ימים והתקררו. העשרת AI ודירוג חזוי העלו המרה ב-47.6% וחתכו את זמן התגובה לליד אסטרטגי ל-5 דקות.
לפרויקט המלא ←
Reef TRH