Předpovídejte ukončení předplatného

Predikuje, zda hrozí odchod zákazníka, když přestane používat předplatné pro produkty nebo pravidelné služby vaší společnosti. Data předplatného zahrnují aktivní a neaktivní předplatné pro každého zákazníka, takže na každé číslo zákazníka je více záznamů. Chcete-li zjistit riziko odchodu zákazníků, kteří neprovádějí plánované nákupy, použijte model úbytku transakcí.

Musíte mít obchodní znalosti k pochopení toho, co znamená pro vaši firmu odchod zákazníků. Například firma s každoročními akcemi může definovat úbytek zákazníků měřený v letech, zatímco firma, která zajišťuje týdenní prodeje, může měřit úbytek zákazníků v měsících. Podporujeme definice časově závislých odchodů zákazníků, což znamená, že je zákazník považován za odchozího po uplynutí časového intervalu od konce jeho předplatného.

Například společnost Contoso nabízí měsíční kávový servis. Firma chce vědět, kteří zákazníci se mohou dotazovat na obnovení služby, aby mohli nabídnout slevu. Prostřednictvím modelu úbytku předplatitelů může společnost Contoso zjistit, kteří zákazníci nemusí službu příští rok obnovit a jak velká tato skupina může být.

Tip

Vyzkoušejte predikci úbytku předplatných s využitím ukázkových dat: Průvodce ukázkami predikce úbytku předplatných.

Předpoklady

• Alespoň oprávnění Přispěvatel.
• Minimálně 1000 profilů zákazníků v rámci požadovaného predikčního okna.
• Identifikátor zákazníka, jedinečný identifikátor pro párování předplatných s vašimi zákazníky.
• Data předplatného alespoň pro dvojnásobek vybraného časového okna. Nejlépe dva až tři roky předplacených dat. Historie předplatného musí obsahovat:
  • ID předplatného: Jedinečný identifikátor předplatného.
  • Datum ukončení předplatného: Datum vypršení platnosti předplatného zákazníka.
  • Datum zahájení předplatného: Datum zahájení platnosti předplatného zákazníka.
  • Datum transakce: Datum změny předplatného. Například zákazník koupil nebo zrušil předplatné.
  • Je to opakující se předplatné: Logické pole pravda/nepravda, které určuje, zda bude odběr obnoven se stejným ID předplatného bez zásahu zákazníka.
  • Frekvence opakování (v měsících): U opakujících se předplatných je to měsíc, po kterém bude předplatné obnoveno. Například roční předplatné, které se automaticky obnovuje pro zákazníka z roku na rok, má hodnotu 12.
  • Částka předplatného: Částka měny, kterou zákazník platí za obnovení předplatného. Může pomoci identifikovat vzory pro různé úrovně předplatného.
• Alespoň dva záznamy o aktivitách pro 50 % zákazníků, pro které chcete vypočítat jejich možný odchod. Aktivity zákazníka musí zahrnovat:
  • Primární klíč: Jedinečný identifikátor aktivity. Například návštěva webové stránky nebo záznam o použití znázorňující, že zákazník sledoval epizodu televizního pořadu.
  • Časové razítko: Datum a čas události identifikovaný primárním klíčem.
  • Událost: Název události, kterou chcete použít. Například pole nazvané „AkceUživatele“ ve streamovací službě může mít hodnotu „Zobrazeno“.
  • Podrobnosti: Podrobné informace o akci. Například pole nazvané „NázevPořadu“ ve streamovací službě může mít hodnotu videa shlédnutého uživatelem.
• Méně než 20% chybějících hodnot v datovém poli poskytnuté tabulky.

Vytvoření predikce odchodu předplatitelů

Kdykoliv můžete volbou Uložit koncept uložit predikci jako koncept. Koncept predikce se zobrazí na kartě Moje predikce.

1. Přejděte na Přehledy>Predikce.

2. Na kartě Vytvořit vyberte Použít model na kartě Model úbytku zákazníků.

3. Vyberte Předplatné pro typ úbytku a pak Začínáme.

4. Pojmenujte tento model a zadejte Název tabulky výstupu, abyste je odlišili od jiných modelů nebo tabulek.

5. Vyberte Další.

Definujte ztracené zákazníky

1. Zadejte počet dní pro Dny od ukončení předplatného, po jejichž uplynutí vaše firma považuje zákazníka za odchozího. Toto období je obvykle přizpůsobeno obchodním činnostem, jako jsou nabídky nebo jiné marketingové činnosti, které se snaží zabránit ztrátě zákazníka.

2. Zadejte počet dní, po které dívat do budoucnosti k predikci úbytku. Například predikujte riziko odchodu vašich zákazníků v průběhu následujících 90 dnů pro slazení vaší marketingové úspěšnosti prodeje. Předvídání rizika odchodu zákazníků na delší nebo kratší období může ztížit řešení faktorů ve vašem profilu rizika odchodu zákazníků, v závislosti na vašich konkrétních obchodních požadavcích.

3. Vyberte Další.

Přidejte požadovaná data

1. Vyberte Přidat data u Historie předplatného.

2. Nastavte sémantický typ aktivity Předplatné, který obsahuje požadované informace o historii předplatného. Pokud aktivita nebyla nastavena, vyberte zde a vytvořte ji.

3. V části Činnosti, pokud byly atributy aktivity sémanticky namapovány při vytváření aktivity, vyberte konkrétní atributy nebo tabulku, na kterou se má výpočet zaměřit. Pokud nedošlo k sémantickému mapování, vyberte Upravit a namapujte svá data.

   

4. Vyberte Další a zkontrolujte atributy požadované pro tento model.

5. Vyberte Uložit.

6. Vyberte Přidat data pro Aktivity zákazníka.

7. Vyberte typ sémantické aktivity, který poskytuje informace o aktivitě zákazníka. Pokud aktivita nebyla nastavena, vyberte zde a vytvořte ji.

8. V části Činnosti, pokud byly atributy aktivity sémanticky namapovány při vytváření aktivity, vyberte konkrétní atributy nebo tabulku, na kterou se má výpočet zaměřit. Pokud nedošlo k sémantickému mapování, vyberte Upravit a namapujte svá data.

9. Vyberte Další a zkontrolujte atributy požadované pro tento model.

10. Vyberte Uložit.

11. Přidejte další aktivity nebo vyberte Další.

Natavení plánu aktualizace

1. Vyberte frekvenci opětovného trénování modelu. Toto nastavení je důležité k aktualizaci přesnosti predikcí, když jsou ingestována nová data. Většina podniků může provést opětovné cvičení modelu jednou za měsíc a mít predikce s dobrou přesností.

2. Vyberte Další.

Zkontrolujte a spusťte konfiguraci modelu

Krok Zkontrolovat a spustit zobrazuje souhrn konfigurace a poskytuje možnost provést změny před vytvořením predikce.

1. Vyberte Upravit na kterémkoli z kroků ke kontrole a provedení jakýchkoli změn.

2. Pokud jste se svým výběrem spokojeni, volbou Uložit a spustit spusťte model. Vyberte Hotovo. Karta Moje předpovědi se zobrazí při vytváření predikce. Dokončení procesu může trvat několik hodin v závislosti na množství dat použitých v predikci.

Tip

Úkoly a procesy mají své stavy. Většina procesů závisí na jiných upstreamových procesech, jako jsou aktualizace zdrojů dat a profilování dat.

Výběrem stavu otevřete podokno Podrobnosti o průběhu a zobrazíte průběh úloh. Chcete-li úlohu zrušit, vyberte Zrušit úlohu ve spodní části panelu.

U každé úlohy můžete výběrem možnosti Zobrazit podrobnosti zobrazit další informace o průběhu, jako je čas zpracování, datum posledního zpracování a případné chyby a varování související s úlohou nebo procesem. Vyberte Zobrazit stav systému ve spodní části panelu k zobrazení dalších procesů v systému.

Zobrazení výsledků predikce

1. Přejděte na Přehledy>Predikce.

2. Na kartě Moje predikce vyberte predikci, kterou chcete zobrazit.

Na stránce výsledků jsou tři primární sekce s daty:

• Výkon trénovacího modelu: Známky A, B a C označují výkon predikce a mohou vám pomoci při rozhodování o použití výsledků uložených ve výstupní tabulce.

  

  Známky se určují na základě následujících pravidel:

  • A, když model přesně predikoval alespoň 50 % celkových predikcí a když procento přesných predikcí ohledně zákazníků, kteří odešli, je větší než historický podíl výpovědí alespoň o 10 %.
  • B, když model přesně predikoval alespoň 50 % celkových predikcí a když procento přesných predikcí ohledně zákazníků, kteří odešli, je větší než historický podíl výpovědí do 10 %.
  • C, když model přesně predikoval méně než 50 % celkových predikcí nebo když procento přesných predikcí odešlých zákazníků je nižší, než historická průměrná míra odešlých zákazníků.

• Pravděpodobnost odchodu (počet zákazníků): Skupiny zákazníků na základě jejich predikovaného rizika odchodu. Volitelně můžete vytvářet segmenty zákazníků s vysokým rizikem odchodu. Takové segmenty pomáhají pochopit, kde by se pro členství v segmentech mělo nacházet vyřazení.

  

• Nejvlivnější faktory: Při vytváření predikce se bere v úvahu mnoho faktorů. Každý z faktorů má svou důležitost vypočítanou pro agregované predikce, které model vytváří. Tyto faktory použijte k ověření výsledků predikce. Nebo tyto informace použijte později při vytváření segmentů, které mohou pomoci ovlivnit riziko odchodů zákazníků.

  

Poznámka:

Ve výstupní tabulce pro tento model, ChurnScore, je předpokládaná pravděpodobnost odchodu zákazníků a IsChurn je binární štítek založený na ChurnScore s prahovou hodnotou 0,5. Pokud tato výchozí prahová hodnota pro váš scénář nefunguje, vytvořte nový segment s vaším preferovaným prahem. Chcete-li zobrazit skóre úbytku, přejděte na Data>Tabulky a zobrazte kartu data pro výstupní tabulku, kterou jste definovali pro tento model.