Predikce úbytku transakcí

Predikce úbytku transakcí pomáhá předvídat, zda si zákazník v daném časovém intervalu již nebude kupovat vaše produkty nebo služby. Uvolnění transakcí je užitečné pro nalezení zákazníků, kteří již nenakupují produkty, kdykoli během definovaného období pro ukončení transakce. Chcete-li najít zákazníky, kteří by mohli zrušit své přednastavené probíhající nákupy, doporučujeme použít model úbytku předplatného.

Musíte mít obchodní znalosti k pochopení toho, co znamená pro vaši firmu odchod zákazníků. Například podnik s každoročními událostmi může definovat svůj odchod měřený v letech, zatímco podnik, který zajišťuje týdenní měření prodeje, se počítá v měsících. Podporujeme definice časově závislých ztrát, což znamená, že zákazník je považován za ztraceného po určitém období bez nákupu.

Společnost Contoso chce například vědět, jak jsou zákazníci zapojení, aby mohla spustit e-mailovou kampaň zaměřenou na jejich udržení. Zákazníci společnosti Contoso navštěvují prodejnu variabilně, nejčastěji 3–4krát měsíčně. Jeho transakce jsou nepravidelné, takže je obtížné určit, kdy zákazník přestane nakupovat značku Contoso. Prostřednictvím modelu úbytku transakcí může společnost Contoso určit pravděpodobnost, že zákazníci znovu nakoupí. Mohou vidět hlavní vzorce, které vedou k odklonu zákazníků od značky, což jim umožňuje přizpůsobit ostatní strategie.

Předpoklady

• Alespoň oprávnění Přispěvatel.
• Nejméně 500 zákaznických profilů, nejlépe více než 1,000 jedinečných zákazníků.
• Identifikátor zákazníka, jedinečný identifikátor pro párování transakcí s vašimi zákazníky.
• Údaje o transakcích za alespoň dvojnásobek zvoleného časového okna, jako jsou dva až tři roky historie transakcí. V ideálním případě alespoň dvě transakce na zákazníka. Historie transakcí musí obsahovat:
  • ID transakce: Jedinečný identifikátor nákupu nebo transakce.
  • Datum transakce: Datum nákupu nebo transakce.
  • Hodnota transakce: Měna nebo číselná hodnota částky transakce.
  • Jedinečné ID produktu: ID zakoupeného produktu nebo služby, pokud jsou vaše data na úrovni řádkové položky.
  • Zda se jednalo o vrácení: Pole true/false, které identifikuje, zda transakce byla návratová, nebo ne. Pokud Hodnota transakce je záporná, předpokládáme vratku.
• Data aktivity zákazníka:
  • Identifikátor zákazníka, jedinečný identifikátor pro mapování aktivit s vašimi zákazníky.
  • Primární klíč: Jedinečný identifikátor aktivity. Například záznam o návštěvě nebo využití webu, který ukazuje, že zákazník vyzkoušel vzorek vašeho produktu.
  • Časové razítko: Datum a čas události identifikovaný primárním klíčem.
  • Událost: Název události, kterou chcete použít. Například pole s názvem „UserAction“ v obchodě s potravinami může být kupón použitý zákazníkem.
  • Podrobnosti: Podrobné informace o akci. Například pole s názvem „CouponValue“ v obchodě s potravinami může být hodnota měny kupónu.
• Méně než 20 % chybějících hodnot v datovém poli poskytnuté tabulky.

Vytvoření predikce úbytku transakcí

1. Přejděte na Přehledy>Predikce.

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

3. Vyberte Transakce 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

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

1. Nastavte Okno predikce. Například predikujte riziko odchodu vašich zákazníků v průběhu následujících 90 dnů pro slazení vaší marketingové úspěšnosti prodeje. Předvídání rizika odlivu zákazníků v delším nebo kratším časovém období může ztěžovat zohlednění faktorů v profilu rizika odlivu zákazníků, ale záleží na vašich konkrétních obchodních požadavcích.

2. Zadejte počet dní definující úbytek v poli Definice úbytku. Pokud si například zákazník za posledních 30 dní nic nekoupil, může být pro vaši firmu považován za ztraceného.

3. Vyberte Další.

Přidat historii nákupů

1. Vyberte Přidat data u Historie transakcí zákazníka.

2. Vyberte typ sémantické aktivity, SalesOrder nebo SalesOrderLine, která obsahuje údaje o historii transakcí. Pokud aktivita není 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. Zvolte Uložit.

6. Přidejte další aktivity nebo vyberte Další.

Přidat další data (volitelné)

1. Vyberte Přidat data pro Aktivity zákazníka.

2. Vyberte typ sémantické aktivity, který obsahuje data, která chcete použít. Pokud aktivita není 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. Zvolte Uložit.

6. Vyberte Další.

Natavení plánu aktualizace

1. V kroku Aktualizace dat vyberte frekvenci pro přetrénování vašeho 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 základní poměr alespoň o 10 %.
  • B, když model přesně predikoval alespoň 50 % celkových predikcí a když procento přesných predikcí ohledně zákazníků, kteří odešli, je větší než základní poměr alespoň do 10 %.
  • C, když model přesně predikoval méně než 50 % celkových predikcí nebo když procento přesných predikcí ohledně zákazníků, kteří odešli, je menší než základní poměr.
  • Základní poměr vezme vstupní časový interval predikce pro daný model (například jeden rok) a vytváří různé zlomky času dělením číslem 2, dokud nedosáhne jednoho měsíce nebo méně. Tyto zlomky používá k vytvoření obchodního pravidla pro zákazníky, kteří si v tomto časovém rámci nic nekoupili. Tito zákazníci jsou považováni za ztracené. Jako základní model je vybráno obchodní pravidlo založené na čase s nejvyšší schopností predikovat, kdo bude pravděpodobně ztracen.

• 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, ukazuje předpokládanou 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. Ne všichni zákazníci jsou nutně aktivní zákazníci. Někteří z nich možná dlouho neměli žádnou aktivitu a jsou považováni za ty, u nichž došlo k úbytku, již na základě vaší definice úbytku. Předpovídání rizika úbytku zákazníků, kteří již ubyli, není užitečné, protože nejsou cílová skupina, který nás zajímá.

Chcete-li zobrazit skóre úbytku, přejděte na Data>Tabulky a zobrazte kartu data pro výstupní tabulku, kterou jste definovali pro tento model.