Bagikan melalui

Memprediksi kehilangan langganan

  • Artikel

Memprediksi apakah pelanggan berisiko karena tidak lagi menggunakan produk langganan perusahaan Anda atau layanan berkala. Data langganan mencakup langganan aktif dan tidak aktif untuk setiap pelanggan sehingga dapat ada beberapa entri per ID pelanggan. Untuk menemukan risiko churn bagi pelanggan yang tidak melakukan pembelian terjadwal, gunakan model Churn transaksi.

Anda harus memiliki pengetahuan bisnis untuk memahami apa arti churn bagi bisnis Anda. Misalnya, bisnis dengan acara tahunan dapat menentukan churn mereka diukur dalam beberapa tahun, sementara bisnis yang melayani penjualan mingguan dapat mengukur churn dalam beberapa bulan. Kami mendukung definisi churn berbasis waktu, yang berarti pelanggan dianggap telah melakukan churn jangka waktu setelah langganan mereka berakhir.

Misalnya, Contoso menawarkan layanan kopi bulanan. Mereka ingin tahu pelanggan mana yang mungkin mempertanyakan pembaruan layanan sehingga mereka dapat menawarkan diskon. Melalui model churn berlangganan, Contoso dapat melihat pelanggan mana yang mungkin tidak memperbarui layanan tahun depan dan seberapa besar populasi itu.

Tip

Coba prediksi churn langganan menggunakan data sampel: Panduan sampel churn prediksi langganan.

Prasyarat

  • Setidaknya kontributor izin.
  • Setidaknya 1.000 profil pelanggan dalam jendela prediksi yang diinginkan.
  • Customer Identifier, pengidentifikasi unik untuk mencocokkan langganan dengan pelanggan Anda.
  • Data langganan setidaknya dua kali lipat dari jangka waktu yang dipilih. Sebaiknya, dua hingga tiga tahun data langganan. Riwayat langganan harus mencakup:
    • ID Langganan: Pengenal unik langganan.
    • Tanggal Akhir Langganan: Tanggal langganan berakhir untuk pelanggan.
    • Tanggal Mulai Langganan: Tanggal langganan dimulai untuk pelanggan.
    • Tanggal Transaksi: Tanggal perubahan langganan terjadi. Misalnya, pelanggan membeli atau membatalkan langganan.
    • Apakah ini bidang langganan: Boolean benar/salah berulang yang menentukan apakah langganan akan diperpanjang dengan ID langganan yang sama tanpa campur tangan pelanggan.
    • Frekuensi Pengulangan (dalam bulan): Untuk langganan berulang, bulan langganan akan diperpanjang. Misalnya, langganan tahunan yang secara otomatis diperpanjang untuk pelanggan setiap tahun untuk satu tahun lagi memiliki nilai 12.
    • Jumlah Langganan: Jumlah mata uang yang dibayar pelanggan untuk perpanjangan langganan. Hal ini dapat membantu mengidentifikasi pola untuk tingkat langganan yang berbeda.
  • Setidaknya dua catatan aktivitas untuk 50% pelanggan yang ingin Anda hitung churnnya. Aktivitas pelanggan harus mencakup:
    • Kunci utama: Pengenal unik untuk suatu aktivitas. Misalnya, kunjungan situs web atau rekaman penggunaan yang menampilkan pelanggan melihat episode acara TV.
    • Stempel waktu: Tanggal dan waktu peristiwa diidentifikasi oleh kunci utama.
    • Acara: Nama acara yang ingin Anda gunakan. Misalnya, bidang yang disebut "UserAction" di layanan video streaming dapat memiliki nilai "dilihat".
    • Detail: Informasi terperinci tentang acara tersebut. Misalnya, bidang yang disebut "ShowTitle" di layanan video streaming dapat memiliki nilai video yang ditonton pelanggan.
  • Kurang dari 20% nilai yang hilang di bidang data tabel yang disediakan.

Buat prediksi kehilangan langganan

Pilih Simpan draf kapan saja untuk menyimpan prediksi sebagai draf. Draf prediksi ditampilkan di tab Prediksi saya.

  1. Buka Prediksi Insight>.

  2. Pada tab Buat , pilih Gunakan model pada petak peta Model churn pelanggan.

  3. Pilih Langganan untuk jenis churn lalu Mulai.

  4. Beri nama model ini dan nama tabel Output untuk membedakannya dari model atau tabel lain.

  5. Pilih Selanjutnya.

Tentukan kehilangan pelanggan

  1. Masukkan jumlah Hari sejak langganan berakhir yang dianggap pelanggan oleh bisnis Anda dalam status bergejolak. Periode ini biasanya terkait dengan aktivitas bisnis seperti penawaran atau upaya pemasaran lainnya yang berusaha mencegah kehilangan pelanggan.

  2. Masukkan jumlah Hari untuk menyelidiki masa depan guna memprediksi churn. Misalnya, memprediksi risiko kehilangan pelanggan untuk pelanggan Anda selama 90 hari berikutnya untuk menyelaraskan upaya retensi pemasaran Anda. Memprediksi risiko kehilangan untuk jangka waktu yang lebih lama atau lebih singkat dapat membuatnya lebih sulit untuk mengatasi faktor-faktor dalam profil risiko kehilangan Anda, tergantung pada persyaratan bisnis spesifik Anda.

  3. Pilih Selanjutnya.

Tambahkan data wajib

  1. Pilih Tambahkan data untuk Riwayat langganan.

  2. Pilih jenis aktivitas semantik Langganan yang berisi informasi riwayat langganan yang diperlukan. Jika aktivitas belum disiapkan, pilih di sini dan buat.

  3. Di bawah Aktivitas, jika atribut aktivitas dipetakan secara semantik saat aktivitas dibuat, pilih atribut atau tabel tertentu yang ingin Anda fokuskan perhitungannya. Jika pemetaan semantik tidak terjadi, pilih Edit dan petakan data Anda.

    Menambahkan data yang diperlukan untuk model churn Langganan

  4. Pilih Berikutnya dan tinjau atribut yang diperlukan untuk model ini.

  5. Pilih Simpan.

  6. Pilih Tambahkan data untuk aktivitas Pelanggan.

  7. Pilih jenis aktivitas semantik yang menyediakan informasi aktivitas pelanggan. Jika aktivitas belum disiapkan, pilih di sini dan buat.

  8. Di bawah Aktivitas, jika atribut aktivitas dipetakan secara semantik saat aktivitas dibuat, pilih atribut atau tabel tertentu yang ingin Anda fokuskan perhitungannya. Jika pemetaan semantik tidak terjadi, pilih Edit dan petakan data Anda.

  9. Pilih Berikutnya dan tinjau atribut yang diperlukan untuk model ini.

  10. Pilih Simpan.

  11. Tambahkan aktivitas lainnya atau pilih Berikutnya.

Atur Jadwal pembaruan

  1. Pilih frekuensi untuk melatih ulang model Anda. Pengaturan ini penting untuk memperbarui keakuratan prediksi karena data baru terserap. Sebagian besar bisnis dapat melatih sekali per bulan dan mendapatkan akurasi yang baik untuk prediksi mereka.

  2. Pilih Selanjutnya.

Memeriksa dan menjalankan konfigurasi model

Tinjau dan jalankan langkah menampilkan ringkasan konfigurasi dan memberikan kesempatan untuk membuat perubahan sebelum Anda membuat prediksi.

  1. Pilih Edit pada salah satu langkah untuk meninjau dan membuat perubahan.

  2. Jika Anda puas dengan pilihan Anda, pilih Simpan dan jalankan untuk mulai menjalankan model. Pilih Selesai. Tab Prediksi saya ditampilkan saat prediksi sedang dibuat. Proses dapat berlangsung selama beberapa jam hingga selesai, tergantung pada jumlah data yang digunakan dalam prediksi.

Tip

Ada status untuk tugas dan proses. Sebagian besar proses bergantung pada proses hulu lainnya, seperti sumber data dan refresh pembuatanprofil data.

Pilih status untuk membuka panel Detail kemajuan dan melihat kemajuan tugas. Untuk membatalkan pekerjaan, pilih Batalkan pekerjaan di bagian bawah panel.

Di bawah setiap tugas, Anda dapat memilih Lihat detail untuk informasi kemajuan selengkapnya, seperti waktu pemrosesan, tanggal pemrosesan terakhir, serta kesalahan dan peringatan yang berlaku terkait dengan tugas atau proses. Pilih Lihat status sistem di bagian bawah panel untuk melihat proses lain dalam sistem.

Lihat hasil prediksi

  1. Buka Prediksi Insight>.

  2. Di tab Prediksi saya, pilih prediksi yang ingin Anda lihat.

Terdapat tiga bagian utama data dalam halaman hasil:

  • Kinerja model pelatihan: Nilai A, B, atau C menunjukkan kinerja prediksi dan dapat membantu Anda membuat keputusan untuk menggunakan hasil yang disimpan dalam tabel output.

    Gambar kotak informasi skor model dengan nilai A.

    Peringkat ditentukan berdasarkan aturan berikut:

    • A ketika model secara akurat memprediksi setidaknya 50% dari total prediksi, dan ketika persentase prediksi akurat untuk pelanggan yang churned lebih besar dari tingkat churn rata-rata historis setidaknya 10%.
    • B ketika model secara akurat memprediksi setidaknya 50% dari total prediksi, dan ketika persentase prediksi akurat untuk pelanggan yang churn hingga 10% lebih besar dari tingkat churn rata-rata historis.
    • C ketika model secara akurat memprediksi kurang dari 50% dari total prediksi, atau ketika persentase prediksi akurat untuk pelanggan yang churned kurang dari tingkat churn rata-rata historis.

  • Kemungkinan churn (jumlah pelanggan): Kelompok pelanggan berdasarkan prediksi risiko churn mereka. Secara opsional, buat segmen pelanggan dengan risiko churn tinggi. Segmen tersebut membantu memahami tempat batas Anda untuk keanggotaan segmen.

    Grafik menunjukkan pembagian hasil kehilangan, yang dipecah dalam kisaran dari 0-100%

  • Faktor yang paling berpengaruh: Ada banyak faktor yang diperhitungkan saat membuat prediksi Anda. Masing-masing faktor memiliki kepentingan yang dihitung untuk membuat prediksi model agregat. Gunakan faktor-faktor ini untuk membantu memvalidasi hasil prediksi Anda. Atau gunakan informasi ini nanti untuk membuat segmen yang dapat membantu memengaruhi risiko churn bagi pelanggan.

    Daftar yang menunjukkan faktor-faktor yang berpengaruh dan kepentingannya dalam memprediksi hasil churn.

Catatan

Dalam tabel output untuk model ini, ChurnScore adalah probabilitas churn yang diprediksi dan IsChurn adalah label biner berdasarkan ChurnScore dengan ambang batas 0,5. Jika ambang batas default ini tidak berfungsi untuk skenario Anda, buat segmen baru dengan ambang batas pilihan Anda. Untuk melihat skor churn, buka Tabel Data> dan lihat tab data untuk tabel output yang Anda tentukan untuk model ini.