Predikcia straty predplatného

Predpovedajte, či je zákazník ohrozený tým, že už nebude používať predplatené produkty alebo pravidelné služby vašej spoločnosti. Údaje o predplatnom zahŕňajú aktívne a neaktívne predplatné pre každého zákazníka, takže na každé ID zákazníka môže byť viacero záznamov. Ak chcete zistiť riziko odchodu zákazníkov, ktorí neuskutočňujú plánované nákupy, použite model Transaction churn.

Musíte mať obchodné znalosti, aby ste pochopili, čo pre vaše podnikanie znamená miznutie. Napríklad podnik s každoročnými udalosťami môže definovať svoj odchod meraný v rokoch, zatiaľ čo podnik, ktorý zabezpečuje týždenný predaj, môže merať odchod v mesiacoch. Podporujeme definície odchodu zákazníkov na základe času, čo znamená, že sa má za to, že zákazník prestal nakupovať určitý čas po skončení predplatného.

Napríklad spoločnosť Contoso ponúka mesačný kávový servis. Chcú vedieť, ktorí zákazníci môžu spochybňovať obnovenie služby, aby mohli ponúknuť zľavu. Prostredníctvom modelu ukončenia predplatného môže spoločnosť Contoso zistiť, ktorí zákazníci si službu v budúcom roku nemusia obnoviť a aká veľká môže byť táto populácia.

Prepitné

Vyskúšajte zrušenie predplatného predikcia pomocou vzorových údajov: Prerušenie odberu predikcia vzorový sprievodca.

Požiadavky

• Aspoň Povolenia prispievateľa.
• Aspoň 1 000 zákazníckych profilov v rámci požadovaného okna predikcia.
• Customer Identifier, jedinečný identifikátor na priradenie odberov k vašim zákazníkom.
• Údaje o predplatnom minimálne na dvojnásobok zvoleného časového okna. Najlepšie dva až tri roky predplatných údajov. História odberov musí obsahovať:
  • ID predplatného: Jedinečný identifikátor predplatného.
  • Dátum ukončenia predplatného: Dátum vypršania platnosti predplatného pre zákazníka.
  • Dátum začiatku predplatného: Dátum začiatku predplatného pre zákazníka.
  • Dátum transakcie: Dátum zmeny predplatného. Napríklad zákazník kupujúci alebo rušiaci odber.
  • Ide o opakujúce sa predplatné: Boolovské pole true/false, ktoré určuje, či sa predplatné obnoví s rovnakým ID predplatného bez zásahu zákazníka.
  • Frekvencia opakovania (v mesiacoch): Pri opakovaných odberoch mesiac, v ktorom sa odber obnoví. Napríklad ročné predplatné, ktoré sa automaticky obnovuje pre zákazníka každý rok na ďalší rok, má hodnotu 12.
  • Suma predplatného: Suma meny, ktorú zákazník zaplatí za obnovenie predplatného. Môže pomôcť identifikovať vzory pre rôzne úrovne predplatného.
• Aspoň dva záznamy o činnosti pre 50 % zákazníkov, pre ktorých chcete vypočítať odchod. Činnosti zákazníka musia zahŕňať:
  • Primárny kľúč: Jedinečný identifikátor aktivity. Napríklad návšteva webovej stránky alebo záznam o použití ukazujúci, že si zákazník pozrel epizódu televíznej show.
  • Časová pečiatka: Dátum a čas udalosti identifikovaný primárnym kľúčom.
  • Udalosť: Názov udalosti, ktorú chcete použiť. Napríklad pole s názvom „UserAction“ v streamovanej video službe by mohlo mať hodnotu „Zobrazené“.
  • Podrobnosti: Podrobné informácie o podujatí. Napríklad pole s názvom „ShowTitle“ v streamovanej video službe by mohlo mať hodnotu videa, ktoré si prezeral zákazník.
• Menej ako 20 % chýbajúcich hodnôt v dátovom poli poskytnutej tabuľky.

Vytvorenie predikcia rizika straty predplatného

Ak chcete predikcia uložiť ako koncept, kedykoľvek vyberte možnosť Uložiť koncept . Koncept predikcia sa zobrazuje na karte Moje predpovede .

1. Prejdite na stránku Štatistiky>Predpovede.

2. Na karte Vytvoriť vyberte Použiť model na Model odchodu zákazníkov dlaždice.

3. Vyberte Predplatné pre typ churn a potom Začať.

4. Pomenujte tento model a Názov výstupnej tabuľky , aby ste ich odlíšili od iných modelov alebo tabuliek.

5. Vyberte Ďalej.

Definujte odídených zákazníkov

1. Zadajte počet dní od ukončenia predplatného , počas ktorých vaša firma považuje zákazníka za zákazníka, ktorý nie je na trhu. Toto obdobie je zvyčajne spojené s obchodnými aktivitami, ako sú ponuky alebo iné marketingové snahy, ktoré sa snažia zabrániť strate zákazníka.

2. Zadajte počet dní na preskúmanie budúcnosti na predpovedanie odchodu ľudí. Napríklad predikujte riziko odchodu zákazníkov počas nasledujúcich 90 dní, aby ste sa prispôsobili svojmu marketingovému úsiliu o udržanie. Predpovedanie rizika churn na dlhšie alebo kratšie časové obdobia môže sťažiť riešenie faktorov vo vašom profile rizika churn, v závislosti od vašich konkrétnych obchodných požiadaviek.

3. Vyberte Ďalej.

Pridajte požadované údaje

1. Vyberte Pridať údaje pre Históriu odberov.

2. Vyberte typ sémantickej aktivity Predplatné , ktorý obsahuje požadované informácie o histórii odberov. Ak aktivita nebola nastavená, vyberte tu a vytvorte ju.

3. V časti Aktivity, ak boli atribúty aktivity pri vytváraní aktivity sémanticky mapované, vyberte konkrétne atribúty alebo tabuľku, na ktorú sa má výpočet zamerať. Ak sémantické mapovanie nenastalo, vyberte Upraviť a namapujte svoje údaje.

   

4. Vyberte Ďalej a skontrolujte atribúty požadované pre tento model.

5. Vyberte položku Uložiť.

6. Vyberte Pridať údaje pre Aktivity zákazníka.

7. Vyberte typ sémantickej aktivity, ktorý poskytuje informácie o aktivite zákazníka. Ak aktivita nebola nastavená, vyberte tu a vytvorte ju.

8. V časti Aktivity, ak boli atribúty aktivity pri vytváraní aktivity sémanticky mapované, vyberte konkrétne atribúty alebo tabuľku, na ktorú sa má výpočet zamerať. Ak sémantické mapovanie nenastalo, vyberte Upraviť a namapujte svoje údaje.

9. Vyberte Ďalej a skontrolujte atribúty požadované pre tento model.

10. Vyberte položku Uložiť.

11. Pridajte ďalšie aktivity alebo vyberte Ďalej.

Nastavenie plánu aktualizácie

1. Vyberte frekvenciu preškolenia svojho modelu. Toto nastavenie je dôležité na aktualizáciu presnosti predikcií pri prijímaní nových údajov. Väčšina firiem môže preškoľovať raz mesačne a získať dobrú presnosť pre svoju predikciu.

2. Vyberte Ďalej.

Skontrolujte a spustite konfiguráciu modelu

Skontrolovať a spustiť krok zobrazuje súhrn konfigurácie a poskytuje možnosť vykonať zmeny pred vytvorením predikcia.

1. Vyberte Upraviť v ktoromkoľvek z krokov, ktoré chcete skontrolovať a vykonať zmeny.

2. Ak ste s výberom spokojní, vyberte Uložiť a spustiť a spustite model. Vyberte položku Hotovo. Počas vytvárania predikcia sa zobrazuje karta Moje predpovede . Proces môže trvať niekoľko hodín, v závislosti od množstva údajov použitých v predikcii.

Prepitné

Existujú stavy pre úlohy a procesy. Väčšina procesov závisí od iných upstream procesov, ako sú zdroje údajov a profilovanie údajov obnovenia.

Výberom stavu otvoríte tablu Podrobnosti o priebehu a zobrazíte priebeh úloh. Ak chcete úlohu zrušiť, vyberte Zrušiť úlohu v spodnej časti tably.

Pod každou úlohou môžete vybrať možnosť Zobraziť podrobnosti pre ďalšie informácie o priebehu, ako je čas spracovania, dátum posledného spracovania a všetky príslušné chyby a upozornenia súvisiace s úlohou alebo procesom. Ak chcete zobraziť ďalšie procesy v systéme, vyberte položku Zobraziť stav systému v spodnej časti panela.

Zobraziť výsledky predikcia

1. Prejdite na stránku Štatistiky>Predpovede.

2. Na karte Moje predpovede vyberte predikcia, ktorý chcete zobraziť.

Na stránke s výsledkami sú tri základné sekcie údajov:

• Výkonnosť tréningového modelu: Známky A, B alebo C označujú výkon predikcia a môžu vám pomôcť pri rozhodovaní o použití výsledkov uložených vo výstupnej tabuľke.

  

  Klasifikácie sa určujú na základe nasledujúcich pravidiel:

  • A keď model presne predpovedal aspoň 50 % z celkových predpovedí a keď je percento presných predpovedí pre zákazníkov, ktorí odišli, vyššie ako historická priemerná miera odchodu aspoň o 10 %.
  • B keď model presne predpovedal aspoň 50 % celkových predpovedí a keď je percento presných predpovedí pre zákazníkov, ktorí odišli, až o 10 % vyššie ako historická priemerná miera odchodu.
  • C keď model presne predpovedal menej ako 50 % z celkových predpovedí, alebo keď je percento presných predpovedí pre zákazníkov, ktorí odišli, menšie ako historický priemerný pomer odchodu.

• Pravdepodobnosť odchodu (počet zákazníkov): Skupiny zákazníkov na základe ich predpokladaného rizika odchodu. Voliteľne vytvorte segmenty zákazníkov s vysokým rizikom odchodu. Takéto segmenty pomáhajú pochopiť, kde by malo byť vaše obmedzenie pre členstvo v segmente.

  

• Najvplyvnejšie faktory: Pri vytváraní predikcia sa berú do úvahy mnohé faktory. Každý z faktorov má svoju dôležitosť vypočítanú pre agregované predpovede, ktoré model vytvára. Použite tieto faktory na overenie vašich výsledkov predikcia. Alebo použite tieto informácie neskôr na vytvorenie segmentov , ktoré by mohli pomôcť ovplyvniť riziko odchodu zákazníkov.

  

Poznámka

Vo výstupnej tabuľke pre tento model je Skóre Churn predpovedaná pravdepodobnosť odchodu a IsChurn je založená na binárnom štítku na ChurnScore s prahom 0,5. Ak tento predvolený prah pre váš scenár nefunguje, vytvorte nový segment s preferovaným prahom. Ak chcete zobraziť skóre odchodu, prejdite na Údaje>Tabuľky a zobrazte kartu s údajmi pre výstupnú tabuľku, ktorú ste definovali pre tento model.