Dela via

Förutsäga prenumerationsomsättning

  • Artikel

Förutsäg huruvida en kund löper risk att inte längre kunna använda företagets prenumerationsprodukter eller periodiska tjänster. Prenumerationsdata omfattar aktiva och inaktiva prenumerationer för varje kund så det finns flera poster per kund-ID. För att hitta churn-risken för kunder som inte gör schemalagda köp, använd Transaktionsomsättningsmodell.

Du måste ha affärskunskaper för att förstå vad omsättningen innebär för företaget. Till exempel kan ett företag med årliga händelser definiera sin omsättning mätt i år, medan ett företag som riktar sig till veckovisa försäljningar kan mäta omsättning i månader. Vi har stöd för tidsbaserade omsättningsdefinitioner, vilket innebär att en kund anses ha omsatt en tidsperiod när dennes prenumeration har avslutats.

Contoso erbjuder till exempel månatlig kaffeservice. De vill veta vilka kunder som kan ställa frågor om tjänsteförnyelse så att de kan erbjuda en rabatt. Via prenumerationsmodellen kan Contoso se vilka kunder som kanske inte förnyar tjänsten nästa år och hur stor den populationen kan vara.

Dricks

Testa förutsägelse av prenumerationsomsättning med exempeldata: Guide för förutsägelse av prenumerationsomsättning.

Förutsättningar

  • Åtminstone deltagarbehörigheter.
  • Minst 1 000 kundprofiler i det önskade prognosfönstret.
  • Kundidentifierare: Unik identifierare som matchar prenumerationer till en kund
  • Prenumerationsdata för minst dubbla det valda tidsfönstret. Helst två till tre års prenumerationsdata. Prenumerationshistoriken måste innehålla:
    • Prenumerations-ID: En unik identifierare för en prenumeration.
    • Slutdatum för prenumeration: Det datum då prenumerationen förfaller för kunden.
    • Startdatum för prenumeration: Det datum då prenumerationen börjar för kunden.
    • Transaktionsdatum: Det datum då en prenumeration ändras. Till exempel en kund som köper eller avbryter en prenumeration.
    • Gäller det ett återkommande abonnemang: Ett booleskt sant/falskt-fält (true/false) som avgör om prenumerationen ska förnyas med samma prenumerations-ID utan kundåtgärd.
    • Upprepningsfrekvens (i månader): För återkommande prenumerationer är detta den månad då prenumerationen förnyas. Ett årligt abonnemang som automatiskt förnyas varje år för en kund har exempelvis värdet 12.
    • Abonnemangsbelopp: Det valutabelopp som en kund betalar för att förnya prenumerationen. Detta kan underlätta identifiering av mönster för olika prenumerationsnivåer.
  • Du behöver minst två aktivitetsposter för 50 % av de kunder som du vill beräkna omsättning för. Kundaktiviteter måste omfatta:
    • Primärnyckel: En unik identifierare för en aktivitet. Exempelvis ett besök på en webbplats eller en användningspost som visar att kunden sett ett avsnitt av en TV-serie.
    • Tidsstämpel: Datum och tid för händelsen som identifierats av primärnyckeln.
    • Händelse: Namnet på den händelse som du vill använda. Ett fält med namnet "UserAction" i en videotjänst för direktuppspelning kan t.ex. ha värdet "Visat".
    • Detaljer: Detaljerad information om händelsen. Ett fält med namnet "ShowTitle" i en videotjänst för direktuppspelning kan t.ex. ha värdet för en video som en kund har tittat på.
  • Mindre än 20 % av de värden som saknas i tabellen datafält

Skapa en förutsägelse om abonnemangsomsättning

Välj Spara utkast om du vill prediktion utkast. Förutsägelseutkastet visas i fliken Mina förutsägelser.

  1. Gå till Insikter>Prediktioner.

  2. På fliken Skapa, välj Använd modell på panelenKundomsättningsmodell.

  3. Välj prenumeration för typen av omsättning och Kom igång.

  4. Ge modellen och utdatatabellen ett namn för att särskilja dem från andra modeller eller tabeller.

  5. Välj Nästa.

Definiera kundomsättning

  1. Ange antalet Dagar sedan prenumerationen avslutades som företaget betraktar en kund som varandes i omsättningstillstånd. Denna period används vanligtvis för affärsaktiviteter som erbjudanden och andra marknadsföringsåtgärder som försöker förhindra att kunden går förlorad.

  2. Ange antal dagar i framtiden att förutsäga kundomsättning för. Du kan till exempel förutse risken för omsättning av dina kunder under de kommande 90 dagarna för att anpassa dina marknadsföringsinsatser för att behålla kunder. Om risken ökar för längre eller kortare tidsperioder kan det bli svårare att ta sig an faktorerna i riskprofilen, beroende på företagets specifika behov.

  3. Välj Nästa.

Lägg till obligatoriska data

  1. Välj Lägg till data för Prenumerationshistorik.

  2. Välj typ av semantisk aktivitet prenumerationsom innehåller den nödvändiga informationen om prenumerationshistorik. Om aktiviteten inte har ställts in väljer du här och skapar den.

  3. Under Aktiviteter, om aktivitetsattributen var semantiskt mappade när aktiviteten skapades, välj de specifika attributen eller tabeller som du vill att beräkningen ska fokusera på. Om semantisk mappning inte har ägt rum, välj Redigera och mappa dina data.

    Lägga till obligatoriska data för modell för prenumerationsomsättning

  4. Välj Nästa och granska attributen som krävs för modellen.

  5. Välj Spara.

  6. Välj Lägg till data för Kundaktiviteter.

  7. Välj den typ av aktivitet av typen för inaktivitet som innehåller information om kundaktiviteten. Om aktiviteten inte har ställts in väljer du här och skapar den.

  8. Under Aktiviteter, om aktivitetsattributen var semantiskt mappade när aktiviteten skapades, välj de specifika attributen eller tabeller som du vill att beräkningen ska fokusera på. Om semantisk mappning inte har ägt rum, välj Redigera och mappa dina data.

  9. Välj Nästa och granska attributen som krävs för modellen.

  10. Välj Spara.

  11. Lägg till fler aktiviteter eller välj Näst.

Ange uppdateringsschema

  1. Välj frekvens för att träna om modellen. Den här inställningen är viktig för att uppdatera noggrannheten i förutsägelser när nya data matas in. De flesta företag kan träna om en gång i månaden och få en god exakthet för sina förutsägelser.

  2. Välj Nästa.

Granska och köra modellkonfigurationen

Steget Granska och kör visar en sammanfattning av konfigurationen och ger en chans att göra ändringar innan du skapar förutsägelse.

  1. Välj Redigera på något av stegen för att granska och göra eventuella ändringar.

  2. Om du är nöjd med dina val väljer du Spara och kör för att börja köra modellen. Välj Klar. Fliken Mina prognoser visas när prediktion skapas. Det kan ta flera timmar att slutföra processen beroende på mängden data som används i förutsägelsen.

Dricks

Det finns statusar för uppgifter och processer. De flesta processer är beroende av andra processförlopp, t.ex. datakällor och uppdateringar av dataprofiler.

Välj status för att öppna rutan Förloppsinformation och se framstegen för uppgifter. Om du vill avbryta jobbet väljer du Avbryt jobbet längst ned i fönstret.

Under varje uppgift kan du välja Visa information om du vill ha mer förloppsinformation, till exempel bearbetningstid, senaste bearbetningsdatum och eventuella tillämpliga fel och varningar för uppgiften eller processen. Välj Visa systemstatus längst ned i panelen om du vill se andra processer i systemet.

Visa förutsägelsens resultat

  1. Gå till Insikter>Prediktioner.

  2. På fliken Mina förutsägelser, välj den förutsägelse du vill visa.

Det finns tre primära dataområden på resultatsidan:

  • Prestanda för övningsmodell: Betyget A, B eller C indikerar prestandan för förutsägelsen och kan hjälpa dig att fatta beslutet att använda de resultat som är lagrade i utdatatabellen.

    Bild på rutan med information om modellpoäng tillsammans med betyg A.

    Betyg fastställs utifrån följande regler:

    • A När modellen korrekt förutsäger minst 50 % av det totala antalet förutsägelser, och när procentandelen av korrekta förutsägelser för kunder som har omsatts är större än den historiska genomsnittliga omsättningen med minst 10 %.
    • B När modellen korrekt förutsäger minst 50 % av det totala antalet förutsägelser, och när procentandelen av korrekta förutsägelser för kunder som har omsatts är större än den historiska genomsnittliga omsättningen med minst 10 %.
    • C när modellen noggrant förutsäger mindre 50 % av det totala antalet prediktioner, eller när procenten av exakta prediktioner för kunder som har blivit mindre än den historiska genomsnittliga omsättningen.

  • Sannolikhet för omsättning (antal kunder): Kundgrupper utifrån deras förutsedda omsättningsrisk. Alternativt kan du skapa kundsegment med hög omsättningsrisk. Sådana segment hjälper dig att förstå var avgränsarna bör finnas för segmentmedlemskap.

    Graf som visar distributionen av omsättningsresultat uppdelad i intervall från 0-100 %

  • Faktorer med störst påverkan: Det finns många faktorer som bör beaktas när du skapar en förutsägelse. Var och en av faktorerna har en betydelse beräknad för de aggregerade förutsägelserna som skapas av en modell. Använda dessa faktorer för att validera resultatet av en förutsägelse. Du kan också använda den här informationen senare om du vill skapa segment som kan påverka omsättningsrisken för en kund.

    Lista som visar tongivande faktorer och deras betydelse för att förutsäga omsättningsresultatet.

Kommentar

I utdatatabellen för denna modell visar ChurnScore den förutsagda sannolikheten för omsättning och IsChurn är en binär etikett baserad på ChurnScore med 0,5 tröskel. Om standardtröskeln inte fungerar för ditt scenario skapar du ett nytt segment med det önskade tröskelvärdet. För att visa omsättningspoängen, gå till Data>Tabeller och visa datafliken för den utdatatabell som du definierade för den här modellen.