Gaining a Deeper Understanding of Churn Using Data Science Workspace

V tomto příspěvku se zabýváme tím, jak jsme pomohli zákazníkovi lépe porozumět odlivu zákazníků v jeho společnosti pomocí funkce Data Science Workspace platformy Adobe Experience Platform. Rozebíráme proces a zkoumáme atributy odchodu zákazníků.

Na vysoce konkurenčních trzích, na jakých působí herní, hotelové a kasinové řetězce, je schopnost skutečně porozumět svým zákazníkům klíčová pro udržení konkurenceschopnosti. K tomu je třeba analyzovat chování zákazníků a pochopit, jaké jsou atributy lidí, kteří mohou odejít od smlouvy.

S tímto vědomím jsme chtěli využít Data Science Workspace k využití strojového učení k tomu, abychom s vysokou přesností předpověděli, u kterých zákazníků herních, hotelových a kasinových velkých řetězců je vysoce nepravděpodobné, že si během šesti měsíců udělají rezervaci. Na základě těchto předpovědí bychom pak zákazníkům posílali personalizované nabídky buď prostřednictvím služby Adobe Target, nebo e-mailů a také sociálních médií. K tomuto účelu jsme použili platformu Adobe Experience Platform, a to díky jejímu apetitu po datech. Společné použití Data Science Workspace a Adobe Experience Platform nám umožnilo aktivovat a reportovat v rámci jednoho nástroje.

Na vysoké úrovni nám níže uvedená architektura zahrnující Data Science Workspace pomohla poskytnout poznatky o odlivu zákazníků.

Podívali jsme se na zákazníky, kteří si u řetězce kdykoli během 18měsíčního okna rezervovali, zjistili jsme, že 95 % zákazníků si do šesti měsíců rezervuje znovu. To znamená, že při šestiměsíčním analytickém okně jsme mohli pochopit jeden kompletní nákupní cyklus zákazníků.

Naše data zahrnovala půl milionu zákazníků a s mírou odchodu 53 %.

Zkoumali jsme atributy odchodu pro každého zákazníka, jako je počet objednávek, dny od objednávky ve srovnání s průměrným nákupním cyklem zákazníka, osobu zákazníka, jak je patrné z chování při prohlížení, například citlivost na cenu, třídění podle oblíbenosti, vyhledávání nabídek, jakož i další aktivity související s relacemi, které do platformy proudí ve formátu XDM. Poté jsme využili pracovní prostor datové vědy k vyčištění dat a výběru významných faktorů odchodu pro sestavení prediktivního modelu. Funkce Recept pracovního prostoru datové vědy byla využita k vytváření, experimentování a ladění ML modelů přímo v místě sběru a aktivace dat, což zkrátilo čas datové vědy k získání poznatků.

Konečným cílem naší analýzy je pochopit atributy, které ovlivňují odchod zákazníků, a určit sklon k odchodu zákazníků během několika následujících měsíců.

Při zkoumání dat jsme zjistili, že existují určité faktory, které jsou společné pro ty, kteří odcházejí.

• Rozdíl mezi churnery a non-churnery se zvýrazní, pokud vezmeme v úvahu pouze poslední měsíce. Takže zákazník, který často rezervoval v období jednoho měsíce, měl větší pravděpodobnost, že odejde, než když jsme rozšířili pohled na několik měsíců. Důsledná angažovanost zákazníka po delší dobu může pomoci zabránit jeho odchodu.
• Vlastnosti, které zákazníci navštívili, měly vliv na to, zda došlo k jejich odchodu. Například zákazníci, kteří navštívili určité vlastnosti, měli vyšší šanci na churning. Stejně tak existovaly některé nemovitosti, u kterých byla po pobytu vyšší pravděpodobnost, že se zákazníci vrátí a provedou rezervaci.
• Zajímavé je, že větší pravděpodobnost odchodu měli členové zlatého stupně a také ti, kteří obdrželi vysoký počet kompenzací z programu odměňování zákazníků. Mezi těmi, kteří churnovali, byla tendence vyhledávat nemovitosti, ve kterých se chtěli ubytovat, na základě ceny, seřazené od nejnižší po nejvyšší.
• Zákazníci, kteří přišli přes záložky (zadali_bookmark jako referrer), měli zvýšenou pravděpodobnost churnu, stejně jako zákazníci, kteří měli jako původní vstupní stránku „potvrzení rezervace“.
• Zjistili jsme také, že zákazníci, kteří odešli na stránce „potvrzení rezervace“, se často na stránku již nevrátili.

Model

Pro spojení všech poznatků do jedné použitelné metriky jsme vytvořili model strojového učení, který předpovídá odchod, jakmile se u zákazníka projeví první signály odchodu, a umožňuje tak ostřejší zacílení a udržení zákazníka.

Pro tento účel jsme využili datový model XDM a poznámkové bloky Jupyter v prostředí Data Science Workspace v platformě Adobe Experience Platform. Adobe Experience Platform má také předpřipravené šablony notebooků a řadu užitečných zásuvných modulů, včetně rozšíření pro balení notebooků do receptů jedním kliknutím, služby pro škálování multi-tenancy Jupyter a parametrizovaných notebooků.

Návrh modelu

Zjednodušeně řečeno, modely strojového učení pomáhají při předpovídání výsledku na základě historických vzorů. Například na základě přezkoumání internetových reklam, které v minulosti získaly maximum kliknutí, lze předpovědět, co je tou konkrétní vlastností, která uživatele přiměje k okamžitému kliknutí.

Abychom tyto vzorce pro odchod zjistili, trénovali jsme model na chování zákazníků pro jeden nákupní cyklus, jak bylo uvedeno výše, je to téměř šest měsíců. Na základě toho jsme jako měřítko navrhli model, který předpovídá, že se zákazník v následujících šesti měsících vrátí, aby provedl rezervaci. Zkoumali jsme také data napříč časovými obdobími, abychom se ujistili, že nedochází k výrazné sezónnosti objednávek; sezónnost v datech může ovlivnit výkonnost modelu během špiček nebo poklesů.

Trénování modelu

Existuje nepřeberné množství algoritmů strojového učení, z nichž každý má svou vlastní použitelnost, vyzkoušeli jsme několik algoritmů, jako je logistická regrese, náhodný les, stroje s podpůrnými vektory a neuronové sítě, pro operacionalizaci jsme vybrali umělé neuronové sítě, protože fungovaly nejlépe na základě tří různých kritérií:

1. Vyvolání modelu: Počet churnerů, které je model schopen identifikovat a pokrýt
2. Přesnost modelu: Počet správně identifikovaných churnerů jako procento z celkového počtu předpovězených churnerů
3. Stabilita výše uvedených metrik v různých časových obdobích

Neuronové sítě jsou souborem algoritmů volně modelovaných podle lidského mozku, který je určen k rozpoznávání vzorů. Zde jsme neuronovou síť vycvičili tak, aby zachytila první signály odchodu zákazníků.

Některé výzvy a další kroky pro nás

Abychom se ujistili, že jsme dosáhli jednotného pohledu na zákazníky, který kombinuje data a předpovědi odchodu zákazníků, museli jsme ve fázi inženýrství funkcí provést velmi podrobnou analýzu. Featuring engineering zahrnuje vytvoření smysluplných a přesvědčivých rysů (vlastnost zákazníka, která je v datech pozorována jako předzvěst odchodu) a vyžaduje kritický pohled na výběr nejlepších rysů pro predikci odchodu.

Když jsme začínali, měli jsme více než 150 rysů z analytických dat (Clickstream) agregovaných mimo jiné jako prodej a obchod, chování na webu, minulé reakce na marketing, demografické údaje o zákaznících. Pečlivou analýzou a zvážením se nám to podařilo snížit na 20.

Naše úsilí o vytvoření modelu zde může být nasazeno jako služba, která zákazníkům pomůže pochopit a průběžně kontrolovat odchod zákazníků v jejich společnosti.

Na tom všem je skvělé, že to můžeme použít k analýze chování. To nám umožňuje vytvářet profily zákazníků Adobe Experience Platform v reálném čase, které můžeme použít k určení, zda zákazník odejde, nebo ne. A umožňují nám zasílat jim vysoce cílené, personalizované nabídky, jakmile začnou vykazovat známky churningu. Tato data můžeme použít k reportování a poskytování informací organizaci s využitím takových nástrojů, jako je analýza cesty zákazníka a služby Query Services.

O těchto profilech zákazníků v reálném čase budeme více hovořit v některém z příštích příspěvků na blogu. Více informací o nasazení modelů v rámci Data Science Workspace se dozvíte zde.

Sledujte Adobe Tech Blog, kde najdete další příběhy a zdroje pro zákazníky a vývojáře, a sledujte Adobe Developers na Twitteru, kde najdete nejnovější zprávy a produkty pro vývojáře. Přihlaste se zde na budoucí setkání Adobe Experience Platform Meetups. Pro exkluzivní příspěvky o platformě Adobe Experience Platform sledujte Jaemiho Bremnera.

1. Adobe Experience Platform – https://www.adobe.com/experience-platform.html
2. Data Science Workspace – https://www.adobe.com/experience-platform/data-science-workspace.html
3. Experience Data Model – https://www.adobe.io/open/standards/xdm.html
4. Adobe Experience Platform Real-Time Customer Profiles – https://www.adobe.com/ca/experience-platform/real-time-customer-profile.html
5. Jupyter Notebook – https://jupyter.org/

.