Mit Hilfe von Data Science Workspace ein tieferes Verständnis der Abwanderung gewinnen

In diesem Beitrag erfahren wir, wie wir einem Kunden geholfen haben, die Abwanderung in seinem Unternehmen mithilfe der Data Science Workspace-Funktion der Adobe Experience Platform besser zu verstehen. Wir schlüsseln den Prozess auf und untersuchen die Attribute der Kundenabwanderung.

In hart umkämpften Märkten, wie sie Glücksspiel-, Hotel- und Kasinoketten bedienen, ist es entscheidend, seine Kunden wirklich zu verstehen, um wettbewerbsfähig zu bleiben. Um dies zu erreichen, muss man das Verhalten seiner Kunden analysieren und verstehen, welche Eigenschaften die Menschen haben, die abwandern könnten.

In diesem Sinne wollten wir Data Science Workspace nutzen, um mit Hilfe von maschinellem Lernen mit hoher Genauigkeit vorherzusagen, welche Kunden der großen Glücksspiel-, Hotel- und Kasinoketten mit hoher Wahrscheinlichkeit über einen Zeitraum von sechs Monaten keine Buchung vornehmen würden. Auf der Grundlage dieser Vorhersagen würden wir dann personalisierte Angebote an Kunden über Adobe Target oder E-Mails sowie über soziale Medien versenden. Wir nutzten Adobe Experience Platform für diese Aufgabe, weil sie sehr datenhungrig ist. Durch den gemeinsamen Einsatz von Data Science Workspace und Adobe Experience Platform konnten wir die Aktivierung und Berichterstellung mit einem einzigen Tool durchführen.

Die folgende Architektur mit Data Science Workspace hat uns geholfen, Erkenntnisse über die Kundenabwanderung zu gewinnen.

Wir haben uns die Kunden angesehen, die innerhalb eines 18-monatigen Zeitfensters bei der Kette gebucht hatten, und festgestellt, dass 95 % der Kunden innerhalb von sechs Monaten erneut buchen. Das bedeutete, dass wir bei einem sechsmonatigen Analysefenster einen kompletten Kaufzyklus der Kunden nachvollziehen konnten.

Unsere Daten umfassten eine halbe Million Kunden mit einer Abwanderungsrate von 53 %.

Wir untersuchten die Abwanderungsattribute für jeden Kunden, wie die Anzahl der Bestellungen, die Tage seit der Bestellung im Vergleich zum durchschnittlichen Kaufzyklus des Kunden, die Kundenpersönlichkeit, die sich aus dem Surfverhalten ergibt, wie z. B. Preissensibilität, Sortierung nach Beliebtheit, Suche nach Angeboten sowie andere sitzungsbezogene Aktivitäten, die im XDM-Format in die Plattform einfließen. Anschließend nutzten wir den Data Science Workspace, um die Daten zu bereinigen und die aussagekräftigen Treiber für die Kundenabwanderung für die Erstellung des Vorhersagemodells auszuwählen. Die Rezepturfunktion des Data Science Workspace wurde verwendet, um ML-Modelle direkt dort zu erstellen, zu experimentieren und abzustimmen, wo die Daten gesammelt und aktiviert werden, um die Zeit bis zur Gewinnung von Erkenntnissen zu verkürzen.

Das ultimative Ziel unserer Analyse ist es, die Attribute zu verstehen, die sich auf die Abwanderung auswirken, und die Neigung zur Abwanderung in den nächsten Monaten zu bestimmen.

Als wir die Daten untersuchten, stellten wir fest, dass es bestimmte Faktoren gab, die bei denjenigen, die abwanderten, häufig vorkamen.

• Die Unterscheidung zwischen Abwanderern und Nicht-Abwanderern wird schärfer, wenn wir nur die letzten Monate betrachten. So war ein Kunde, der innerhalb eines Monats häufig buchte, mit größerer Wahrscheinlichkeit abgewandert, als wenn wir unsere Betrachtung auf mehrere Monate ausdehnten. Die konsequente Einbindung des Kunden über einen längeren Zeitraum kann dazu beitragen, die Abwanderung zu verhindern.
• Die von den Kunden besuchten Objekte hatten einen Einfluss darauf, ob sie abwanderten oder nicht. So hatten Kunden, die bestimmte Objekte besuchten, ein höheres Abwanderungsrisiko. Ebenso gab es einige Objekte, bei denen die Kunden nach einem Aufenthalt eher wieder eine Buchung vornahmen.
• Interessanterweise waren Mitglieder der Goldstufe eher abwanderungsgefährdet, ebenso wie diejenigen, die eine hohe Anzahl von Gutschriften im Rahmen des Kundenbelohnungsprogramms erhalten hatten. Diejenigen, die sich abwandten, neigten dazu, ihre Wunschunterkunft nach dem Preis zu suchen, von niedrig bis hoch sortiert.
• Kunden, die über Lesezeichen kamen (als Referrer wurde „bookmark“ eingegeben), hatten eine höhere Abwanderungswahrscheinlichkeit, ebenso wie Kunden, die als ursprüngliche Einstiegsseite „Buchungsbestätigung“ angegeben hatten.
• Wir stellten außerdem fest, dass Kunden, die die Seite „Buchungsbestätigung“ verließen, oft nicht mehr auf die Website zurückkehrten.

Modell

Um alle Erkenntnisse in einer einzigen verwertbaren Metrik zusammenzufassen, haben wir ein Modell für maschinelles Lernen entwickelt, das die Abwanderung vorhersagt, sobald der Kunde die ersten Anzeichen für eine Abwanderung zeigt, um die Zielgruppenansprache und die Kundenbindung zu verbessern.

Dazu nutzen wir das XDM-Datenmodell und Jupyter-Notebooks im Data Science Workspace der Adobe Experience Platform. Adobe Experience Platform verfügt außerdem über vorgefertigte Notebook-Vorlagen und eine Reihe nützlicher Plug-ins, darunter eine Erweiterung für die Paketierung von Notebooks zu Rezepten mit einem Klick, einen Dienst für die Skalierung der Mandantenfähigkeit von Jupyter und parametrisierte Notebooks.

Entwurf des Modells

Einfach ausgedrückt, helfen Modelle für maschinelles Lernen bei der Vorhersage eines Ergebnisses auf der Grundlage von historischen Mustern. Wenn man zum Beispiel die Online-Werbung betrachtet, die in der Vergangenheit die meisten Klicks erhalten hat, kann man vorhersagen, welches Merkmal einen Benutzer dazu bringt, sofort zu klicken.

Um diese Muster für die Abwanderung zu entdecken, haben wir das Modell auf das Kundenverhalten für einen Kaufzyklus trainiert, der, wie oben beschrieben, fast sechs Monate dauert. Auf dieser Grundlage haben wir unser Modell so entwickelt, dass es vorhersagt, dass ein Kunde in den nächsten sechs Monaten wieder eine Buchung vornehmen wird. Wir untersuchten die Daten auch über mehrere Zeiträume hinweg, um sicherzustellen, dass es keine größeren saisonalen Schwankungen bei den Bestellungen gab; saisonale Schwankungen in den Daten können die Leistung des Modells während Spitzen- oder Tiefstwerten beeinflussen.

Trainieren des Modells

Es gibt eine Fülle von Algorithmen für maschinelles Lernen, die alle ihre eigene Anwendbarkeit haben. Wir haben verschiedene Algorithmen wie logistische Regression, Random Forest, Support Vector Machines und neuronale Netze ausprobiert und uns für künstliche neuronale Netze zur Operationalisierung entschieden, da sie auf der Grundlage von drei verschiedenen Kriterien am besten funktionierten:

1. Rückruf des Modells: Die Anzahl der Churners, die das Modell identifizieren und abdecken kann
2. Präzision des Modells: Die Anzahl der korrekt identifizierten Churners als Prozentsatz der insgesamt vorhergesagten Churners
3. Stabilität der oben genannten Metriken über verschiedene Zeiträume

Neuronale Netze sind eine Reihe von Algorithmen, die in Anlehnung an das menschliche Gehirn entwickelt wurden, um Muster zu erkennen. In diesem Fall haben wir das neuronale Netz so trainiert, dass es die ersten Signale der Abwanderung erkennt.

Einige Herausforderungen und nächste Schritte für uns

Um sicherzustellen, dass wir eine einheitliche Sicht auf die Kunden erhalten, die Daten und Abwanderungsprognosen für Kunden kombiniert, mussten wir in der Phase des Feature Engineering eine sehr detaillierte Analyse durchführen. Bei der Entwicklung von Merkmalen geht es darum, aussagekräftige und überzeugende Merkmale zu erstellen (ein Kundenmerkmal, das in den Daten als Vorläufer der Abwanderung beobachtet wird), und es bedarf eines kritischen Blicks, um die besten Merkmale für die Vorhersage der Abwanderung auszuwählen.

Als wir begannen, hatten wir über 150 Merkmale aus den Analysedaten (Clickstream), die unter anderem als Verkauf und Handel, Webverhalten, frühere Reaktionen auf Marketing und demografische Daten der Kunden zusammengefasst waren. Durch sorgfältige Analysen und Überlegungen konnten wir diese Zahl auf 20 reduzieren.

Unsere Modellbildung kann als Service eingesetzt werden, um Kunden dabei zu helfen, die Abwanderung innerhalb ihres Unternehmens zu verstehen und zu kontrollieren.

Das Tolle an all dem ist, dass wir dies zur Verhaltensanalyse nutzen können. So können wir mit der Adobe Experience Platform Echtzeit-Kundenprofile erstellen, anhand derer wir feststellen können, ob ein Kunde abwandern wird oder nicht. So sind wir in der Lage, ihnen gezielte, personalisierte Angebote zu unterbreiten, sobald sie Anzeichen für eine Abwanderung zeigen. Wir können diese Daten für die Berichterstattung nutzen und dem Unternehmen mit Hilfe von Customer Journey Analytics und Query Services Einblicke geben.

Wir werden in einem der nächsten Blogbeiträge mehr über diese Echtzeit-Kundenprofile erzählen. Weitere Informationen zur Modellbereitstellung in Data Science Workspace finden Sie hier.

Folgen Sie dem Adobe Tech Blog für weitere Kunden- und Entwicklerberichte und -ressourcen, und besuchen Sie Adobe Developers auf Twitter für die neuesten Nachrichten und Entwicklerprodukte. Melden Sie sich hier für zukünftige Adobe Experience Platform Meetups an. Für exklusive Beiträge zur Adobe Experience Platform folgen Sie Jaemi Bremner.

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/