Conseguir una comprensión más profunda de la pérdida de clientes utilizando el espacio de trabajo de la ciencia de los datos

En este post, exploramos cómo ayudamos a un cliente a entender mejor el churn dentro de su empresa utilizando la función Data Science Workspace de Adobe Experience Platform. Desglosamos el proceso y exploramos los atributos de la pérdida de clientes.

En mercados altamente competitivos, como en el que operan las cadenas de juegos, hoteles y casinos, ser capaz de entender realmente a sus clientes es crucial para seguir siendo competitivo. Para ello, tienes que analizar el comportamiento de tus clientes y entender cuáles son los atributos de las personas que pueden cambiar de opinión.

Con esto en mente, queríamos utilizar Data Science Workspace para aprovechar el aprendizaje automático para predecir con una gran precisión qué clientes de la cadena de juegos, hoteles y casinos tenían pocas probabilidades de hacer una reserva durante un período de seis meses. A continuación, utilizando esas predicciones, enviaríamos ofertas personalizadas a los clientes a través de Adobe Target o de correos electrónicos, así como de las redes sociales. Para ello, utilizamos Adobe Experience Platform debido a su capacidad para obtener datos. El uso conjunto de Data Science Workspace y Adobe Experience Platform nos permitió activar e informar dentro de una sola herramienta.

En un alto nivel, la siguiente arquitectura que involucra a Data Science Workspace nos ayudó a entregar los conocimientos sobre la pérdida de clientes.

Examinamos a los clientes que habían reservado con la cadena en cualquier momento durante una ventana de 18 meses, descubrimos que el 95% de los clientes vuelven a reservar dentro de los seis meses. Esto significaba que, con una ventana de análisis de seis meses, podíamos entender un ciclo de compra completo para los clientes.

Nuestros datos incluían medio millón de clientes y con una tasa de abandono del 53%.

Exploramos los atributos de abandono para cada cliente, como el número de pedidos, los días desde el pedido en comparación con el ciclo de compra medio del cliente, la persona del cliente según se desprende del comportamiento de navegación, como la sensibilidad al precio, la clasificación por popularidad, la búsqueda de ofertas, así como otras actividades relacionadas con la sesión que fluyen en la plataforma en formato XDM. A continuación, aprovechamos el espacio de trabajo de ciencia de datos para limpiar los datos y seleccionar los impulsores significativos de la pérdida de clientes para construir el modelo predictivo. La función de recetas del espacio de trabajo de la ciencia de datos se utilizó para crear, experimentar y ajustar los modelos de ML justo donde se recopilan y activan los datos, lo que acorta el tiempo de la ciencia de datos para obtener información.

El objetivo final de nuestro análisis es comprender los atributos que impactan en el churn y determinar la propensión al churn en los próximos meses.

A medida que exploramos los datos, descubrimos que había ciertos factores que eran comunes entre los que se desanimaban.

• La distinción entre churners y no churners se hace más nítida si consideramos sólo los meses recientes. Así, un cliente que ha reservado con frecuencia en un período de un mes tiene más probabilidades de abandonar la empresa que cuando ampliamos la visión a varios meses. El compromiso constante del cliente durante periodos más largos puede ayudar a prevenir el abandono.
• Las propiedades que visitaron los clientes influyeron en el abandono. Por ejemplo, los clientes que visitaron ciertas propiedades tenían una mayor probabilidad de cambiar. Del mismo modo, después de una estancia, había algunos establecimientos en los que era más probable que los clientes volvieran a hacer una reserva.
• Es interesante observar que los miembros de la categoría oro eran más propensos a cambiar de residencia, al igual que los que habían recibido un gran número de bonos del programa de recompensas a los clientes. Los clientes que llegaron a través de marcadores (escribiendo «bookmark» como referencia) tenían una mayor probabilidad de abandonar el sitio, al igual que los clientes que tenían la «confirmación de la reserva» como su sitio de entrada original.
• También descubrimos que los clientes que abandonaban la página de «confirmación de la reserva» a menudo no volvían al sitio.

Modelo

Para combinar toda la información en una única métrica utilizable, creamos un modelo de aprendizaje automático para predecir la pérdida de clientes tan pronto como el cliente mostrara las primeras señales de pérdida de clientes, con el fin de mejorar la orientación y la retención.

Para ello, aprovechamos el modelo de datos XDM y los cuadernos Jupyter en el espacio de trabajo de ciencia de datos de Adobe Experience Platform. Adobe Experience Platform también cuenta con plantillas de cuadernos preconstruidas y una serie de complementos útiles, entre los que se incluyen una extensión de empaquetado de cuadernos a recetas con un solo clic, un servicio para escalar la tenencia múltiple de Jupyter y cuadernos parametrizados.

Diseño del modelo

En términos sencillos, los modelos de aprendizaje automático ayudan a predecir un resultado basándose en patrones históricos. Por ejemplo, al revisar los anuncios en línea que obtuvieron el máximo de clics en el pasado, se puede predecir cuál es esa característica particular que hace que un usuario haga clic al instante.

Para descubrir estos patrones para el churn, entrenamos el modelo en el comportamiento de los clientes para un ciclo de compra, como se discutió anteriormente es casi seis meses. Utilizando esto como punto de referencia, diseñamos nuestro modelo para predecir que un cliente volvería a hacer una reserva en los próximos seis meses. También estudiamos los datos a lo largo de los periodos de tiempo para asegurarnos de que no había una estacionalidad importante en los pedidos; la estacionalidad en los datos puede influir en el rendimiento del modelo durante los picos o los descensos.

Entrenamiento del modelo

Hay una plétora de algoritmos de aprendizaje automático para elegir, cada uno con su propia aplicabilidad, probamos varios algoritmos como la regresión logística, el bosque aleatorio, las máquinas de vectores de apoyo y las redes neuronales, elegimos las redes neuronales artificiales para la operacionalización ya que funcionaban mejor en base a tres criterios diferentes:

1. Recuperación del modelo: El número de churners que el modelo es capaz de identificar y cubrir
2. Precisión del modelo: El número de clientes que han sido identificados correctamente como porcentaje del total predicho como clientes
3. Estabilidad de las métricas anteriores en diferentes periodos de tiempo

Las redes neuronales son un conjunto de algoritmos, modelados vagamente según el cerebro humano, que están diseñados para reconocer patrones. En este caso, entrenamos la red neuronal para captar las primeras señales de churn.

Algunos retos y próximos pasos para nosotros

Para asegurarnos de que conseguíamos una visión única de los clientes que combinaba datos y predicciones de churn para los clientes, tuvimos que realizar un análisis muy detallado durante la etapa de ingeniería de características. La ingeniería de características implica la creación de características significativas y convincentes (una característica del cliente que se está observando en los datos como precursora de la deserción) y requiere un ojo crítico para seleccionar las mejores características para la predicción de la deserción.

Cuando empezamos, teníamos más de 150 características de los datos de Analytics (Clickstream) agregados como las ventas y el comercio, el comportamiento en la web, la respuesta anterior al marketing, la demografía del cliente entre otros. A través de un cuidadoso análisis y consideración, fuimos capaces de reducir esto a 20.

Nuestros esfuerzos de construcción de modelos aquí pueden ser desplegados como un servicio para ayudar a los clientes a entender y controlar el churn dentro de su empresa de forma continua.

Lo bueno de todo esto es que podemos utilizar esto para analizar el comportamiento. Esto nos permite crear perfiles de clientes en tiempo real de Adobe Experience Platform que podemos utilizar para determinar si un cliente va a cambiar de opinión o no. Y nos sitúa en una posición en la que podemos enviarles ofertas personalizadas y muy específicas tan pronto como empiecen a mostrar signos de abandono. Podemos utilizar estos datos para elaborar informes y proporcionar información a la organización aprovechando los servicios de análisis de la trayectoria del cliente y los servicios de consulta.

Hablaremos más sobre estos perfiles de clientes en tiempo real en una próxima entrada del blog. Puede obtener más información sobre la implantación de modelos en Data Science Workspace aquí.

Siga el Adobe Tech Blog para conocer más historias y recursos de clientes y desarrolladores, y consulte Adobe Developers en Twitter para conocer las últimas noticias y productos para desarrolladores. Inscríbase aquí para los futuros encuentros de Adobe Experience Platform. Para obtener publicaciones exclusivas sobre la plataforma de experiencia de Adobe, siga a Jaemi Bremner.

1. Plataforma de experiencia de Adobe – https://www.adobe.com/experience-platform.html
2. Espacio de trabajo de ciencia de los datos – https://www.adobe.com/experience-platform/data-science-workspace.html
3. Modelo de datos de experiencia – https://www.adobe.io/open/standards/xdm.html
4. Perfiles de clientes en tiempo real de la plataforma de experiencia de Adobe – https://www.adobe.com/ca/experience-platform/real-time-customer-profile.html
5. Jupyter Notebook – https://jupyter.org/