Få en dybere forståelse af churn ved hjælp af Data Science Workspace

I dette indlæg udforsker vi, hvordan vi hjalp en kunde med at forstå churn i deres virksomhed bedre ved hjælp af funktionen Data Science Workspace i Adobe Experience Platform. Vi nedbryder processen og udforsker egenskaberne ved kundeafgang.

I stærkt konkurrenceprægede markeder, som spil, hotel- og casinokæder opererer på, er det afgørende for at forblive konkurrencedygtig at være i stand til virkelig at forstå sine kunder. For at gøre dette er du nødt til at analysere dine kunders adfærd og forstå, hvad der er attributterne for de mennesker, der kan churn.

Med dette i tankerne ønskede vi at bruge Data Science Workspace til at udnytte maskinlæring til med stor nøjagtighed at forudsige, hvilke kunder hos den store spil-, hotel- og casinokæde der var meget usandsynlige for at foretage en booking i løbet af en seks måneders periode. Derefter ville vi ved hjælp af disse forudsigelser sende personlige tilbud til kunderne via enten Adobe Target eller e-mails samt sociale medier. Vi brugte Adobe Experience Platform til dette formål på grund af dets appetit på data. Ved at bruge Data Science Workspace og Adobe Experience Platform sammen fik vi mulighed for at kunne aktivere og rapportere i ét værktøj.

På et højt niveau hjalp nedenstående arkitektur, der involverer Data Science Workspace, os med at levere indsigt i churn.

Vi kiggede på kunder, der havde booket hos kæden på et hvilket som helst tidspunkt i løbet af et 18-måneders vindue, vi opdagede, at 95 % af kunderne booker igen inden for seks måneder. Det betød, at vi med et analysevindue på seks måneder kunne forstå en komplet købscyklus for kunderne.

Vores data omfattede en halv million kunder og med en churn rate på 53%.

Vi udforskede churn-attributter for hver kunde, såsom antallet af ordrer, dage siden bestilling sammenlignet med kundens gennemsnitlige købscyklus, kundepersonlighed som fremgår af browsingadfærd såsom følsomhed over for pris, sortering efter popularitet, søgning efter tilbud samt andre sessionsrelaterede aktiviteter, der strømmer ind i platformen i XDM-format. Vi udnyttede derefter data science workspace til at rense dataene og udvælge de meningsfulde drivere af churn til opbygning af den prædiktive model. Recipe-funktionen i data science workspace blev brugt til at oprette, eksperimentere og afstemme ML-modeller lige der, hvor data indsamles og aktiveres, hvilket forkorter data science-tiden til indsigt.

Det ultimative mål for vores analyse er at forstå de attributter, der påvirker churn og bestemme en tilbøjelighed til at churn i løbet af de næste par måneder.

Da vi udforskede dataene, fandt vi ud af, at der var visse faktorer, der var fælles blandt dem, der churnede.

• Denne forskel mellem churnere og ikke-churnere bliver skarpere, hvis vi kun ser på de seneste måneder. Så en kunde, der foretog hyppige bookinger i en periode på en måned, var mere tilbøjelig til at churn out, end når vi udvidede vores synsvinkel ud til flere måneder. Et konsekvent engagement af kunden over længere perioder kan være med til at forhindre churn.
• De ejendomme, som kunderne besøgte, havde indflydelse på, om de churnede eller ej. F.eks. havde kunder, der besøgte visse ejendomme, en større chance for at blive skiftet. Tilsvarende var der også nogle ejendomme efter et ophold, hvor kunderne var mere tilbøjelige til at vende tilbage for at foretage en booking.
• Interessant nok var der større sandsynlighed for, at medlemmer på guldtrinnet var mere tilbøjelige til at churn, og det samme var de, der havde modtaget et højt antal comps fra kundebelønningsprogrammet. Der var blandt en tendens til, at de, der churnede, søgte efter overnatningssteder, de ønskede at bo på, baseret på pris, sorteret fra lav til høj.
• Kunder, der ankom via bogmærker (typed_bookmark som referrer), havde en øget sandsynlighed for churning, ligesom kunder, der havde “booking confirmation” som deres oprindelige indgangsside.
• Vi fandt også, at kunder, der forlod på “booking confirmation”-siden, ofte aldrig vendte tilbage til siden.

Model

For at kombinere alle indsigterne i en enkelt brugbar måleenhed byggede vi en maskinlæringsmodel til at forudsige churn, så snart de første signaler om churn udvises af kunden med henblik på skarpere målretning og fastholdelse.

For at gøre dette udnytter vi XDM-datamodellen og Jupyter Notebooks i Data Science Workspace i Adobe Experience Platform. Adobe Experience Platform har også forudbyggede notesbogsskabeloner og en række nyttige plug-ins, herunder en udvidelse til pakning af notesbøger til opskrifter med et enkelt klik, en tjeneste til skalering af Jupyter-multitenancy og parameteriserede notesbøger.

Design af modellen

Simpelt sagt hjælper maskinlæringsmodeller med at forudsige et resultat på baggrund af historiske mønstre. For eksempel ved at gennemgå de onlineannoncer, der fik flest klik tidligere, kan man forudsige, hvad der er den særlige funktion, der får en bruger til at klikke med det samme.

For at opdage disse mønstre for churn trænede vi modellen på kundeadfærd for en købscyklus, som diskuteret ovenfor er næsten seks måneder. Ved at bruge dette som benchmark designede vi vores model til at forudsige, at en kunde ville vende tilbage for at foretage en booking i de næste seks måneder. Vi undersøgte også dataene på tværs af tidsperioder for at sikre, at der ikke var større sæsonudsving i ordrerne; sæsonudsving i dataene kan påvirke modellens ydeevne i perioder med høj- eller lavkonjunkturer.

Træning af modellen

Der er et væld af maskinlæringsalgoritmer at vælge med hver sin egen anvendelighed, vi prøvede flere algoritmer som logistisk regression, random forest, support vector machines og neurale netværk, vi valgte kunstige neurale netværk til operationalisering, da det fungerede bedst baseret på tre forskellige kriterier:

1. Modellens genkaldelse: Antallet af churners, som modellen er i stand til at identificere og dække
2. Modellens præcision: Antallet af korrekt identificerede churners som en procentdel af det samlede antal, der er forudsagt som churn
3. Stabilitet af ovenstående målinger over forskellige tidsperioder

Neurale netværk er et sæt algoritmer, der er løst modelleret efter den menneskelige hjerne, og som er designet til at genkende mønstre. Her trænede vi det neurale netværk til at fange de første signaler om churn.

Nogle udfordringer og næste skridt for os

For at sikre, at vi opnåede en enkelt visning af kunderne, der kombinerede data og churn-forudsigelser for kunderne, var vi nødt til at foretage en meget detaljeret analyse under feature engineering-fasen. Featuring engineering indebærer at skabe meningsfulde og overbevisende features (en kundekarakteristik, der observeres i data som en forløber for churn) og kræver et kritisk øje for at udvælge de bedste features til at forudsige churn.

Da vi startede, havde vi over 150 features fra Analytics (Clickstream) data aggregeret som salg og handel, webadfærd, tidligere respons på markedsføring, kundedemografi blandt andet. Gennem omhyggelig analyse og overvejelser var vi i stand til at reducere dette ned til 20.

Vores bestræbelser på at opbygge modeller her kan implementeres som en service for at hjælpe kunderne med at forstå og kontrollere churn i deres virksomhed på et kontinuerligt grundlag.

Det fantastiske ved alt dette er, at vi kan bruge dette til at analysere adfærd. Det giver os mulighed for at oprette Adobe Experience Platform Real-Time Customer Profiles, som vi kan bruge til at afgøre, om en kunde vil churnere eller ej. Og sætte os i stand til at sende meget målrettede, personlige tilbud ud til dem, så snart de begynder at vise tegn på afbrydelse. Vi kan bruge disse data til rapportering og give indsigt til organisationen ved hjælp af analyser af kunderejsen og Query Services.

Vi vil tale mere om disse Real-Time Customer Profiles i et kommende blogindlæg. Du kan få mere at vide om modelimplementering i Data Science Workspace her.

Følg Adobe Tech Blog for at få flere kunde- og udviklerhistorier og ressourcer, og tjek Adobe Developers på Twitter for at få de seneste nyheder og udviklerprodukter. Tilmeld dig her til fremtidige Adobe Experience Platform Meetups. Følg Jaemi Bremner for at få eksklusive indlæg om Adobe Experience Platform.

1. Adobe Experience Platform – https://www.adobe.com/experience-platform.html
2. Data Science Workspace –
3. Experience Data Model –
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/