Authors: Marina Mahtab, Sunish Verma, and Douglas Paton
Tässä postauksessa selvitämme, miten autoimme asiakasta ymmärtämään paremmin yrityksensä vaihtuvuutta Adobe Experience Platform -alustaan sisältyvän Data Science Workspace -ominaisuuden avulla. Puramme prosessin ja tutkimme asiakkaiden vaihtuvuuden ominaisuuksia.
Kovasti kilpailluilla markkinoilla, kuten peli-, hotelli- ja kasinoketjut toimivat, asiakkaiden todellinen ymmärtäminen on ratkaisevan tärkeää kilpailukyvyn säilyttämiseksi. Tätä varten on analysoitava asiakkaiden käyttäytymistä ja ymmärrettävä, mitkä ovat niiden ihmisten ominaisuudet, jotka saattavat irtisanoutua.
Tässä mielessä halusimme Data Science Workspacen avulla hyödyntää koneoppimista ennustaaksemme suurella tarkkuudella, mitkä suurten peli-, hotelli- ja kasinoketjujen asiakkaat ovat erittäin epätodennäköisiä tekemään varauksen kuuden kuukauden aikana. Sitten näiden ennusteiden avulla lähettäisimme asiakkaille henkilökohtaisia tarjouksia joko Adobe Targetin tai sähköpostin kautta sekä sosiaalisessa mediassa. Käytimme tähän Adobe Experience Platformia sen tiedonhalun vuoksi. Data Science Workspacen ja Adobe Experience Platformin käyttäminen yhdessä antoi meille mahdollisuuden aktivoida ja raportoida yhdessä työkalussa.
Korkealla tasolla alla oleva arkkitehtuuri, johon sisältyy Data Science Workspace, auttoi meitä saamaan selvyyttä vaihtuvuudesta.
Katsoimme asiakkaita, jotka olivat varanneet ketjulta milloin tahansa 18 kuukauden ajanjakson aikana, ja havaitsimme, että 95 prosenttia asiakkaista tekee uudelleen varauksen kuuden kuukauden kuluessa. Tämä tarkoitti, että kuuden kuukauden analyysi-ikkunan avulla pystyimme ymmärtämään asiakkaiden yhtä kokonaista ostosykliä.
Aineistomme sisälsi puoli miljoonaa asiakasta, joiden vaihtuvuusaste oli 53 %.
Tutkimme kunkin asiakkaan vaihtuvuusominaisuuksia, kuten tilausten määrää, tilauksesta kuluneita päiviä verrattuna asiakkaan keskimääräiseen ostosykliin, selauskäyttäytymisestä ilmenevää asiakaspersoonallisuutta, kuten herkkyyttä hinnalle, lajittelua suosion mukaan, tarjousten etsimistä sekä muita istuntoon liittyviä toimintoja, jotka virtaavat XDM-muodossa alustaan. Sen jälkeen hyödynsimme datatieteen työtilaa tietojen siivoamiseksi ja merkityksellisten vaihtuvuutta aiheuttavien tekijöiden valitsemiseksi ennustemallin rakentamista varten. Datatieteen työtilan reseptiominaisuutta käytettiin ML-mallien luomiseen, kokeilemiseen ja virittämiseen suoraan siellä, missä tiedot kerätään ja aktivoidaan, mikä lyhentää datatieteen aikaa oivalluksiin.
Asianalyysimme perimmäisenä tavoitteena on ymmärtää ominaispiirteitä, jotka vaikuttavat vaihtuvuuteen, ja määrittää alttius vaihtuvuuteen seuraavien kuukausien aikana.
Kun tutkimme dataa, havaitsimme, että tietyt tekijät olivat yhteisiä niille, jotka olivat vaihtaneet asiakkaita.
- Erottelu churnereiden ja ei-churnereiden välillä korostuu, jos tarkastelemme vain viime kuukausia. Niinpä asiakas, joka teki usein varauksia yhden kuukauden aikana, oli todennäköisemmin churn out kuin silloin, kun laajensimme tarkasteluamme useisiin kuukausiin. Asiakkaan johdonmukainen sitouttaminen pidemmällä aikavälillä voi auttaa ehkäisemään irtisanoutumista.
- Kiinteistöt, joissa asiakkaat kävivät, vaikuttivat siihen, irtisanoutuivatko he vai eivät. Esimerkiksi asiakkailla, jotka kävivät tietyissä kiinteistöissä, oli suurempi todennäköisyys vaihtaa paikkaa. Vastaavasti oli myös joitakin majoituspaikkoja, joihin asiakkaat palasivat todennäköisemmin tekemään varauksen oleskelun jälkeen.
- Mielenkiintoista oli, että gold tier -jäsenet olivat todennäköisemmin vaihtamassa majoituspaikkaa, samoin kuin ne, jotka olivat saaneet paljon komppeja asiakaspalkkio-ohjelmasta. Niillä, jotka vaihtuivat, oli taipumus etsiä majoituskohteita, joihin he halusivat majoittua, hinnan perusteella, lajiteltuna alhaisesta korkeaan.
- Asiakkailla, jotka saapuivat kirjanmerkkien kautta (kirjoitettu_bookmark lähettäjänä), oli suurempi todennäköisyys vaihtua, samoin kuin niillä asiakkailla, joiden alkuperäisenä sisäänkäyntisivustona oli ”varausvahvistus”.
- Havaitsimme myös, että asiakkaat, jotka poistuivat sisäänkäynniltä ”varausvahvistus”-sivun kohdalla, eivät useinkaan koskaan palanneet takaisin sivustolle.
Malli
Yhdistääksemme kaikki oivallukset yhdeksi käyttökelpoiseksi mittariksi rakensimme koneoppimismallin, jonka avulla voimme ennustaa poistumisen heti, kun asiakas osoittaa ensimmäisiä signaaleja poistumisesta, jotta voimme terävöittää kohdentamista ja asiakaspalvelun säilyttämistä.
Tässä hyödynnämme XDM-tietomallia ja Jupyter-tiedonantovälineiden Jupyter-tiedonantovihkoja Adoben Experience Platform -alustan Data Science -työtilassa. Adobe Experience Platformissa on myös valmiita muistikirjamalleja ja useita hyödyllisiä lisäosia, kuten yhden napsautuksen muistikirjasta reseptiksi -pakkauslaajennus, palvelu Jupyterin monikäyttöisyyden skaalaamiseen ja parametrisoidut muistikirjat.
Mallin suunnittelu
Yksikertaisesti sanottuna koneoppimismallit auttavat ennustamaan lopputulosta historiallisten mallien perusteella. Esimerkiksi tarkastelemalla verkkomainoksia, jotka saivat maksimiklikkauksia menneisyydessä, voidaan ennustaa, mikä on se tietty ominaisuus, joka saa käyttäjän klikkaamaan välittömästi.
Havaitaksemme nämä mallit churnin osalta, koulutimme mallin asiakkaan käyttäytymiseen yhden ostosyklin ajalta, kuten edellä käsiteltiin on lähes kuusi kuukautta. Käyttäen tätä vertailukohtana suunnittelimme mallimme ennustamaan, että asiakas palaisi tekemään varauksen seuraavien kuuden kuukauden aikana. Tutkimme myös tietoja eri aikajaksojen välillä varmistaaksemme, että tilauksissa ei ollut suuria kausivaihteluita; kausivaihtelut tiedoissa voivat vaikuttaa mallin suorituskykyyn huippujen tai laskusuhdanteiden aikana.
Mallin harjoittelu
Koneoppimisalgoritmeja on valittavanaan lukuisia ja jokaisella on oma soveltuvuutensa, kokeilimme useita algoritmeja, kuten logistista regressiota, satunnaismetsää, tukivektorikoneita ja neuroverkkoja, valitsimme keinotekoiset neuroverkot operationalisointiin, koska se toimi parhaiten kolmen eri kriteerin perusteella:
- Mallin palautuminen: Malli kykenee tunnistamaan ja kattamaan vaihtomiesten määrän
- Mallin tarkkuus: Oikein tunnistettujen churnereiden määrä prosentteina kaikista churnereiksi ennustetuista
- Yllämainittujen mittareiden stabiilisuus eri aikajaksoilla
Neuraaliset verkot ovat joukko algoritmeja, jotka on mallinnettu löyhästi ihmisaivojen mukaan ja jotka on suunniteltu tunnistamaan kuvioita. Tässä koulutimme neuroverkon havaitsemaan ensimmäiset signaalit irtisanoutumisesta.
Joitakin haasteita ja seuraavia vaiheita meille
Voidaksemme varmistaa, että saimme aikaan yhden ainoan näkymän asiakkaista, jossa yhdistyvät tiedot ja asiakkaiden irtisanoutumisennusteet, meidän oli tehtävä erittäin yksityiskohtainen analyysi ominaisuuksien suunnitteluvaiheessa. Ominaisuuksien suunnitteluun kuuluu mielekkäiden ja vakuuttavien ominaisuuksien luominen (asiakkaan ominaisuus, joka havaitaan datassa poistuman esiasteena), ja se edellyttää kriittistä silmää parhaiden ominaisuuksien valitsemiseksi poistuman ennustamiseen.
Aloittaessamme meillä oli yli 150 ominaisuutta Analytics-tiedoista (Clickstream), jotka oli aggregoitu muun muassa myynniksi ja kaupankäynniksi, verkkokäyttäytymiseksi, aiemmaksi vasteeksi markkinoinnille ja asiakkaan demografiaksi. Huolellisen analyysin ja harkinnan avulla pystyimme vähentämään tämän 20:een.
Tässä tekemämme mallinrakennuspyrkimykset voidaan ottaa käyttöön palveluna, joka auttaa asiakkaita ymmärtämään ja hallitsemaan vaihtuvuutta yrityksessään jatkuvasti.
Hienoa tässä kaikessa on se, että voimme käyttää tätä käyttäytymisen analysointiin. Näin voimme luoda Adobe Experience Platformin reaaliaikaisia asiakasprofiileja, joita voimme käyttää sen määrittämiseen, tuleeko asiakas irtisanoutumaan vai ei. Näin voimme lähettää asiakkaalle tarkasti kohdennettuja, yksilöllisiä tarjouksia heti, kun hän alkaa osoittaa merkkejä irtisanoutumisesta. Voimme käyttää näitä tietoja raportointiin ja antaa organisaatiolle oivalluksia, joissa hyödynnetään esimerkiksi Customer Journey Analytics -analytiikkaa ja Query Services -palveluja.
Kerromme lisää näistä reaaliaikaisista asiakasprofiileista tulevassa blogikirjoituksessa. Lisätietoja mallien käyttöönotosta Data Science Workspacessa saat täältä.
Seuraa Adobe Tech Blogia saadaksesi lisää asiakkaiden ja kehittäjien tarinoita ja resursseja, ja tutustu Adobe Developersiin Twitterissä saadaksesi uusimmat uutiset ja kehittäjätuotteet. Ilmoittaudu täällä tuleviin Adobe Experience Platform Meetupeihin. Seuraa Jaemi Bremneria, jos haluat eksklusiivisia postauksia Adobe Experience Platformista.
- Adobe Experience Platform – https://www.adobe.com/experience-platform.html
- Data Science Workspace – https://www.adobe.com/experience-platform/data-science-workspace.html
- Experience Data Model – https://www.adobe.io/open/standards/xdm.html
- Adobe Experience Platformin reaaliaikaiset asiakasprofiilit – https://www.adobe.com/ca/experience-platform/real-time-customer-profile.html
- Jupyter Notebook – https://jupyter.org/