Gagner une compréhension plus profonde du churn en utilisant l’espace de travail de la science des données

Dans ce billet, nous explorons comment nous avons aidé un client à mieux comprendre le churn au sein de son entreprise en utilisant la fonctionnalité Data Science Workspace d’Adobe Experience Platform. Nous décomposons le processus et explorons les attributs de la désaffection des clients.

Sur des marchés hautement concurrentiels, comme ceux où opèrent les chaînes de jeux, d’hôtels et de casinos, il est crucial de pouvoir vraiment comprendre ses clients pour rester compétitif. Pour ce faire, vous devez analyser le comportement de vos clients et comprendre quels sont les attributs des personnes susceptibles de se désabonner.

Avec cela en tête, nous voulions utiliser Data Science Workspace pour exploiter l’apprentissage automatique afin de prédire avec une grande précision quels clients de la grande chaîne de jeux, d’hôtels et de casinos étaient très peu susceptibles de faire une réservation sur une période de six mois. Ensuite, à l’aide de ces prédictions, nous enverrions des offres personnalisées aux clients par le biais d’Adobe Target ou d’e-mails, ainsi que des médias sociaux. Pour ce faire, nous avons utilisé Adobe Experience Platform en raison de son appétit pour les données. L’utilisation conjointe de Data Science Workspace et d’Adobe Experience Platform nous a permis d’être en mesure d’activer et de produire des rapports au sein d’un seul et même outil.

À un haut niveau, l’architecture ci-dessous impliquant Data Science Workspace nous a aidés à fournir les aperçus sur le churn.

Nous avons examiné les clients qui avaient réservé auprès de la chaîne à tout moment au cours d’une fenêtre de 18 mois, nous avons découvert que 95 % des clients réservent à nouveau dans les six mois. Cela signifie que, avec une fenêtre d’analyse de six mois, nous pouvions comprendre un cycle d’achat complet pour les clients.

Nos données comprenaient un demi-million de clients et avec un taux de désabonnement de 53%.

Nous avons exploré les attributs de désabonnement pour chaque client, tels que le nombre de commandes, les jours depuis la commande par rapport au cycle d’achat moyen du client, le persona du client tel qu’il ressort du comportement de navigation, comme la sensibilité au prix, le tri par popularité, la recherche d’offres ainsi que d’autres activités liées à la session qui entrent dans la plate-forme au format XDM. Nous avons ensuite exploité l’espace de travail de science des données pour nettoyer les données et sélectionner les facteurs de désabonnement significatifs pour construire le modèle prédictif. La fonctionnalité de recette de l’espace de travail de science des données a été utilisée pour créer, expérimenter et ajuster les modèles ML directement à l’endroit où les données sont collectées et activées, ce qui raccourcit le temps de science des données jusqu’aux idées.

Le but ultime de notre analyse est de comprendre les attributs qui ont un impact sur le churn et de déterminer une propension au churn au cours des prochains mois.

Au fur et à mesure que nous avons exploré les données, nous avons constaté que certains facteurs étaient communs à ceux qui ont churné.

• La distinction entre les churners et les non-churners devient plus nette si nous ne considérons que les mois récents. Ainsi, un client qui a effectué des réservations fréquentes sur une période d’un mois était plus susceptible de se désabonner que lorsque nous élargissons notre vision à plusieurs mois. Un engagement constant du client sur des durées plus longues peut aider à prévenir la résiliation.
• Les propriétés que les clients ont visitées ont eu un impact sur le fait qu’ils aient résilié ou non. Par exemple, les clients qui ont visité certaines propriétés avaient plus de chances de se désabonner. De même, il y avait également certaines propriétés après un séjour dans lesquelles les clients étaient plus susceptibles de revenir pour faire une réservation.
• Il est intéressant de noter que les membres du niveau or étaient plus susceptibles de se désabonner, tout comme ceux qui avaient reçu un grand nombre de comps du programme de récompense des clients. Il y avait parmi ceux qui ont churné une tendance à rechercher les propriétés dans lesquelles ils voulaient séjourner en fonction du prix, trié de bas en haut.
• Les clients qui sont arrivés via des signets (tapé_bookmark comme référent) avaient une probabilité accrue de churning, tout comme les clients qui avaient « confirmation de réservation » comme site d’entrée initial.
• Nous avons également constaté que les clients qui ont quitté à la page « confirmation de réservation » ne sont souvent jamais revenus sur le site.

Modèle

Pour combiner tous les aperçus en une seule métrique utilisable, nous avons construit un modèle d’apprentissage automatique pour prédire le churn dès que les premiers signaux de churn sont exposés par le client pour un ciblage et une rétention plus pointus.

Pour cela, nous exploitons le modèle de données XDM et les Jupyter Notebooks dans l’espace de travail Data Science d’Adobe Experience Platform. Adobe Experience Platform dispose également de modèles de notebooks préconstruits et d’un certain nombre de plug-ins utiles, notamment une extension de packaging notebook-to-recipe en un clic, un service de mise à l’échelle de la multi-tenance de Jupyter et des notebooks paramétrés.

Conception du modèle

En termes simples, les modèles d’apprentissage automatique aident à prédire un résultat sur la base de modèles historiques. Par exemple, en examinant les publicités en ligne qui ont obtenu le maximum de clics dans le passé, vous pouvez prédire quelle est cette caractéristique particulière qui fait qu’un utilisateur clique instantanément.

Pour découvrir ces modèles pour le churn, nous avons formé le modèle sur le comportement du client pour un cycle d’achat, comme discuté ci-dessus est près de six mois. En utilisant cela comme référence, nous avons conçu notre modèle pour prédire qu’un client reviendrait faire une réservation dans les six prochains mois. Nous avons également étudié les données à travers les périodes de temps pour nous assurer qu’il n’y avait pas de saisonnalité majeure dans les commandes ; la saisonnalité dans les données peut influencer la performance du modèle pendant les pics ou les creux.

Formation du modèle

Il existe une pléthore d’algorithmes d’apprentissage automatique à choisir avec chacun sa propre applicabilité, nous avons essayé plusieurs algorithmes comme la régression logistique, la forêt aléatoire, les machines à vecteurs de support et les réseaux neuronaux, nous avons choisi les réseaux neuronaux artificiels pour l’opérationnalisation car il a mieux fonctionné sur la base de trois critères différents :

1. Rappel du modèle : Le nombre de churners que le modèle est capable d’identifier et de couvrir
2. Précision du modèle : Le nombre de churners correctement identifiés en tant que pourcentage du total prédit comme churn
3. Stabilité des métriques ci-dessus sur différentes périodes de temps

Les réseaux neuronaux sont un ensemble d’algorithmes, modelés vaguement sur le cerveau humain, qui est conçu pour reconnaître des modèles. Ici, nous avons formé le réseau neuronal pour attraper les premiers signaux de désabonnement.

Quelques défis et prochaines étapes pour nous

Pour nous assurer d’obtenir une vue unique des clients qui combine les données et les prédictions de désabonnement pour les clients, nous avons dû entreprendre une analyse très détaillée pendant l’étape d’ingénierie des fonctionnalités. L’ingénierie des caractéristiques implique la création de caractéristiques significatives et convaincantes (une caractéristique du client qui est observée dans les données comme un précurseur du churn) et nécessite un œil critique pour sélectionner les meilleures caractéristiques pour prédire le churn.

Lorsque nous avons commencé, nous avions plus de 150 caractéristiques provenant des données Analytics (Clickstream) agrégées en tant que ventes et commerce, comportement web, réponse passée au marketing, démographie du client entre autres. Grâce à une analyse et une considération minutieuses, nous avons pu réduire cela à 20.

Nos efforts de construction de modèles ici peuvent être déployés en tant que service pour aider les clients à comprendre et à contrôler le churn au sein de leur entreprise de manière continue.

Ce qui est génial avec tout cela, c’est que nous pouvons l’utiliser pour analyser le comportement. Cela nous permet de créer des profils de clients en temps réel Adobe Experience Platform que nous pouvons utiliser pour déterminer si un client va ou non se désabonner. Nous sommes ainsi en mesure de lui adresser des offres personnalisées très ciblées dès qu’il commence à montrer des signes de désabonnement. Nous pouvons utiliser ces données pour établir des rapports et donner des indications à l’organisation en tirant parti d’éléments tels que l’analyse du parcours client et les Query Services.

Nous parlerons davantage de ces profils clients en temps réel dans un prochain article de blog. Vous pouvez en savoir plus sur le déploiement de modèles au sein de Data Science Workspace ici.

Suivez le blog Adobe Tech pour d’autres témoignages de clients et de développeurs et des ressources, et consultez Adobe Developers sur Twitter pour connaître les dernières actualités et les produits pour développeurs. Inscrivez-vous ici pour les futurs meetups Adobe Experience Platform. Pour des posts exclusifs sur Adobe Experience Platform, suivez 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/

.