Authors: Marina Mahtab, Sunish Verma, and Douglas Paton
Ebben a bejegyzésben azt vizsgáljuk, hogyan segítettünk egy ügyfélnek jobban megérteni a vállalaton belüli elvándorlást az Adobe Experience Platform Data Science Workspace funkciójának használatával. Lebontjuk a folyamatot, és feltárjuk az ügyfelek elvándorlásának jellemzőit.
Az erősen versenyző piacokon, mint amilyeneken a szerencsejáték-, szálloda- és kaszinóláncok működnek, az ügyfelek valódi megértése kulcsfontosságú a versenyképesség megőrzéséhez. Ehhez elemezni kell az ügyfelek viselkedését, és meg kell érteni, hogy melyek azok az emberek jellemzői, akik esetleg elvándorolnak.
Ezt szem előtt tartva, a Data Science Workspace segítségével a gépi tanulást akartuk felhasználni arra, hogy nagy pontossággal megjósoljuk, hogy a szerencsejáték-, szálloda- és kaszinófőnök ügyfelei közül melyek azok, akik nagy valószínűséggel nem fognak foglalni egy hat hónapos időszak alatt. Ezután ezeket a jóslatokat felhasználva személyre szabott ajánlatokat küldtünk volna az ügyfeleknek az Adobe Target vagy e-mailek, valamint a közösségi média segítségével. Ehhez az Adobe Experience Platformot használtuk az adatéhsége miatt. Az Adattudományi munkaterület és az Adobe Experience Platform együttes használata lehetővé tette számunkra, hogy egyetlen eszközön belül aktiválhassuk és jelenthessük az adatokat.
Az alábbi, az Adattudományi munkaterületet magában foglaló architektúra magas szinten segített nekünk a lemorzsolódással kapcsolatos meglátások megadásában.
Azokat az ügyfeleket vizsgáltuk, akik egy 18 hónapos időszak alatt bármikor foglaltak a láncnál, és megállapítottuk, hogy az ügyfelek 95%-a hat hónapon belül újra foglal. Ez azt jelentette, hogy hat hónapos elemzési ablakkal az ügyfelek egy teljes vásárlási ciklusát megérthettük.
Az adataink félmillió ügyfelet tartalmaztak, és 53%-os lemorzsolódási rátával.
Felfedeztük az egyes ügyfelek lemorzsolódási jellemzőit, például a megrendelések számát, a megrendelés óta eltelt napokat az ügyfél átlagos vásárlási ciklusához képest, a böngészési viselkedésből, például az árérzékenységből, a népszerűség szerinti válogatásból, az ajánlatok kereséséből, valamint a platformba XDM formátumban beáramló egyéb, munkamenettel kapcsolatos tevékenységeket. Ezután az adattudományi munkaterületet használtuk ki az adatok megtisztításához és az elvándorlás értelmes mozgatórugóinak kiválasztásához a prediktív modell felépítéséhez. Az adattudományi munkaterület receptfunkcióját az ML-modellek létrehozására, kísérletezésére és hangolására használtuk közvetlenül az adatgyűjtés és -aktiválás helyén, lerövidítve ezzel az adattudománynak a meglátásokhoz vezető idejét.
Elemzésünk végső célja az elvándorlást befolyásoló jellemzők megértése és az elvándorlási hajlandóság meghatározása a következő néhány hónap során.
Az adatok feltárása során megállapítottuk, hogy vannak bizonyos tényezők, amelyek közösek az elvándorlók körében.
- A churnerek és a nem churnerek közötti különbség élesebbé válik, ha csak az elmúlt hónapokat vesszük figyelembe. Tehát egy olyan ügyfél, aki egy hónapos időszakban gyakran foglalt, nagyobb valószínűséggel vált ki, mint amikor több hónapra terjesztettük ki a nézetünket. Az ügyfél hosszabb időn át tartó következetes elköteleződése segíthet megelőzni az elvándorlást.
- Az ügyfelek által látogatott ingatlanok befolyásolták, hogy elvándoroltak-e vagy sem. Például azok az ügyfelek, akik bizonyos ingatlanokat látogattak, nagyobb eséllyel váltak ki. Hasonlóképpen, voltak olyan ingatlanok is, amelyekben való tartózkodás után az ügyfelek nagyobb valószínűséggel tértek vissza foglalni.
- Érdekes módon az arany fokozatú tagok nagyobb valószínűséggel váltak ki, csakúgy, mint azok, akik sok comps-t kaptak az ügyféljutalmazási programból. Az elvándoroltak között volt egy olyan tendencia, hogy az ár alapján kerestek olyan ingatlanokat, amelyekben meg akartak szállni, alacsonyról magasra rendezve.
- A könyvjelzőkön keresztül érkező ügyfelek (referrerként beírt_bookmark) esetében nagyobb volt az elvándorlás valószínűsége, akárcsak azoknál, akiknek a “foglalási visszaigazolás” volt az eredeti belépési oldal.
- Azt is megállapítottuk, hogy azok az ügyfelek, akik a “foglalási visszaigazolás” oldalon távoztak, gyakran nem tértek vissza az oldalra.
Modell
Az összes meglátás egyetlen használható mérőszámban való egyesítése érdekében egy gépi tanulási modellt építettünk, amely előre jelzi az elvándorlást, amint az ügyfél az elvándorlás első jeleit mutatja az élesebb célzás és megtartás érdekében.
Ezért az XDM adatmodellt és a Jupyter Notebooks-ot használjuk az Adobe Experience Platform Data Science Workspace-ben. Az Adobe Experience Platform rendelkezik előre elkészített jegyzetfüzet-sablonokkal és számos hasznos bővítménnyel is, köztük egy egykattintásos jegyzetfüzetből receptbe csomagoló bővítménnyel, a Jupyter többszemélyes használatának skálázására szolgáló szolgáltatással és paraméterezett jegyzetfüzetekkel.
A modell megtervezése
Egyszerűbben fogalmazva, a gépi tanulási modellek segítenek egy eredmény előrejelzésében a múltbeli minták alapján. Például a múltban legtöbb kattintást kapott online hirdetések áttekintésével megjósolható, hogy mi az a bizonyos tulajdonság, ami miatt a felhasználó azonnal kattintani fog.
Az elvándorlásra vonatkozó ilyen minták felfedezéséhez a modellt egy vásárlási ciklusra képeztük ki az ügyfelek viselkedésére, ami a fent tárgyaltak szerint közel hat hónap. Ezt viszonyítási alapként használva úgy terveztük meg a modellünket, hogy megjósoljuk, hogy egy ügyfél a következő hat hónapban visszatérne foglalni. Az adatokat az időszakok között is megvizsgáltuk, hogy megbizonyosodjunk arról, hogy a megrendelésekben nincs jelentős szezonalitás; az adatok szezonalitása befolyásolhatja a modell teljesítményét a csúcsok vagy mélypontok idején.
A modell képzése
Masinatanulási algoritmusok sokasága közül választhatunk, mindegyiknek megvan a maga alkalmazhatósága, több algoritmust is kipróbáltunk, mint például a logisztikus regresszió, a véletlen erdő, a támogató vektor gépek és a neurális hálózatok, a mesterséges neurális hálózatokat választottuk az operacionalizáláshoz, mivel három különböző kritérium alapján ez működött a legjobban:
- A modell visszahívása: A modell által azonosítani és lefedni képes csereprogramok száma
- A modell pontossága: A helyesen azonosított lemorzsolódók száma az összes lemorzsolódásként előre jelzett százalékában
- A fenti mérőszámok stabilitása különböző időszakokban
A neurális hálózatok olyan, lazán az emberi agy mintájára modellezett algoritmusok, amelyek célja a minták felismerése. Itt a neurális hálózatot úgy képeztük ki, hogy elkapja az elvándorlás első jeleit.
Néhány kihívás és következő lépés számunkra
Hogy biztosak lehessünk abban, hogy az ügyfelekről egységes képet kapunk, amely egyesíti az adatokat és az ügyfelek elvándorlásának előrejelzését, nagyon részletes elemzést kellett végeznünk a feature engineering szakaszában. A feature engineering magában foglalja az értelmes és meggyőző jellemzők (egy olyan ügyféljellemző, amelyet az adatokban az elvándorlás előjeleként figyelnek meg) létrehozását, és kritikus szemmel kell kiválasztani a legjobb jellemzőket az elvándorlás előrejelzéséhez.
Mikor elkezdtük, több mint 150 jellemzőnk volt az Analytics (Clickstream) adatokból aggregálva, többek között értékesítés és kereskedelem, webes viselkedés, korábbi marketingre adott válasz, ügyféldemográfia. Gondos elemzéssel és mérlegeléssel ezt 20-ra tudtuk csökkenteni.
Az itteni modellépítési erőfeszítéseinket szolgáltatásként is be lehet vetni, hogy segítsünk az ügyfeleknek folyamatosan megérteni és ellenőrizni a vállalaton belüli elvándorlást.
Az egészben az a nagyszerű, hogy ezt felhasználhatjuk a viselkedés elemzésére. Ez lehetővé teszi számunkra, hogy Adobe Experience Platform valós idejű ügyfélprofilokat hozzunk létre, amelyek segítségével meghatározhatjuk, hogy egy ügyfél el fog-e vándorolni vagy sem. És olyan helyzetbe hoz minket, hogy rendkívül célzott, személyre szabott ajánlatokat küldhessünk nekik, amint az elvándorlás jeleit mutatják. Ezeket az adatokat felhasználhatjuk a jelentéskészítéshez, és betekintést nyújthatunk a szervezet számára az ügyfélút-elemzés és a lekérdezési szolgáltatások segítségével.
Ezekről a valós idejű ügyfélprofilokról egy következő blogbejegyzésben fogunk bővebben beszélni. A Data Science Workspace-en belüli modelltelepítésről itt tudhat meg többet.
Kövesse az Adobe Tech Blogot további ügyfél- és fejlesztői történetekért és forrásokért, és keresse az Adobe Developers-t a Twitteren a legújabb hírekért és fejlesztői termékekért. Iratkozzon fel itt a jövőbeli Adobe Experience Platform találkozókra. Az Adobe Experience Platformmal kapcsolatos exkluzív bejegyzésekért kövesse Jaemi Bremnert.
- 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 –
- Adobe Experience Platform Real-Time Customer Profiles – https://www.adobe.com/ca/experience-platform/real-time-customer-profile.html
- Jupyter Notebook – https://jupyter.org/