Autori: Marina Mahtab, Sunish Verma, e Douglas Paton
In questo post, esploriamo come abbiamo aiutato un cliente a capire meglio il churn nella sua azienda utilizzando la funzione Data Science Workspace di Adobe Experience Platform. Abbiamo scomposto il processo ed esplorato gli attributi del churn dei clienti.
In mercati altamente competitivi, come quello in cui operano le catene di giochi, hotel e casinò, essere in grado di comprendere veramente i propri clienti è fondamentale per rimanere competitivi. Per fare questo, è necessario analizzare il comportamento dei propri clienti e capire quali sono gli attributi delle persone che potrebbero cambiare idea.
Con questo in mente, abbiamo voluto utilizzare Data Science Workspace per sfruttare l’apprendimento automatico per prevedere con un’elevata precisione quali clienti delle grandi catene di gioco, hotel e casinò avevano un’alta probabilità di non effettuare una prenotazione in un periodo di sei mesi. Poi, usando queste previsioni, avremmo inviato offerte personalizzate ai clienti attraverso Adobe Target o e-mail, così come i social media. Abbiamo usato Adobe Experience Platform per questo a causa del suo appetito per i dati. L’utilizzo di Data Science Workspace e Adobe Experience Platform insieme ci ha permesso di essere in grado di attivare e segnalare all’interno di un unico strumento.
A un livello superiore, la seguente architettura che coinvolge Data Science Workspace ci ha aiutato a fornire le intuizioni sul churn.
Abbiamo esaminato i clienti che avevano prenotato con la catena in qualsiasi momento durante una finestra di 18 mesi, abbiamo scoperto che il 95% dei clienti riprenota entro sei mesi. Questo significava che, con una finestra di analisi di sei mesi, potevamo capire un ciclo di acquisto completo per i clienti.
I nostri dati includevano mezzo milione di clienti e con un tasso di abbandono del 53%.
Abbiamo esplorato gli attributi di abbandono per ogni cliente come il numero di ordini, i giorni dall’ordine rispetto al ciclo di acquisto medio del cliente, la persona del cliente come evidente dal comportamento di navigazione come la sensibilità al prezzo, l’ordinamento per popolarità, la ricerca di offerte così come altre attività legate alla sessione che fluiscono nella piattaforma in formato XDM. Abbiamo poi sfruttato lo spazio di lavoro della scienza dei dati per ripulire i dati e selezionare i fattori significativi di abbandono per costruire il modello predittivo. La funzione Recipe dello spazio di lavoro della scienza dei dati è stata utilizzata per creare, sperimentare e mettere a punto modelli ML proprio dove i dati vengono raccolti e attivati, accorciando il tempo della scienza dei dati per ottenere intuizioni.
L’obiettivo finale della nostra analisi è quello di comprendere gli attributi che hanno un impatto sul churn e determinare la propensione al churn nei prossimi mesi.
Come abbiamo esplorato i dati, abbiamo scoperto che c’erano alcuni fattori che erano comuni tra coloro che hanno cambiato idea.
- La distinzione tra churners e non-churners diventa più netta se consideriamo solo gli ultimi mesi. Così un cliente che ha fatto frequenti prenotazioni in un periodo di un mese ha avuto più probabilità di abbandonare rispetto a quando abbiamo ampliato la nostra visione a diversi mesi. L’impegno costante del cliente per periodi più lunghi può aiutare a prevenire il churn.
- Le proprietà che i clienti hanno visitato hanno avuto un impatto sul churning o meno. Per esempio, i clienti che hanno visitato alcune proprietà hanno avuto una maggiore probabilità di cambiare casa. Allo stesso modo, c’erano anche alcune proprietà dopo un soggiorno in cui i clienti erano più propensi a tornare per fare una prenotazione.
- Interessante, i membri del livello oro erano più propensi a cambiare casa, così come quelli che avevano ricevuto un alto numero di comps dal programma di ricompensa clienti. I clienti che arrivavano tramite bookmark (digitando_bookmark come referrer) avevano una maggiore probabilità di abbandonare, così come i clienti che avevano “booking confirmation” come sito d’ingresso originale.
- Abbiamo anche scoperto che i clienti che lasciavano la pagina “booking confirmation” spesso non tornavano più sul sito.
Modello
Per combinare tutte le intuizioni in un’unica metrica utilizzabile abbiamo costruito un modello di apprendimento automatico per prevedere il churn non appena i primi segnali di churn vengono esibiti dal cliente per un targeting e una retention più nitidi.
Per questo sfruttiamo il modello di dati XDM e Jupyter Notebooks in Data Science Workspace in Adobe Experience Platform. Adobe Experience Platform ha anche modelli di notebook pre-costruiti e una serie di utili plug-in tra cui un’estensione per il confezionamento di ricette con un solo clic, un servizio per scalare la multi-tenancy di Jupyter e notebook parametrizzati.
Progettazione del modello
In termini semplici, i modelli di apprendimento automatico aiutano a prevedere un risultato basato su modelli storici. Per esempio, esaminando le pubblicità online che hanno ottenuto il massimo dei clic in passato, è possibile prevedere qual è quella particolare caratteristica che fa sì che un utente clicchi all’istante.
Per scoprire questi modelli di churn, abbiamo addestrato il modello sul comportamento del cliente per un ciclo di acquisto, come discusso sopra è di quasi sei mesi. Usando questo come punto di riferimento abbiamo progettato il nostro modello per prevedere che un cliente sarebbe tornato a fare una prenotazione nei prossimi sei mesi. Abbiamo anche studiato i dati attraverso i periodi di tempo per assicurarci che non ci fosse una stagionalità importante negli ordini; la stagionalità nei dati può influenzare le prestazioni del modello durante i picchi o i cali.
Allenamento del modello
C’è una pletora di algoritmi di apprendimento automatico da scegliere con ciascuno la propria applicabilità, abbiamo provato diversi algoritmi come la regressione logistica, la foresta casuale, le macchine vettoriali di supporto e le reti neurali, abbiamo scelto le reti neurali artificiali per l’operazionalizzazione in quanto ha funzionato meglio sulla base di tre diversi criteri:
- Richiamo il modello: Il numero di churners che il modello è in grado di identificare e coprire
- Precisione del modello: Il numero di churners identificati correttamente come percentuale del totale previsto come churn
- Stabilità delle metriche di cui sopra su diversi periodi di tempo
Le reti neurali sono un insieme di algoritmi, modellati vagamente sul cervello umano, che è progettato per riconoscere i modelli. Qui, abbiamo addestrato la rete neurale per cogliere i primi segnali di churn.
Alcune sfide e prossimi passi per noi
Per essere sicuri di ottenere un’unica visione dei clienti che combinasse dati e previsioni di churn per i clienti, abbiamo dovuto intraprendere un’analisi molto dettagliata durante la fase di feature engineering. L’ingegneria delle caratteristiche comporta la creazione di caratteristiche significative e convincenti (una caratteristica del cliente che viene osservata nei dati come precursore del churn) e richiede un occhio critico per selezionare le migliori caratteristiche per prevedere il churn.
Quando abbiamo iniziato, avevamo oltre 150 caratteristiche dai dati Analytics (Clickstream) aggregati come vendite e commercio, comportamento web, risposta passata al marketing, demografia del cliente tra gli altri. Attraverso un’attenta analisi e considerazione, siamo stati in grado di ridurle a 20.
I nostri sforzi di costruzione del modello qui possono essere distribuiti come servizio per aiutare i clienti a capire e controllare il churn all’interno della loro azienda su base continua.
La cosa fantastica di tutto questo è che possiamo usarlo per analizzare il comportamento. Questo ci permette di creare Adobe Experience Platform Real-Time Customer Profiles che possiamo usare per determinare se un cliente farà churn o meno. E ci mette in condizione di inviare loro offerte personalizzate e altamente mirate non appena iniziano a mostrare segni di abbandono. Possiamo usare questi dati per il reporting e per fornire approfondimenti all’organizzazione sfruttando analisi del customer journey e Query Services.
Parleremo ancora di questi profili cliente in tempo reale in un prossimo post del blog. Puoi saperne di più sulla distribuzione dei modelli all’interno di Data Science Workspace qui.
Segui l’Adobe Tech Blog per altre storie e risorse di clienti e sviluppatori, e controlla Adobe Developers su Twitter per le ultime notizie e prodotti per sviluppatori. Iscriviti qui per i futuri Meetup di Adobe Experience Platform. Per i post esclusivi su Adobe Experience Platform, segui Jaemi Bremner.
- 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/