執筆者等 Marina Mahtab, Sunish Verma, and Douglas Paton
This post, we explore how we helped a customer better understand churn within their company using data science workspace feature of Adobe Experience Platform. 5231>
ゲーム、ホテル、およびカジノ チェーンのような競争の激しい市場では、顧客を真に理解することが、競争力を維持するために非常に重要です。 そのため、Data Science Workspace を使用して、機械学習を活用し、ゲーム、ホテル、カジノの大手企業が 6 か月間で予約を入れる可能性が非常に低い顧客を高い精度で予測したいと考えました。 そして、その予測をもとに、Adobe Targetやメール、ソーシャルメディアを通じて、お客様にパーソナライズされたオファーを送ろうと考えたのです。 これには、データへの意欲が高いAdobe Experience Platformを使用しました。 データサイエンス ワークスペースとAdobe Experience Platformを一緒に使うことで、1つのツールでアクティブ化とレポート作成ができるようになりました。
18か月の間にチェーンで予約をした顧客を調べたところ、95%の顧客が6か月以内に再予約をしていることがわかりました。 これは、6 か月の分析ウィンドウで、顧客の完全な購入サイクルを理解できることを意味します。
データには 50 万人の顧客が含まれており、解約率は 53% でした。
注文数、顧客の平均購入サイクルに比べて注文からの日数、価格に対する感度や人気順、お得感を求めるなどの閲覧行動からわかる顧客の性格、XDM 形式のプラットフォームに流れるその他のセッション関連の行動など、それぞれの顧客の解約の特性を調査しました。 次に、データサイエンス・ワークスペースを活用してデータを整理し、予測モデルを構築するための重要な解約要因を選び出しました。 データ サイエンス ワークスペースのレシピ機能を使用して、データが収集されアクティブになった場所で ML モデルの作成、実験、および調整を行い、洞察に至るまでのデータ サイエンス時間を短縮しました。
分析の最終目標は、解約に影響を与える属性を理解して、今後数か月間に解約する傾向を判断することにあります。
データを探索すると、解約した人の間で共通するある要因があることが分かりました。
- 最近数カ月だけを考えると、解約者と非解約者の区別はより鮮明になります。 つまり、1ヶ月の間に頻繁に予約を入れた顧客は、数ヶ月に視野を広げたときよりも、解約する可能性が高いのです。
- 顧客が訪問した施設は、解約するかどうかに影響を与えました。 例えば、ある物件を訪問したお客様は、解約する確率が高くなりました。
- 興味深いことに、ゴールド層は解約しやすく、カスタマーリワードプログラムから多くのコンプを受け取っていた人たちも解約しやすかったのです。
- ブックマーク (参照元として typed_bookmark) 経由でアクセスした顧客は解約の可能性が高く、「予約確認」ページを最初のエントリ サイトとしていた顧客も解約の可能性が高いことが判明しました。
モデル
すべての洞察を 1 つの使用可能なメトリックにまとめるために、機械学習モデルを構築し、顧客による解約の最初のシグナルが表示されるとすぐに解約を予測して、より鋭いターゲットとリテンションを実現しました。 Adobe Experience Platform には、あらかじめ組み込まれたノートブック テンプレートと、ワンクリックでノートブックからレシピにパッケージする拡張機能、Jupyter のマルチテナントを拡張するサービス、パラメーター化ノートブックなどの多くの便利なプラグインもあります。 たとえば、過去に最大のクリック数を得たオンライン広告を確認することで、ユーザーに即座にクリックさせる特定の機能は何かを予測できます。
解約のこれらのパターンを発見するために、1 つの購入サイクルの顧客行動でモデルを訓練しました。 これをベンチマークとして、顧客が次の 6 か月間に予約を入れるために戻ってくることを予測するモデルを設計しました。 また、注文に大きな季節性がないことを確認するために、期間をまたいでデータを調査しました。データの季節性は、ピーク時や谷間のモデル性能に影響を与える可能性があります。
Training the model
機械学習アルゴリズムは数多くあり、それぞれに適用性がありますが、私たちはロジスティック回帰、ランダム フォレスト、サポート ベクトル マシン、およびニューラルネットワークなどのアルゴリズムを試しましたが、運用には、3 つの基準に基づいて最も効果的である人工ニューラルネットワークを選択しました。 モデルが識別してカバーできる解約者の数
ニューラルネットワークは、人間の脳を緩やかにモデル化したアルゴリズムのセットであり、パターンを認識するように設計されています。 ここでは、解約の最初のシグナルをキャッチするために、ニューラルネットワークをトレーニングしました。
Some challenges and next steps for us
データと顧客の解約予測を組み合わせた単一の顧客ビューを確実に実現するために、特徴エンジニアリング段階で、非常に詳細な分析を行う必要がありました。 フィーチャー・エンジニアリングでは、意味のある説得力のあるフィーチャー（解約の前兆としてデータで観察される顧客の特性）を作成し、解約を予測するために最適なフィーチャーを選択する批判的な目が必要です。
開始当初は、売上や取引、Web 行動、マーケティングに対する過去の反応、顧客のデモグラフィックなどとして集約した Analytics（クリックストリーム）データから150以上のフィーチャーがありました。
ここで行ったモデル構築の取り組みは、顧客が継続的に社内の解約を理解しコントロールできるように、サービスとして展開することが可能です。 これにより、Adobe Experience Platform リアルタイム顧客プロファイルを作成し、顧客が解約するかどうかを判断するのに使用できます。 そして、お客様が解約の兆候を示し始めたら、すぐにターゲットを絞ったパーソナライズされたオファーを提供できるようになります。 このデータは、カスタマージャーニー分析やクエリ サービスなどを活用して、レポートや組織への洞察の提供に使用できます。 また、Adobe Developers on Twitter では、最新のニュースや開発者向け製品についてご確認いただけます。 今後の Adobe Experience Platform Meetup に参加するには、ここからサインアップしてください。 Adobe Experience Platformに関する限定投稿については、Jaemi Bremnerをフォローしてください。
- 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経験プラットフォーム リアルタイム顧客プロファイル – https://www.adobe.com/ca/experience-platform/real-time-customer-profile.html
- ジュピターノート – https://jupyter.org/