Gaining a Deeper Understanding of Churn Using Data Science Workspace

In dit bericht gaan we na hoe we een klant hebben geholpen een beter inzicht te krijgen in de churn binnen hun bedrijf met behulp van de Data Science Workspace-functie van Adobe Experience Platform.

In zeer concurrerende markten, zoals gaming-, hotel- en casinoketens, is het van cruciaal belang dat je je klanten echt begrijpt om concurrerend te blijven. Om dit te doen, moet je het gedrag van je klanten analyseren en begrijpen wat de kenmerken zijn van mensen die kunnen churn.

Met dat in gedachten, wilden we Data Science Workspace gebruiken om machine learning te gebruiken om met een hoge nauwkeurigheid te voorspellen welke klanten van de gaming-, hotel- en casinogroothandel hoogstwaarschijnlijk geen boeking zouden maken over een periode van zes maanden. Op basis van die voorspellingen zouden we dan gepersonaliseerde aanbiedingen naar klanten sturen via Adobe Target of e-mails, maar ook via sociale media. We gebruikten hiervoor Adobe Experience Platform vanwege zijn grote datavolume. Door Data Science Workspace en Adobe Experience Platform samen te gebruiken, konden we binnen één tool activeren en rapporteren.

Op een hoog niveau hielp de onderstaande architectuur met data science workspace ons de inzichten over churn te leveren.

We keken naar klanten die op enig moment tijdens een periode van 18 maanden bij de keten hadden geboekt. We ontdekten dat 95% van de klanten binnen zes maanden opnieuw boekt. Dit betekende dat we met een analysevenster van zes maanden een volledige aankoopcyclus van klanten konden begrijpen.

Onze gegevens omvatten een half miljoen klanten en met een churnpercentage van 53%.

We onderzochten churnattributen voor elke klant, zoals het aantal bestellingen, het aantal dagen sinds de bestelling in vergelijking met de gemiddelde koopcyclus van de klant, de persona van de klant zoals die blijkt uit het surfgedrag, zoals gevoeligheid voor prijs, sorteren op populariteit, het zoeken naar deals, evenals andere sessiegerelateerde activiteiten die in XDM-indeling in het platform stromen. Vervolgens hebben we gebruik gemaakt van de data science workspace om de gegevens op te schonen en de zinvolle drivers van churn te selecteren voor het bouwen van het voorspellende model. Recept-functie van de data science-werkruimte werd gebruikt om ML-modellen te maken, te experimenteren en af te stemmen op de plek waar gegevens worden verzameld en geactiveerd, waardoor de data science-tijd tot inzichten wordt verkort.

Het uiteindelijke doel voor onze analyse is om de attributen te begrijpen die van invloed zijn op churn en een neiging tot churn in de komende paar maanden te bepalen.

Terwijl we de gegevens onderzochten, ontdekten we dat er bepaalde factoren waren die vaak voorkwamen bij degenen die afhaakten.

• Het onderscheid tussen churners en non-churners wordt scherper als we alleen naar de afgelopen maanden kijken. Dus een klant die vaak boekt in een periode van een maand heeft meer kans om af te haken dan wanneer we onze blik verruimen tot meerdere maanden. Consistente betrokkenheid van de klant over een langere periode kan churn helpen voorkomen.
• De eigenschappen die klanten bezochten, hadden een invloed op het al dan niet churnen. Bijvoorbeeld, klanten die bepaalde eigenschappen bezochten hadden een hogere kans om te karnen. Evenzo waren er ook bepaalde eigenschappen na een verblijf waar klanten meer kans hadden om terug te keren om een boeking te maken.
• Interessant genoeg, gold tier leden hadden meer kans om te veranderen, net als degenen die een groot aantal comps hadden ontvangen van het klantenbeloningsprogramma. Er was een tendens onder degenen die churned om te zoeken naar eigenschappen die zij wilden verblijven op basis van prijs, gesorteerd laag naar hoog.
• Klanten die via bladwijzers (typed_bookmark als de referrer) had een verhoogde kans van churning, net als klanten die “bevestiging van de boeking” had als hun oorspronkelijke entry site.
• We vonden ook dat klanten die vertrokken op de “bevestiging van de boeking” pagina vaak nooit meer teruggekeerd naar de site.

Model

Om alle inzichten te combineren in een enkele bruikbare metric hebben we een machine learning model gebouwd om churn te voorspellen zodra de eerste signalen van churn worden tentoongesteld door de klant voor scherpere targeting en retentie.

Hiervoor maken we gebruik van het XDM-gegevensmodel en Jupyter Notebooks in Data Science Workspace in Adobe Experience Platform. Adobe Experience Platform heeft ook vooraf gebouwde notebooksjablonen en een aantal nuttige plug-ins, waaronder een one-click notebook-to-recipe verpakkingsextensie, een service voor het schalen van de multi-tenancy van Jupyter, en geparametriseerde notebooks.

Ontwerpen van het model

In eenvoudige bewoordingen helpen machine learning-modellen bij het voorspellen van een uitkomst op basis van historische patronen. Door bijvoorbeeld de online advertenties te bekijken die in het verleden de meeste kliks kregen, kun je voorspellen wat dat specifieke kenmerk is dat een gebruiker onmiddellijk laat klikken.

Om deze patronen voor churn te ontdekken, hebben we het model getraind op klantgedrag voor één aankoopcyclus, zoals hierboven besproken is bijna zes maanden. Met dit als benchmark ontwierpen we ons model om te voorspellen dat een klant zou terugkeren om een boeking te maken in de komende zes maanden. We bestudeerden ook de gegevens over de verschillende tijdsperioden om ervoor te zorgen dat er geen grote seizoensgebondenheid in de bestellingen was; seizoensgebondenheid in de gegevens kan de prestaties van het model beïnvloeden tijdens pieken of dalen.

Trainen van het model

Er zijn een overvloed aan machine learning algoritmen te kiezen met elk zijn eigen toepasbaarheid, probeerden we verschillende algoritmen zoals logistische regressie, random forest, support vector machines, en neurale netwerken, kozen we kunstmatige neurale netwerken voor de operationalisering als het werkte het beste op basis van drie verschillende criteria:

1. Recall van het model: Het aantal churners dat het model in staat is te identificeren en te bestrijken
2. Precisie van het model: Het aantal correct geïdentificeerde churners als een percentage van het totaal voorspelde churners
3. Stabiliteit van de bovenstaande metrieken over verschillende tijdsperioden

Neurale netwerken zijn een reeks algoritmen, losjes gemodelleerd naar het menselijk brein, dat is ontworpen om patronen te herkennen. Hier hebben we het neurale netwerk getraind om de eerste signalen van churn te vangen.

Enige uitdagingen en volgende stappen voor ons

Om ervoor te zorgen dat we een enkel beeld van klanten bereikten dat gegevens en churn-voorspellingen voor klanten combineerde, moesten we een zeer gedetailleerde analyse uitvoeren tijdens de fase van feature engineering. Featuring engineering omvat het creëren van zinvolle en overtuigende kenmerken (een klantkenmerk dat wordt waargenomen in gegevens als een voorloper van churn) en vereist een kritisch oog om de beste kenmerken te selecteren voor het voorspellen van churn.

Toen we begonnen, hadden we meer dan 150 kenmerken uit de Analytics (Clickstream) gegevens geaggregeerd als verkoop en handel, web gedrag, in het verleden reactie op marketing, demografische gegevens van de klant onder anderen. Door zorgvuldige analyse en overweging, waren we in staat om dit terug te brengen tot 20.

Onze modelbouw inspanningen hier kunnen worden ingezet als een service om klanten te helpen begrijpen en te controleren churn binnen hun bedrijf op een continue basis.

Wat is geweldig over dit alles is dat we dit kunnen gebruiken om gedrag te analyseren. Dit stelt ons in staat om Adobe Experience Platform Real-Time Customer Profiles te maken die we kunnen gebruiken om te bepalen of een klant al dan niet zal afhaken. En ons in een positie plaatsen om zeer gerichte, gepersonaliseerde aanbiedingen naar hen te sturen zodra ze tekenen van afhaken beginnen te vertonen. We kunnen deze gegevens gebruiken voor rapportage en het geven van inzichten aan de organisatie door gebruik te maken van customer journey analytics en Query Services.

We zullen meer vertellen over deze Real-Time Customer Profiles in een komende blog post. U kunt hier meer te weten komen over de inzet van modellen binnen Data Science Workspace.

Volg de Adobe Tech Blog voor meer verhalen van klanten en ontwikkelaars en bronnen, en kijk op Adobe Developers op Twitter voor het laatste nieuws en ontwikkelaarsproducten. Meld u hier aan voor toekomstige Adobe Experience Platform Meetups. Voor exclusieve berichten over Adobe Experience Platform, volg 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/