Autorzy: Marina Mahtab, Sunish Verma, and Douglas Paton
W tym wpisie opisujemy, w jaki sposób pomogliśmy klientowi lepiej zrozumieć zjawisko rezygnacji w jego firmie przy użyciu funkcji Data Science Workspace platformy Adobe Experience Platform. Opisujemy proces i badamy atrybuty rezygnacji klientów.
Na wysoce konkurencyjnych rynkach, takich jak sieci gier, hoteli i kasyn, zdolność do prawdziwego zrozumienia swoich klientów jest kluczowa dla zachowania konkurencyjności. Aby to zrobić, musisz przeanalizować zachowanie swoich klientów i zrozumieć, jakie są atrybuty osób, które mogą zrezygnować.
Mając to na uwadze, chcieliśmy użyć Data Science Workspace, aby wykorzystać uczenie maszynowe do przewidywania z dużą dokładnością, którzy klienci gier, hoteli i kasyn byli bardzo mało prawdopodobne, aby dokonać rezerwacji w okresie sześciu miesięcy. Następnie, korzystając z tych przewidywań, mogliśmy wysyłać spersonalizowane oferty do klientów za pośrednictwem narzędzia Adobe Target lub wiadomości e-mail, a także mediów społecznościowych. Wykorzystaliśmy do tego celu platformę Adobe Experience Platform ze względu na jej apetyt na dane. Wspólne korzystanie z Data Science Workspace i Adobe Experience Platform umożliwiło nam aktywację i raportowanie w ramach jednego narzędzia.
Na wysokim poziomie poniższa architektura obejmująca Data Science Workspace pomogła nam uzyskać informacje na temat rezygnacji.
Spojrzeliśmy na klientów, którzy dokonali rezerwacji w sieci w dowolnym momencie w ciągu 18-miesięcznego okna, odkryliśmy, że 95% klientów dokonuje ponownej rezerwacji w ciągu sześciu miesięcy. Oznacza to, że przy sześciomiesięcznym oknie analizy mogliśmy zrozumieć jeden pełny cykl zakupowy klientów.
Nasze dane obejmowały pół miliona klientów, a wskaźnik rezygnacji wynosił 53%.
Badaliśmy atrybuty rezygnacji dla każdego klienta, takie jak liczba zamówień, dni od zamówienia w porównaniu ze średnim cyklem zakupowym klienta, persona klienta wynikająca z jego zachowania podczas przeglądania stron internetowych, np. wrażliwość na cenę, sortowanie według popularności, poszukiwanie ofert, a także inne działania związane z sesją, które wpływają do platformy w formacie XDM. Następnie wykorzystaliśmy przestrzeń roboczą data science do oczyszczenia danych i wybrania istotnych czynników wpływających na rezygnację z zakupu w celu zbudowania modelu predykcyjnego. Funkcja Recipe w obszarze roboczym nauki o danych została wykorzystana do tworzenia, eksperymentowania i dostrajania modeli ML bezpośrednio w miejscu, w którym dane są gromadzone i aktywowane, skracając czas nauki o danych do wglądu.
Najważniejszym celem naszej analizy jest zrozumienie atrybutów, które wpływają na rezygnację i określenie skłonności do rezygnacji w ciągu najbliższych kilku miesięcy.
Podczas eksploracji danych stwierdziliśmy, że istnieją pewne czynniki, które są wspólne dla tych, którzy rezygnują.
- Różnica między osobami rezygnującymi i nierezygnującymi staje się wyraźniejsza, jeśli weźmiemy pod uwagę tylko ostatnie miesiące. Tak więc klient, który dokonywał częstych rezerwacji w okresie jednego miesiąca był bardziej skłonny do rezygnacji, niż gdy rozszerzyliśmy naszą perspektywę do kilku miesięcy. Konsekwentne zaangażowanie klienta przez dłuższy czas może pomóc w zapobieganiu rezygnacji.
- Właściwości, które klienci odwiedzili wpłynęły na to, czy zrezygnowali, czy nie. Na przykład, klienci, którzy odwiedzili pewne właściwości miały większe szanse na rezygnację. Podobnie, nie było również pewne właściwości po pobycie w którym klienci byli bardziej prawdopodobne, aby powrócić do dokonania rezerwacji.
- Interesujące jest to, że złote tier członkowie byli bardziej narażone na rezygnację, jak również tych, którzy otrzymali dużą liczbę comps z programu nagród dla klientów. Istniała tendencja do wyszukiwania nieruchomości, w których chcieli się zatrzymać na podstawie ceny, od niskiej do wysokiej.
- Klienci, którzy przybyli przez zakładki (wpisane_bookmark jako referrer) mieli zwiększone prawdopodobieństwo rezygnacji, podobnie jak klienci, którzy mieli „potwierdzenie rezerwacji” jako ich oryginalną stronę wejścia.
- Zauważyliśmy również, że klienci, którzy opuścili stronę „potwierdzenia rezerwacji” często nigdy nie wracali do witryny.
Model
Aby połączyć wszystkie spostrzeżenia w jedną użyteczną metrykę, zbudowaliśmy model uczenia maszynowego do przewidywania rezygnacji, gdy tylko pierwsze sygnały rezygnacji są wykazywane przez klienta w celu lepszego ukierunkowania i utrzymania klientów.
Do tego celu wykorzystaliśmy model danych XDM i notatniki Jupyter w Data Science Workspace w Adobe Experience Platform. Adobe Experience Platform posiada również wstępnie wbudowane szablony notatników oraz szereg przydatnych wtyczek, w tym rozszerzenie do pakowania notatników w przepisy kulinarne jednym kliknięciem, usługę do skalowania wielodzietności Jupytera oraz sparametryzowane notatniki.
Projektowanie modelu
W uproszczeniu, modele uczenia maszynowego pomagają w przewidywaniu wyniku na podstawie wzorców historycznych. Na przykład, przeglądając reklamy online, które uzyskały maksymalną liczbę kliknięć w przeszłości, można przewidzieć, co jest tą szczególną cechą, która sprawia, że użytkownik klika natychmiast.
Aby odkryć te wzorce dla rezygnacji, wyszkoliliśmy model na zachowaniu klienta dla jednego cyklu zakupu, jak omówiono powyżej jest prawie sześć miesięcy. Używając tego jako punktu odniesienia, zaprojektowaliśmy nasz model, aby przewidzieć, że klient powróci, aby dokonać rezerwacji w ciągu najbliższych sześciu miesięcy. Przeanalizowaliśmy również dane w różnych okresach czasu, aby upewnić się, że nie ma większej sezonowości w zamówieniach; sezonowość w danych może wpłynąć na wydajność modelu podczas szczytów i spadków.
Trenowanie modelu
Istnieje mnóstwo algorytmów uczenia maszynowego do wyboru, z których każdy ma swoje zastosowanie, wypróbowaliśmy kilka algorytmów, takich jak regresja logistyczna, las losowy, maszyny wektorów podporowych i sieci neuronowe, wybraliśmy sztuczne sieci neuronowe do operacjonalizacji, ponieważ działały one najlepiej w oparciu o trzy różne kryteria:
- Recall modelu: Liczba naganiaczy, których model jest w stanie zidentyfikować i objąć
- Precyzja modelu: Liczba poprawnie zidentyfikowanych churners jako procent całości przewidywanej jako churn
- Stabilność powyższych metryk w różnych okresach czasu
Sieci neuronowe to zestaw algorytmów, wzorowanych luźno na ludzkim mózgu, który jest przeznaczony do rozpoznawania wzorców. W tym przypadku, wytrenowaliśmy sieć neuronową, aby wychwyciła pierwsze sygnały churn.
Kilka wyzwań i kolejne kroki dla nas
Aby upewnić się, że uzyskaliśmy pojedynczy widok klientów, który łączył dane i przewidywania churn dla klientów, musieliśmy podjąć bardzo szczegółową analizę na etapie inżynierii cech. Inżynieria cech polega na tworzeniu znaczących i przekonujących cech (cech klienta, które są obserwowane w danych jako prekursor rezygnacji) i wymaga krytycznego oka, aby wybrać najlepsze cechy do przewidywania rezygnacji.
Gdy zaczynaliśmy, mieliśmy ponad 150 cech z danych Analytics (Clickstream) zagregowanych jako sprzedaż i handel, zachowanie w sieci, reakcja na marketing w przeszłości, dane demograficzne klientów między innymi. Poprzez dokładną analizę i rozważania, byliśmy w stanie zmniejszyć to do 20.
Nasze wysiłki budowania modelu tutaj może być wdrożony jako usługa, aby pomóc klientom zrozumieć i kontrolować churn w ich firmie na bieżąco.
Co jest wspaniałe w tym wszystkim jest to, że możemy użyć tego do analizy zachowań. Umożliwia to tworzenie profili klientów w czasie rzeczywistym w ramach platformy Adobe Experience, których możemy użyć do określenia, czy klient zrezygnuje, czy nie. Dzięki temu jesteśmy w stanie kierować do nich spersonalizowane, ściśle dopasowane oferty, gdy tylko zaczną wykazywać oznaki rezygnacji. Możemy wykorzystać te dane do raportowania i przekazywania spostrzeżeń do organizacji za pomocą takich narzędzi, jak analityka podróży klienta i usługi zapytań.
Więcej o profilach klientów w czasie rzeczywistym powiemy w nadchodzącym wpisie na blogu. Więcej informacji na temat wdrażania modeli w programie Data Science Workspace można znaleźć tutaj.
Śledź blog Adobe Tech Blog, aby uzyskać więcej informacji i zasobów dotyczących klientów i programistów, a także sprawdź witrynę Adobe Developers na Twitterze, aby uzyskać najnowsze wiadomości i produkty dla programistów. Zapisz się tutaj, aby wziąć udział w przyszłych spotkaniach dotyczących platformy Adobe Experience. Aby uzyskać informacje o wyjątkowych postach dotyczących platformy Adobe Experience Platform, śledź 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 – https://www.adobe.io/open/standards/xdm.html
- Adobe Experience Platform Real-Time Customer Profiles – https://www.adobe.com/ca/experience-platform/real-time-customer-profile.html
- Jupyter Notebook – https://jupyter.org/
.