Gaining a Deeper Understanding of Churn Using Data Science Workspace

Neste post, exploramos como ajudamos um cliente a entender melhor a rotatividade dentro da sua empresa usando o recurso Data Science Workspace do Adobe Experience Platform. Nós quebramos o processo e exploramos os atributos da rotatividade do cliente.

Em mercados altamente competitivos, como jogos, hotéis e cadeias de cassinos, ser capaz de realmente entender seus clientes é crucial para permanecer competitivo. Para fazer isso, você tem que analisar o comportamento de seus clientes e entender quais são os atributos das pessoas que podem se agitar.

Com isso em mente, nós quisemos usar o Data Science Workspace para alavancar o aprendizado da máquina para prever com alta precisão quais clientes da área de jogos, hotéis e cassinos eram altamente improváveis de fazer uma reserva durante um período de seis meses. Então, usando essas previsões, enviaríamos ofertas personalizadas aos clientes através do Adobe Target ou e-mails, bem como através das redes sociais. Para isso, usamos a Adobe Experience Platform devido ao seu apetite por dados. Usar o Data Science Workspace e o Adobe Experience Platform juntos nos permitiu ativar e relatar em uma ferramenta.

A um alto nível a arquitetura abaixo envolvendo o espaço de trabalho de ciência de dados nos ajudou a fornecer as percepções sobre o churn.

Olhamos para os clientes que tinham reservado com a cadeia a qualquer momento durante uma janela de 18 meses, descobrimos que 95% dos clientes recadastram dentro de seis meses. Isto significa que, com uma janela de análise de seis meses, pudemos entender um ciclo de compra completo para os clientes.

Nossos dados incluíam meio milhão de clientes e com uma taxa de rotatividade de 53%.

Exploramos atributos de rotatividade para cada cliente, tais como o número de pedidos, dias desde o pedido em relação ao ciclo médio de compra do cliente, persona do cliente como evidente pelo comportamento de navegação como sensibilidade ao preço, ordenação por popularidade, buscando negócios, bem como outras atividades relacionadas à sessão que fluem para a plataforma no formato XDM. Em seguida, aproveitamos o espaço de trabalho da ciência dos dados para limpar os dados e selecionar os drivers significativos do churn para construir o modelo preditivo. O recurso de receita do espaço de trabalho de ciência de dados foi usado para criar, experimentar e ajustar os modelos ML exatamente onde os dados são coletados e ativados, encurtando o tempo de ciência de dados para insights.

O objetivo final de nossa análise é entender os atributos que impactam o churn e determinar uma propensão para churn nos próximos meses.

Como exploramos os dados, descobrimos que havia certos fatores que eram comuns entre aqueles que se agitavam.

• A distinção entre os que agitam e os que não agitam torna-se mais acentuada se considerarmos apenas os meses recentes. Assim, um cliente que fez reservas frequentes num período de um mês tinha mais probabilidades de se agitar do que quando expandimos a nossa visão para vários meses. O envolvimento consistente do cliente durante períodos mais longos pode ajudar a evitar a agitação.
• As propriedades que os clientes visitaram tiveram impacto se agitaram ou não. Por exemplo, os clientes que visitaram certas propriedades tinham uma maior chance de agitar. Da mesma forma, também havia algumas propriedades após uma estadia em que os clientes tinham mais probabilidade de voltar para fazer uma reserva.
• Interessantemente, os membros da camada de ouro tinham mais probabilidade de agitar, assim como aqueles que tinham recebido um número elevado de comps do programa de recompensa do cliente. Havia uma tendência entre aqueles que se agitavam para procurar propriedades em que queriam ficar com base no preço, classificados de baixo para alto.
• Os clientes que chegavam através de marcadores (digitado_bookmark como referência) tinham uma maior probabilidade de agitação, assim como os clientes que tinham “confirmação de reserva” como seu site de entrada original.
• Nós também descobrimos que os clientes que saíam na página de “confirmação de reserva” muitas vezes nunca retornavam ao site.

Modelo

Para combinar todas as informações em uma única métrica utilizável, construímos um modelo de aprendizagem de máquina para prever a agitação assim que os primeiros sinais de agitação são exibidos pelo cliente para uma melhor segmentação e retenção.

Para isso, aproveitamos o modelo de dados XDM e os Notebooks Jupyter no Data Science Workspace da Adobe Experience Platform. A Adobe Experience Platform também tem modelos de notebooks pré-construídos e uma série de plug-ins úteis, incluindo uma extensão de empacotamento de um clique do notebook para a receita, um serviço para dimensionar o multi-tenancy de Jupyter e notebooks parametrizados.

Desenhando o modelo

Em termos simples, os modelos de aprendizagem da máquina ajudam a prever um resultado baseado em padrões históricos. Por exemplo, ao rever os anúncios online que tiveram o máximo de cliques no passado, você pode prever qual é aquela característica particular que faz um clique do usuário instantaneamente.

Para descobrir esses padrões para churn, treinamos o modelo sobre o comportamento do cliente para um ciclo de compra, como discutido acima é quase seis meses. Usando isso como um benchmark, projetamos nosso modelo para prever que um cliente retornaria para fazer uma reserva nos próximos seis meses. Também estudamos os dados ao longo dos períodos de tempo para garantir que não houvesse uma grande sazonalidade nos pedidos; a sazonalidade nos dados pode influenciar o desempenho do modelo durante os picos ou troughs.

Treinamento do modelo

Existe uma infinidade de algoritmos de aprendizagem de máquinas para escolher com cada uma de suas próprias aplicabilidades, tentamos vários algoritmos como regressão logística, floresta aleatória, máquinas vetoriais de suporte e redes neurais, escolhemos redes neurais artificiais para operacionalização, pois funcionou melhor com base em três critérios diferentes:

1. Recall do modelo: O número de churners que o modelo é capaz de identificar e cobrir
2. Precisão do modelo: O número de churners corretamente identificados como uma porcentagem do total previsto como churn
3. Estabilidade das métricas acima em diferentes períodos de tempo

Redes neurais são um conjunto de algoritmos, modelados vagamente após o cérebro humano, que é projetado para reconhecer padrões. Aqui, treinamos a rede neural para capturar os primeiros sinais de churn.

Alguns desafios e próximos passos para nós

Para ter certeza de que conseguimos uma visão única dos clientes que combinava dados e previsões de churn para os clientes, tivemos que realizar uma análise muito detalhada durante a etapa de engenharia de características. A engenharia envolve a criação de características significativas e convincentes (uma característica do cliente que está sendo observada nos dados como um precursor do churn) e requer um olhar crítico para selecionar as melhores características para prever o churn.

Quando começamos, tínhamos mais de 150 características dos dados da Analytics (Clickstream) agregados como vendas e comércio, comportamento web, resposta passada ao marketing, demografia do cliente, entre outros. Através de análise e consideração cuidadosa, fomos capazes de reduzir isso para 20.

Nossos esforços de construção de modelos aqui pode ser implantado como um serviço para ajudar os clientes a entender e controlar a rotatividade dentro de sua empresa em uma base contínua.

O que é ótimo sobre tudo isso é que podemos usar isso para analisar o comportamento. Isso nos permite criar perfis de clientes em tempo real da Adobe Experience Platform, que podemos usar para determinar se um cliente vai ou não se agitar. E nos coloca em uma posição de obter ofertas altamente direcionadas e personalizadas para eles assim que começarem a mostrar sinais de agitação. Podemos usar esses dados para relatar e dar insights para a organização aproveitando a análise de viagens de clientes e serviços de consulta.

Falaremos mais sobre esses Perfis de Clientes em Tempo Real em um próximo post no blog. Você pode saber mais sobre a implantação de modelos no Data Science Workspace aqui.

Siga-nos no Blog Adobe Tech para obter mais histórias e recursos de clientes e desenvolvedores, e confira Adobe Developers no Twitter para obter as últimas notícias e produtos do desenvolvedor. Inscreva-se aqui para os futuros Meetups da Adobe Experience Platform. Para posts exclusivos sobre a Adobe Experience Platform, siga 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 –
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/