Autori: Marina Mahtab, Sunish Verma, and Douglas Paton
În această postare, explorăm modul în care am ajutat un client să înțeleagă mai bine fluctuația de personal în cadrul companiei sale, utilizând caracteristica Data Science Workspace din Adobe Experience Platform. Defalcăm procesul și explorăm atributele ratei de dezabonare a clienților.
În piețe extrem de competitive, cum sunt cele în care operează lanțurile de jocuri de noroc, hoteluri și cazinouri, a fi capabil să îți înțelegi cu adevărat clienții este crucial pentru a rămâne competitiv. Pentru a face acest lucru, trebuie să analizați comportamentul clienților dvs. și să înțelegeți care sunt atributele persoanelor care ar putea să renunțe la clienți.
Cu acest lucru în minte, am vrut să folosim Data Science Workspace pentru a profita de învățarea automată pentru a prezice cu o precizie ridicată care clienți ai majorității jocurilor de noroc, hotelurilor și cazinourilor aveau o probabilitate ridicată de a face o rezervare pe o perioadă de șase luni. Apoi, folosind aceste predicții, am putea trimite oferte personalizate clienților fie prin Adobe Target, fie prin e-mailuri, precum și prin social media. Am folosit Adobe Experience Platform pentru acest lucru, datorită apetitului său pentru date. Folosirea împreună a Data Science Workspace și Adobe Experience Platform ne-a permis să putem activa și raporta în cadrul unui singur instrument.
La un nivel înalt, arhitectura de mai jos, care implică Data Science Workspace, ne-a ajutat să furnizăm informațiile privind rata de dezabonare.
Ne-am uitat la clienții care au făcut rezervări la lanțul de magazine în orice moment pe parcursul unei ferestre de 18 luni, am descoperit că 95% dintre clienți fac rezervări din nou în termen de șase luni. Acest lucru a însemnat că, cu o fereastră de analiză de șase luni, am putut înțelege un ciclu complet de cumpărare pentru clienți.
Datele noastre au inclus o jumătate de milion de clienți și cu o rată de dezabonare de 53%.
Am explorat atributele de dezabonare pentru fiecare client, cum ar fi numărul de comenzi, numărul de zile de la comandă în comparație cu ciclul mediu de cumpărare al clientului, personalitatea clientului, așa cum reiese din comportamentul de navigare, cum ar fi sensibilitatea la preț, sortarea în funcție de popularitate, căutarea de oferte, precum și alte activități legate de sesiune care curg în platformă în format XDM. Apoi, am folosit spațiul de lucru al științei datelor pentru a curăța datele și a selecta factorii semnificativi de dezabonare pentru construirea modelului predictiv. Caracteristica de rețetă a spațiului de lucru pentru știința datelor a fost utilizată pentru a crea, experimenta și regla modele ML chiar în locul în care datele sunt colectate și activate, reducând astfel timpul necesar științei datelor pentru a obține perspective.
Obiectivul final al analizei noastre este de a înțelege atributele care au impact asupra ratei de dezabonare și de a determina o tendință de dezabonare în următoarele câteva luni.
În timp ce exploram datele, am constatat că există anumiți factori comuni în rândul celor care au renunțat la abonament.
- Distincția dintre cei care fac churning și cei care nu fac churning devine mai clară dacă luăm în considerare doar lunile recente. Astfel, un client care a făcut rezervări frecvente într-o perioadă de o lună a avut mai multe șanse să se dezaboneze decât atunci când ne-am extins perspectiva la mai multe luni. Implicarea consecventă a clientului pe durate mai lungi poate ajuta la prevenirea dezabonării.
- Proprietățile pe care clienții le-au vizitat au avut un impact asupra faptului că au dezabonat sau nu. De exemplu, clienții care au vizitat anumite proprietăți au avut o șansă mai mare de dezabonare. În mod similar, au existat, de asemenea, anumite proprietăți după un sejur la care clienții aveau mai multe șanse să se întoarcă pentru a face o rezervare.
- Cât se poate de interesant, membrii din palierul de aur au fost mai predispuși la dezabonare, la fel ca și cei care primiseră un număr mare de comps din programul de recompensare a clienților. A existat printre cei care au renunțat la rezervări o tendință de a căuta proprietățile în care doreau să se cazeze în funcție de preț, sortate de la mic la mare.
- Clienții care au sosit prin marcaje (tip_bookmark ca referent) au avut o probabilitate mai mare de a renunța la rezervări, la fel ca și clienții care au avut „confirmarea rezervării” ca site de intrare inițial.
- Am constatat, de asemenea, că clienții care au plecat de la pagina „confirmarea rezervării” adesea nu s-au mai întors niciodată pe site.
Model
Pentru a combina toate informațiile într-o singură măsură utilizabilă, am construit un model de învățare automată pentru a prezice dezabonarea de îndată ce primele semnale de dezabonare sunt prezentate de către client, pentru o direcționare și o retenție mai clară.
Pentru aceasta, folosim modelul de date XDM și Jupyter Notebooks în Data Science Workspace din Adobe Experience Platform. Adobe Experience Platform dispune, de asemenea, de șabloane de notebook-uri predefinite și de o serie de plug-in-uri utile, inclusiv o extensie de împachetare a notebook-urilor în rețete cu un singur clic, un serviciu pentru scalarea multi-tenancy a Jupyter și notebook-uri parametrizate.
Proiectarea modelului
În termeni simpli, modelele de învățare automată ajută la prezicerea unui rezultat pe baza modelelor istorice. De exemplu, analizând anunțurile online care au primit numărul maxim de clicuri în trecut, puteți prezice care este acea caracteristică particulară care face ca un utilizator să facă clic instantaneu.
Pentru a descoperi aceste tipare pentru dezabonare, am antrenat modelul pe comportamentul clienților pentru un ciclu de cumpărare, așa cum am discutat mai sus este de aproape șase luni. Folosind acest lucru ca punct de referință, am proiectat modelul nostru pentru a prezice că un client va reveni pentru a face o rezervare în următoarele șase luni. De asemenea, am studiat datele de-a lungul perioadelor de timp pentru a ne asigura că nu există o sezonalitate majoră în comenzi; sezonalitatea datelor poate influența performanța modelului în timpul vârfurilor sau al depresiunilor.
Învățarea modelului
Există o multitudine de algoritmi de învățare automată care pot fi aleși, fiecare având propria aplicabilitate, am încercat mai mulți algoritmi, cum ar fi regresia logistică, pădurea aleatorie, mașinile cu vectori de suport și rețelele neuronale, am ales rețelele neuronale artificiale pentru operaționalizare, deoarece a funcționat cel mai bine pe baza a trei criterii diferite:
- Rapidarea modelului: Numărul de churners pe care modelul este capabil să îl identifice și să îl acopere
- Precizia modelului: Numărul de persoane care au fost identificate corect ca procentaj din totalul prezis ca fiind de dezabonare
- Stabilitatea indicatorilor de mai sus pe diferite perioade de timp
Rețelele neuronale sunt un set de algoritmi, modelat în mod vag după creierul uman, care este conceput pentru a recunoaște tipare. Aici, am antrenat rețeaua neuronală pentru a prinde primele semnale de dezabonare.
Câteva provocări și pași următori pentru noi
Pentru a ne asigura că am obținut o viziune unică a clienților care combină datele și predicțiile de dezabonare pentru clienți, a trebuit să realizăm o analiză foarte detaliată în timpul etapei de inginerie a caracteristicilor. Ingineria caracteristicilor implică crearea unor caracteristici semnificative și convingătoare (o caracteristică a clientului care este observată în date ca fiind un precursor al dezabonării) și necesită un ochi critic pentru a selecta cele mai bune caracteristici pentru a prezice dezabonarea.
Când am început, aveam peste 150 de caracteristici din datele Analytics (Clickstream) agregate ca vânzări și comerț, comportament web, răspuns anterior la marketing, date demografice ale clienților, printre altele. Printr-o analiză și o considerație atentă, am reușit să reducem acest număr la 20.
Eforturile noastre de construire a modelului de aici pot fi implementate ca un serviciu pentru a ajuta clienții să înțeleagă și să controleze în mod continuu rata de dezabonare în cadrul companiei lor.
Ceea ce este grozav la toate acestea este că le putem folosi pentru a analiza comportamentul. Acest lucru ne permite să creăm Adobe Experience Platform Real-Time Customer Profiles pe care le putem folosi pentru a determina dacă un client va renunța sau nu. Și ne pune în poziția de a le trimite oferte personalizate, foarte bine direcționate, de îndată ce încep să dea semne de renunțare. Putem folosi aceste date pentru raportare și pentru a oferi informații organizației, valorificând instrumente precum customer journey analytics și Query Services.
Vom vorbi mai multe despre aceste Real-Time Customer Profiles într-o postare viitoare pe blog. Puteți afla mai multe despre implementarea modelelor în cadrul Data Science Workspace aici.
Să urmăriți Adobe Tech Blog pentru mai multe povești și resurse pentru clienți și dezvoltatori și să verificați Adobe Developers pe Twitter pentru cele mai recente știri și produse pentru dezvoltatori. Înscrieți-vă aici pentru viitoarele întâlniri Adobe Experience Platform Meetups. Pentru postări exclusive despre Adobe Experience Platform, urmăriți-o pe 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/