Genom att få en djupare förståelse för kundbytet med hjälp av Data Science Workspace

I det här inlägget utforskar vi hur vi hjälpte en kund att bättre förstå churn inom deras företag med hjälp av funktionen Data Science Workspace i Adobe Experience Platform. Vi bryter ner processen och utforskar attributen för kundernas churn.

På starkt konkurrensutsatta marknader, som spel-, hotell- och kasinokedjor verkar på, är det avgörande för att förbli konkurrenskraftig att verkligen kunna förstå sina kunder. För att göra detta måste du analysera dina kunders beteende och förstå vilka attribut som kännetecknar personer som kan komma att byta kunder.

Med detta i åtanke ville vi använda Data Science Workspace för att utnyttja maskininlärning för att med hög noggrannhet förutsäga vilka kunder till spel-, hotell- och kasinokedjorna som med stor osannolikhet skulle göra en bokning under en sexmånadersperiod. Med hjälp av dessa förutsägelser skulle vi sedan skicka personliga erbjudanden till kunderna via antingen Adobe Target eller e-post samt sociala medier. Vi använde Adobe Experience Platform för detta på grund av dess aptit på data. Genom att använda Data Science Workspace och Adobe Experience Platform tillsammans kunde vi aktivera och rapportera i ett och samma verktyg.

På en hög nivå hjälpte nedanstående arkitektur som involverar Data Science Workspace oss att leverera insikterna om churn.

Vi tittade på de kunder som hade bokat hos kedjan när som helst under ett 18-månadersfönster, vi upptäckte att 95 % av kunderna bokar om inom sex månader. Detta innebar att vi med ett analysfönster på sex månader kunde förstå en komplett köpcykel för kunderna.

Våra data omfattade en halv miljon kunder och med en churn rate på 53 %.

Vi utforskade churn-attribut för varje kund, t.ex. antal beställningar, antal dagar sedan beställning jämfört med kundens genomsnittliga köpcykel, kundens persona som framgår av surfbeteende, t.ex. priskänslighet, sortering efter popularitet, sökning av erbjudanden samt andra sessionsrelaterade aktiviteter som flödar in i plattformen i XDM-format. Vi utnyttjade sedan data science-arbetsområdet för att rensa ut data och välja ut de meningsfulla drivkrafterna för churn för att bygga den prediktiva modellen. Receptfunktionen i arbetsområdet för datavetenskap användes för att skapa, experimentera och justera ML-modeller direkt där data samlas in och aktiveras, vilket förkortar datavetenskapens tid till insikter.

Det slutgiltiga målet för vår analys är att förstå de attribut som påverkar churn och bestämma en benägenhet att churn under de kommande månaderna.

När vi utforskade datan upptäckte vi att det fanns vissa faktorer som var gemensamma för dem som churnade.

• Skillnaden mellan churners och non-churners blir tydligare om vi bara tittar på de senaste månaderna. Så en kund som gjorde frekventa bokningar under en månadsperiod hade större sannolikhet att byta ut sig än när vi utvidgade vår syn till att omfatta flera månader. Konsekvent engagemang hos kunden under längre perioder kan bidra till att förhindra att kunden slutar.
• De boenden som kunderna besökte påverkade huruvida de slutar eller inte. Exempelvis hade kunder som besökte vissa fastigheter större chans att byta ägare. På samma sätt fanns det också vissa fastigheter efter en vistelse där kunderna var mer benägna att återvända för att göra en bokning.
• Intressant nog var medlemmar i guldskiktet mer benägna att byta bostad, liksom de som hade fått ett stort antal kompenser från kundbelöningsprogrammet. Det fanns bland annat en tendens att de som churnade sökte efter boenden som de ville bo på baserat på pris, sorterade från lågt till högt.
• Kunder som anlände via bokmärken (typed_bookmark som referrer) hade en ökad sannolikhet för churnning, liksom kunder som hade ”bokningsbekräftelse” som ursprunglig ingångssida.
• Vi fann också att kunder som lämnade på ”bokningsbekräftelse”-sidan ofta aldrig återvände till sajten.

Modell

För att kombinera alla insikter till ett enda användbart mått byggde vi en maskininlärningsmodell för att förutsäga churn så snart de första signalerna om churn uppvisas av kunden för skarpare målinriktning och retention.

För detta utnyttjar vi XDM-datamodellen och Jupyter Notebooks i Data Science Workspace i Adobe Experience Platform. Adobe Experience Platform har också förbyggda mallar för anteckningsböcker och ett antal användbara plugins, bland annat ett tillägg för paketering av anteckningsböcker till recept med ett klick, en tjänst för skalning av Jupyters multi-tenancy och parametriserade anteckningsböcker.

Utformning av modellen

Simpelt uttryckt hjälper modeller för maskininlärning till att förutsäga ett resultat baserat på historiska mönster. Genom att till exempel granska de onlineannonser som fick flest klick tidigare kan man förutsäga vilken funktion som får en användare att klicka direkt.

För att upptäcka dessa mönster för churn tränade vi modellen på kundernas beteende för en köpcykel, som diskuterats ovan är nästan sex månader. Med detta som riktmärke utformade vi vår modell för att förutsäga att en kund skulle återvända för att göra en bokning under de kommande sex månaderna. Vi studerade också data över olika tidsperioder för att se till att det inte fanns några större säsongsvariationer i beställningarna; säsongsvariationer i data kan påverka modellens prestanda under toppar eller dalar.

Träning av modellen

Det finns en uppsjö av maskininlärningsalgoritmer att välja med var och en sin egen tillämplighet, vi provade flera algoritmer som logistisk regression, slumpmässig skog, stödvektormaskiner och neurala nätverk, vi valde artificiella neurala nätverk för operationalisering eftersom det fungerade bäst baserat på tre olika kriterier:

1. Modellens återkallelse: Antalet churners som modellen kan identifiera och täcka
2. Modellens precision: Antalet korrekt identifierade churners som en procentandel av det totala antalet som förutspåtts som churn
3. Stabilitet för ovanstående mått över olika tidsperioder

Neurala nätverk är en uppsättning algoritmer, fritt modellerade efter den mänskliga hjärnan, som är utformade för att känna igen mönster. Här tränade vi det neurala nätverket för att fånga upp de första signalerna av churn.

Några utmaningar och nästa steg för oss

För att se till att vi uppnådde en enda syn på kunderna som kombinerade data och churn-prediktioner för kunderna var vi tvungna att genomföra en mycket detaljerad analys under feature engineering-stadiet. Featuring engineering innebär att skapa meningsfulla och övertygande funktioner (en kundegenskap som observeras i data som en föregångare till churn) och kräver ett kritiskt öga för att välja de bästa funktionerna för att förutsäga churn.

När vi startade hade vi över 150 funktioner från Analytics (Clickstream) data aggregerade som försäljning och handel, webbbeteende, tidigare respons på marknadsföring, kundernas demografi bland annat. Genom noggranna analyser och överväganden kunde vi minska detta till 20.

Vårt arbete med att bygga modeller här kan användas som en tjänst för att hjälpa kunderna att förstå och kontrollera churn inom sitt företag på en kontinuerlig basis.

Det som är bra med allt detta är att vi kan använda detta för att analysera beteende. Detta gör att vi kan skapa Adobe Experience Platform Real-Time Customer Profiles som vi kan använda för att avgöra om en kund kommer att churn eller inte. Det ger oss möjlighet att skicka ut mycket riktade, personliga erbjudanden till dem så snart de börjar visa tecken på att bli av med sin kund. Vi kan använda dessa data för att rapportera och ge insikter till organisationen med hjälp av analys av kundresor och Query Services.

Vi kommer att prata mer om dessa Real-Time Customer Profiles i ett kommande blogginlägg. Du kan läsa mer om modellutnyttjande i Data Science Workspace här.

Följ Adobe Tech Blog för fler kund- och utvecklarberättelser och resurser, och kolla in Adobe Developers på Twitter för de senaste nyheterna och utvecklarprodukterna. Anmäl dig här för framtida Adobe Experience Platform Meetups. För exklusiva inlägg om Adobe Experience Platform, följ 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/

.