Feedback

Ghid eșantion de predicție a retragerii tranzacționale

  • Articol
  • 4 minute de lectură

Acest ghid vă va explica un exemplu complet de predicție a retragerii tranzacționale în Customer Insights folosind datele furnizate mai jos. Toate datele utilizate în acest ghid nu sunt date reale ale clienților și fac parte din setul de date Contoso găsit în mediul Demo în cadrul abonamentului dvs. Customer Insights.

Scenariu

Contoso este o companie care produce cafea și aparate de cafea de înaltă calitate, pe care le vinde prin intermediul site-ului web Contoso Coffee. Scopul lor este să știe care dintre clienții care le cumpără de obicei produsele nu vor mai fi clienți activi în următoarele 60 de zile. Știind care dintre clienții lor este susceptibil să se retragă, îi poate ajuta să economisească eforturile de marketing concentrându-se pe păstrarea lor.

Cerințe preliminare

Sarcina 1 - Ingerare date

Examinați articolele despre ingerarea de date și importul surselor de date folosind Power Query conectori specific. Următoarele informații presupun că v-ați familiarizat cu ingerarea datelor în general.

Ingerarea datelor clienților de pe platforma de comerț electronic

  1. Creați un sursă de date numită eCommerce, alegeți opțiunea de import și selectați conectorul Text/CSV.

  2. Introduceți adresa de URL pentru contactele de comerț electronic https://aka.ms/ciadclasscontacts.

  3. În timp ce editați datele, selectați Transformare și apoi Utilizați primul rând ca anteturi.

  4. Actualizați tipul de date pentru coloanele enumerate mai jos:

    • DateOfBirth: Dată
    • CreatedOn: Dată/Oră/Zonă

    Transformați data nașterii în dată.

  5. În câmpul Nume din panoul din dreapta, redenumiți sursa de date din Interogare în eCommerceContacts

  6. Salvați sursa de date.

Ingerați date de cumpărare online

  1. Adăugați un alt set de date la aceeași sursă de date eCommerce. Alegeți din nou conectorul Text/CSV.

  2. Introduceți adresa URL pentru datele de Achiziții online https://aka.ms/ciadclassonline.

  3. În timp ce editați datele, selectați Transformare și apoi Utilizați primul rând ca anteturi.

  4. Actualizați tipul de date pentru coloanele enumerate mai jos:

    • PurchasedOn: Dată/Oră
    • TotalPrice: Monedă

  5. În câmpul Nume din panoul din dreapta, redenumiți sursa de date din Interogare în eCommercePurchases.

  6. Salvați sursa de date.

Ingerați datele clienților din schema de loialitate

  1. Creați o sursă de date numită LoyaltyScheme, alegeți opțiunea de import și selectați conectorul Text/CSV.

  2. Introduceți adresa de URL pentru contactele de comerț electronic https://aka.ms/ciadclasscustomerloyalty.

  3. În timp ce editați datele, selectați Transformare și apoi Utilizați primul rând ca anteturi.

  4. Actualizați tipul de date pentru coloanele enumerate mai jos:

    • DateOfBirth: Dată
    • RewardsPoints: Număr întreg
    • CreatedOn: Dată/Oră

  5. În câmpul Nume din panoul din dreapta, redenumiți sursa de date din Interogare în loyCustomers.

  6. Salvați sursa de date.

Sarcina 2 - Unificarea datelor

După ingerarea datelor, începeți procesul de unificare a datelor pentru a crea un profil unificat de client. Pentru informații suplimentare, consultați Unificare date.

Selectați câmpurile sursă

  1. După ingerarea datelor, mapați contactele de la datele de comerț electronic și de loialitate la tipuri de date obișnuite. Mergi la Date > Unifica.

  2. Selectați entitățile care reprezintă profilul clientului - eCommerceContacts și loyCustomers.

    unificați sursele de date privind comerțul electronic și loialitatea.

  3. Selectați ContactId ca cheie primară pentru eCommerceContacts și LoyaltyID ca cheie primară pentru loyCustomers.

  4. Selectați Următorul. Omite înregistrările duplicate și selectează Următorul.

Condiții de meci

  1. Alege eCommerceContact: eCommerce ca entitate principală și includ toate înregistrările.

  2. Alege loyCustomers: LoyaltyScheme și include toate înregistrările.

  3. Adăugați o regulă:

    • Selectați Numele complet atât pentru eCommerceContacts, cât și pentru loyCustomers.
    • Selectați Tip (Telefon, Nume, Adresă, ...) pentru Normaliza.
    • Setați Nivel de precizie: De bază și Valoare: Mare.
    • introduce Nume complet, e-mail pentru nume.

  4. Adăugați o a doua condiție pentru adresa de e-mail:

    • Selectați E-mail atât pentru eCommerceContacts, cât și pentru loyCustomers.
    • Lăsați Normalizarea necompletată.
    • Setați Nivel de precizie: De bază și Valoare: Mare.

    Unificați regula de potrivire pentru nume și e-mail.

  5. Selectați Terminat.

  6. Selectați Următorul.

Unificați câmpurile

  1. Redenumiți ContactId pentru Clienti loiali entitate la ContactIdLOYALTY pentru a o diferenția de celelalte ID-uri ingerate.

  2. Selectați Următorul pentru a revizui și apoi selectați Creați profiluri de clienți.

Sarcina 3 - Configurați predicția de retragere tranzacțională

Cu profilurile unificate ale clienților, acum putem rula tranzacțiile predicție. Pentru pași detaliați, consultați Schimbarea tranzacției predicție articol.

  1. Mergeți la Informații > Descoperiți și selectați pentru a utiliza Modelul de retragere a clienților.

  2. Selectați opțiunea Tranzacțional și selectați Începeți.

  3. Denumiți modelul OOB eCommerce Transaction Churn Prediction și entitatea de ieșire OOBeCommerceChurnPrediction.

  4. Definiți două condiții pentru modelul de retragere:

    • Fereastra de predicție: cel puțin 60 de zile. Această setare definește cât de departe în viitor vrem să prezicem retragerea clienților.

    • Definiție retragere: cel puțin 60 de zile. Durata fără cumpărare, după care un client este considerat retras.

      Selectați pârghiile model Fereastră de predicție și Definiție retragere.

  5. Selectați Istoricul achizițiilor (obligatoriu) și selectați Adăugare date pentru istoricul achizițiilor.

  6. Adăugați entitatea eCommercePurchases : eCommerce și mapați câmpurile din eCommerce la câmpurile corespunzătoare cerute de model.

  7. Conectați entitatea eCommercePurchases : eCommerce cu eCommerceContacts: eCommerce.

    Conectați entitățile eCommerce.

  8. Selectați Următorul pentru a seta planificarea modelului.

    Modelul trebuie să se antreneze în mod regulat pentru a învăța noi modele atunci când sunt ingerate date noi. Pentru acest exemplu, selectați Lunar.

  9. După examinarea tuturor detaliilor, selectați Salvați și rulați.

Sarcina 4 - Examinați rezultatele modelului și explicațiile

Lăsați modelul să finalizeze pregătirea și notarea datelor. Acum puteți revizui explicațiile modelului de abandon. Pentru mai multe informații, consultați Examinați starea și rezultatele unei predicții.

Sarcina 5 - Creați un segment de clienți cu risc de retragere ridicat

Rularea modelului de producție creează o nouă entitate pe care o puteți vedea în Date > Entități.

Puteți crea un segment nou pe baza entității create de model.

  1. Mergeți la Segmente. Selectați Nou și alegeți Creați din > Informații.

Crearea unui segment cu rezultatul modelului.

  1. Selectează OOBeCommerceChurnPrediction punctul final și definiți segmentul:
    • Câmp: ChurnScore
    • Operator: mai mare decât
    • Valoare: 0,6

Acum aveți un segment care este actualizat dinamic, care identifică clienții cu risc ridicat de pierdere.

Pentru mai multe informații, consultați Creați și gestionați segmente.

Notă

Ne puteți spune care preferințele dvs. lingvistice pentru documentație? Răspundeți la un chestionar scurt. (rețineți că acest chestionar este în limba engleză)

Chestionarul va dura aproximativ șapte minute. Nu sunt colectate date personale (angajament de respectare a confidențialității).