Predvidevanje izgube transakcij

Predvidevanje izgub glede transakcij pomaga predvideti, ali stranka v določenem časovnem obdobju ne bo več kupovala vaših izdelkov ali storitev. Transakcijski odliv je uporaben za iskanje strank, ki ne kupujejo več izdelkov kadar koli med določenim oknom odletavanja. Če želite poiskati stranke, ki bi lahko preklicale vnaprej nastavljene tekoče nakupe, priporočamo uporabo modela naročniškega odliva.

Imeti morate poslovno znanje, da boste razumeli, kaj churn pomeni za vaše podjetje. Na primer, podjetje z letnimi dogodki lahko opredeli svoj odliv, merjen v letih, medtem ko lahko podjetje, ki skrbi za tedensko prodajo, meri odliv v mesecih. Podpiramo časovne opredelitve izgub, kar pomeni, da se za izgubo stranke šteje, če določeno obdobje ni opravila nakupov.

Contoso želi na primer izvedeti, kako dejavne so stranke za e-poštno kampanjo, namenjeno hranjenju. Contosove stranke obiščejo prodajalno na spremenljivi osnovi, najpogosteje približno 3-4 krat na mesec. Njihove transakcije so nepravilne, zato je težko ugotoviti, kdaj je stranka prenehala kupovati blagovno znamko Contoso. Z modelom transakcijskega odliva lahko Contoso ugotovi verjetnost, da bodo stranke ponovno kupile. Vidijo lahko vodilne vzorce, zaradi katerih kupci zapustijo blagovno znamko, kar jim omogoča, da prilagodijo druge strategije.

Zahteve

• Vsaj sodelavec dovoljenja.
• Vsaj 500 profilov strank, po možnosti več kot 1.000 edinstvenih strank.
• Identifikator stranke, enolični identifikator za povezovanje transakcij z vašimi strankami.
• Podatki o transakcijah za vsaj dvakratno izbrano časovno obdobje, na primer dve do tri leta zgodovine transakcij. V idealnem primeru vsaj dve transakciji na stranko. Zgodovina transakcij mora vključevati:
  • ID transakcije: enolični identifikator nakupa ali transakcije.
  • Datum transakcije: datum nakupa ali transakcije.
  • Vrednost transakcije: znesek valute ali številčne vrednosti transakcije.
  • Edinstven ID izdelka: ID kupljenega izdelka ali storitve, če so vaši podatki na ravni vrstičnega elementa.
  • Ali je bila ta transakcija donosna: polje »true/false«, ki določa, ali je bila transakcija donosna ali ne. Če je vrednost transakcije negativna, sklepamo o donosu.
• Podatki o dejavnosti strank:
  • Identifikator stranke, enolični identifikator za preslikavo dejavnosti za vaše stranke.
  • Primarni ključ: enolični identifikator dejavnosti. Na primer, obisk spletnega mesta ali zapis uporabe, ki prikazuje, da je stranka preizkusila vzorec vašega izdelka.
  • Časovni žig: datum in čas dogodka, ki ju določa primarni ključ.
  • Dogodek: Ime dogodka, ki ga želite uporabiti. Na primer, polje z imenom »UserAction« v trgovini z živili je lahko kupon, ki ga kupec uporabi.
  • Podrobnosti: Podrobne informacije o dogodku. Na primer, polje z imenom »CouponValue« v trgovini z živili je lahko vrednost valute kupona.
• Manj kot 20 % manjkajočih vrednosti v podatkovnem polju predložene tabele

Ustvarjanje predvidevanja izgube transakcij

1. Pojdite na Predvidevanja> vpogledov.

2. Na zavihku Ustvari izberite Uporabi model na ploščici Customer churn model.

3. Izberite Transakcija za vrsto odvajanja in nato Začnite.

4. Poimenujte ta model in ime izhodne tabele , da ju ločite od drugih modelov ali tabel.

5. Izberite Naprej.

Določitev izgube stranke

Kadar koli izberite Shrani osnutek, da shranite predvidevanje kot osnutek . Osnutek predvidevanje je prikazan na zavihku Moje napovedi .

1. Nastavite okno predvidevanje. Na primer, v naslednjih 90 dneh predvidite tveganje za izgubo strank, da temu prilagodite vaša prizadevanja za uspešno trženje. Predvidevanje tveganja izgube za daljše ali krajše časovno obdobje lahko oteži obravnavo dejavnikov v vašem profilu tveganja izgub, vendar je to odvisno od vaših specifičnih poslovnih potreb.

2. Vnesite število dni za določanje odliva v polje Churn definition . Če stranka na primer ni opravila nakupa v zadnjih 30 dneh, se lahko šteje, da je bila razburjena za vaše podjetje.

3. Izberite Naprej.

Dodajanje zgodovine nakupov

1. Izberite Dodaj podatke za zgodovino transakcij strank.

2. Izberite semantično vrsto dejavnosti,SalesOrder ali SalesOrderLine, ki vsebuje podatke o zgodovini transakcij. Če dejavnost ni nastavljena, izberite tukaj in jo ustvarite.

3. Če so bili v razdelku Dejavnosti atributi dejavnosti semantično preslikani, ko je bila dejavnost ustvarjena, izberite določene atribute ali tabelo, na katero želite, da se izračun osredotoči. Če do semantične preslikave ni prišlo, izberite Uredi in preslikajte podatke.

   

4. Izberite Naprej in preglejte atribute, potrebne za ta model.

5. Izberite možnost Shrani.

6. Dodajte več dejavnosti ali izberite Naprej.

Dodajanje dodatnih podatkov (izbirno)

1. Izberite Dodaj podatke za dejavnosti strank.

2. Izberite vrsto semantične dejavnosti, ki vsebuje podatke, ki jih želite uporabiti. Če dejavnost ni nastavljena, izberite tukaj in jo ustvarite.

3. Če so bili v razdelku Dejavnosti atributi dejavnosti semantično preslikani, ko je bila dejavnost ustvarjena, izberite določene atribute ali tabelo, na katero želite, da se izračun osredotoči. Če do semantične preslikave ni prišlo, izberite Uredi in preslikajte podatke.

4. Izberite Naprej in preglejte atribute, potrebne za ta model.

5. Izberite možnost Shrani.

6. Izberite Naprej

Nastavitev urnika posodobitev

1. V koraku Posodobitve podatkov izberite frekvenco za ponovno usposabljanje modela. Ta nastavitev je pomembna za posodobitev natančnosti predvidevanj, ko se vnesejo novi podatki. Večina podjetij se lahko prekvalificira enkrat na mesec in pridobi dobro natančnost svojih predvidevanj.

2. Izberite Naprej.

Pregled in zagon konfiguracije modela

V koraku Pregled in zagon je prikazan povzetek konfiguracije in možnost spreminjanja, preden ustvarite predvidevanje.

1. Izberite Uredi v katerem koli od korakov, da pregledate in naredite spremembe.

2. Če ste zadovoljni z izborom, izberite Shrani in zaženi , da začnete izvajati model. Izberite Dokončano. Zavihek Moje predvidevanja se prikaže, ko ustvarjate predvidevanje. Postopek lahko traja več ur, odvisno od količine podatkov, uporabljenih v predvidevanju.

Nasvet

Obstajajo stanja za naloge in procese . Večina procesov je odvisna od drugih predhodnih postopkov, kot so viri podatkov in osveževanje profiliranjapodatkov.

Izberite stanje, da odprete podokno s podrobnostmi o napredku in si ogledate napredek opravil. Če želite preklicati opravilo, izberite Prekliči posel na dnu podokna.

Pod vsakim opravilom lahko izberete Prikaži podrobnosti za več informacij o napredku, kot so čas obdelave, datum zadnje obdelave ter morebitne veljavne napake in opozorila, povezana z opravilom ali procesom. Izberite stanje Ogled sistema na dnu plošče, če si želite ogledati druge procese v sistemu.

Oglejte si rezultate predvidevanje

1. Pojdite na Predvidevanja> vpogledov.

2. Na zavihku Moja predvidevanja izberite predvidevanje, ki si ga želite ogledati.

Na strani z rezultati so trije primarni razdelki podatkov:

• Učinkovitost modela vadbe: razredi A, B ali C označujejo uspešnost predvidevanje in vam lahko pomagajo pri odločitvi za uporabo rezultatov, shranjenih v izhodni tabeli.

  Ocene so določene na podlagi naslednjih pravil:

  • O, ko je model natančno napovedal vsaj 50% vseh napovedi in ko je odstotek natančnih napovedi za stranke, ki so pihale, vsaj za 10% večji od izhodiščne stopnje.
  • B , ko je model natančno napovedal vsaj 50% vseh napovedi in ko je odstotek natančnih napovedi za stranke, ki so pihale, do 10% večji od izhodišča.
  • C , če je model natančno napovedal manj kot 50% vseh napovedi ali če je odstotek natančnih napovedi za stranke, ki so pihale, manjši od izhodišča.
  • Osnovni načrt vzame vhod časovnega okna predvidevanje za model (na primer eno leto) in ustvari različne dele časa, tako da ga deli z 2, dokler ne doseže enega meseca ali manj. Te delce uporablja za ustvarjanje poslovnega pravila za stranke, ki niso opravile nakupa v tem časovnem okviru. Te stranke se štejejo za izgubljene. Časovno pogojeno poslovno pravilo z najvišjo sposobnostjo napovedovanja, kdo bo verjetno odletel, je izbrano kot osnovni model.

• Verjetnost odtekanja (število strank): skupine kupcev na podlagi predvidenega tveganja odtekanja. Po želji lahko ustvarite segmente strank z visokim tveganjem odmetavanja. Takšni segmenti vam pomagajo razumeti, kako mora biti nastavljena vaša prekinitev za članstvo v segmentu.

• Najvplivnejši dejavniki: Obstaja veliko dejavnikov, ki se upoštevajo pri ustvarjanju vašega predvidevanje. Vsak od dejavnikov ima svoj pomen, izračunan za združena predvidevanja, ki jih ustvari model. Uporabite te dejavnike za pomoč pri preverjanju rezultatov predvidevanje. Lahko pa te informacije uporabite pozneje, da ustvarite segmente , ki bi lahko pomagali vplivati na tveganje za stranke.

opomba,

V izhodni tabeli za ta model ChurnScore prikazuje predvideno verjetnost odletavanja, IsChurn pa je binarna oznaka, ki temelji na ChurnScore s pragom 0,5 . Če ta privzeti prag ne deluje v vašem scenariju, ustvarite nov segment z želenim pragom. Vse stranke niso nujno tudi dejavne stranke. Nekatere od njih morda že dolgo niso bile dejavne in se na podlagi definicije izgube že štejejo za izgubljene. Predvidevanje tveganja za izgubo za stranke, ki so že izgubile, ni koristno, ker niso občinstvo, ki nas zanima.

Če si želite ogledati oceno odmetavanja, pojdite v >podatkovne tabele in si oglejte zavihek s podatki za izhodno tabelo, ki ste jo določili za ta model.