意見反映

交易性流失預測範例指南

  • 文章

本指南將以 Customer Insights 在交易性流失預測範例使用的下方資料從頭到尾向您說明。 本指南使用的所有資料並非真實的客戶資料，而是在您的 Customer Insights 訂閱內的 示範 環境中找到的 Contoso 資料集一部分。

案例

Contoso 是一家公司，生產高品質咖啡和咖啡機，透過 Contoso 咖啡網站銷售。 他們的目標是了解典型上定期購買他們產品的客戶在未來 60 天將不再是有效客戶。 知道哪一位客戶 很有可能流失 可協助他們持續聚焦行銷力量。

先決條件

任務 1 - 內嵌資料

請特別檢閱關於資料擷取和使用 Power Query 連接器匯入資料來源的文章。 下列資訊假定您大體上已熟悉內嵌資料。

從電子商務平台內嵌客戶資料

  1. 建立稱為 電子商務 的資料來源，選擇匯入選項並選取 文字/CSV 連接器。

  2. 輸入電子商務連絡人 URL https://aka.ms/ciadclasscontacts。

  3. 編輯資料時選取 轉換，然後 使用第一行做為標頭。

  4. 更新下列欄位的資料類型：

    • DateOfBirth：日期
    • CreatedOn：日期/時間/時區

    轉換出生日期到日期。

  5. 請在右側窗格的 名稱 欄位中將您的資料來源從 查詢 重新命名為 eCommerceContacts

  6. 儲存資料來源。

內嵌線上購買資料

  1. 將另一個資料集新增到同一個 電子商務 資料來源。 再選擇一次 文字/CSV 連接器。

  2. 輸入 線上購買 資料 URL https://aka.ms/ciadclassonline。

  3. 編輯資料時選取 轉換，然後 使用第一行做為標頭。

  4. 更新下列欄位的資料類型：

    • PurchasedOn：日期/時間
    • TotalPrice：貨幣

  5. 請在右側窗格的 名稱 欄位中將您的資料來源從 查詢 重新命名為 eCommercePurchases。

  6. 儲存資料來源。

從忠實結構描述內嵌客戶資料

  1. 建立稱為 LoyaltyScheme 的資料來源，選擇匯入選項並選取 文字/CSV 連接器。

  2. 輸入電子商務連絡人 URL https://aka.ms/ciadclasscustomerloyalty。

  3. 編輯資料時選取 轉換，然後 使用第一行做為標頭。

  4. 更新下列欄位的資料類型：

    • DateOfBirth：日期
    • RewardsPoints: 整數
    • CreatedOn：日期/時間

  5. 請在右側窗格的 名稱 欄位中將您的資料來源從 查詢 重新命名為 loyCustomers。

  6. 儲存資料來源。

任務 2 - 資料統整

內嵌資料之後，請開始進行資料整合程序，建立整合的客戶個人資料。 如需更多資訊，請見 資料統整。

選取來源欄位

  1. 內嵌資料後，將電子商務的聯絡人與忠誠度資料對應到常用資料類型。 請前往 資料 > 整合。

  2. 選取代表客戶設定檔的實體 – eCommerceContacts 和 loyCustomers。

    統整電子商務與忠誠度資料來源。

  3. 選取 ContactId 做為 eCommerceContacts 主鍵，而 LoyaltyID 做為 loyCustomers 主鍵。

  4. 選取 下一步。 略過重複資料記錄，然後選取 下一步。

比對條件

  1. 選擇 eCommerceContacts : eCommerce 作為主要實體，並包含所有的記錄。

  2. 選擇 loyCustomers : LoyaltyScheme，並包含所有的記錄。

  3. 加入規則：

    • 請為 eCommerceContacts 和 loyCustomers 選取 FullName。
    • 選取 類型 (電話、名稱、位址、...) 以進行 標準化。
    • 設定 精密等級：基本 與 值：高。
    • 輸入 FullName, Email 的名稱。

  4. 對電子郵件地址新增第二個條件：

    • 請為 eCommerceContacts 和 loyCustomers 選取 Email。
    • 保留正規化空白。
    • 設定 精密等級：基本 與 值：高。

    統整比對規則的名稱和電子郵件。

  5. 選取 完成。

  6. 選取 下一步。

整合欄位

  1. 將 loyCustomers 實體的 ContactId 重新命名為 ContactIdLOYALTY，以將它與其他識別碼內嵌區分開來。

  2. 選取 下一步 以進行審查，然後選取 建立客戶個人資料。

任務 3 - 組態交易流失預測

透過整合的客戶個人資料，現在可以執行交易流失預測。 如需詳細步驟，請參閱交易流失預測的文章。

  1. 前往 智慧 > 發現 並選取使用 客戶流失模型。

  2. 選取 交易性 選項並選取 開始使用。

  3. 將模型 OOB 電子商務交易流失預測 和輸出實體命名為 OOBeCommerceChurnPrediction。

  4. 定義流失模型的兩個條件：

    • 預測視窗：至少 60 天。 此設定定義我們未來要預測客戶流失的時間長度。

    • 流失定義：至少 60 天。 無購買期間過後，客戶即視同已流失。

      選取模型槓桿預測視窗和流失定義。

  5. 選取 購買歷史記錄 (必要項目) 和 新增 購買歷史資料。

  6. 新增 eCommercePurchases：電子商務 實體並將電子商務欄位對應到模型所需的對應欄位。

  7. 加入 eCommercePurchases：電子商務 實體和 eCommerceContacts：電子商務。

    加入電子商務實體。

  8. 選取 下一步 以設定模型排程。

    當內嵌新資料時，模型必須定期定型以便瞭解新樣式。 本範例中，請選取 按月。

  9. 評論所有詳細資料後，請選取 儲存和執行。

任務 4 - 評論模型結果和解釋

讓模型完成資料的定型與計分。 您現在可以審查流失模型說明。 如需更多資訊，請見 評論預測狀態和結果。

任務 5 - 建立高流失風險客戶的區段

執行生產模型會一併建立您可以在 資料 > 實體 中看見的新實體。

您可以根據模型建立的實體基礎建立新區段。

  1. 前往 區段。 選取 新增 並選擇 從 > 智慧 建立。

使用模型輸出建立區段。

  1. 選取 OOBeCommerceChurnPrediction 端點並定義客戶細分：
    • 欄位：ChurnScore
    • 運算子：大於
    • 值：0.6

您現在有一個動態更新的客戶細分，用來識別高流失風險的客戶。

如需詳細資訊，請參閱建立和管理客戶細分。

備註

是否能請您告知您偏好的慣用文件語言？ 請填寫問卷。 (請注意，本問卷為英文版)

完成問卷大約需要七分鐘。 本問卷將不會收集個人資料 (隱私權聲明)。