Del via

Forudsige abonnementsafgang

  • Artikel

Du kan forudsige, om der er risiko for, at en kunde ikke længere vil bruge din virksomheds produkter eller periodiske services. Abonnementsdata omfatter aktive og inaktive abonnementer for hver kunde, så der kan være flere poster pr. kunde-id. Hvis du vil finde risikoen for afgang for kunder, der ikke foretager planlagte køb, skal du bruge Modellen til transaktionsafgang.

Du skal have forretningsviden for at forstå, hvad afgang betyder for din virksomhed. En virksomhed med årlige arrangementer kan f.eks. definere sine kundeafmålte år, mens en virksomhed, der sælger til ugentligt salg, kan måle kundeaftaget i måneder. Vi understøtter tidsbaserede afgangsdefinitioner, hvilket vil sige, at en kundes afgang forventes et stykke tid efter, at abonnementet er ophørt.

Contoso tilbyder f.eks. månedlig kaffeservice. De vil gerne vide, hvilke kunder der kan sætte spørgsmålstegn ved servicefornyelsen, så de kan tilbyde rabat. Contoso kan via abonnementsmodellen se, hvilke kunder der måske ikke fornyer servicen næste år, og hvor stor den pågældende population er.

Tip

Prøv forudsigelsen af abonnementsafgang ved hjælp af eksempeldata: Eksempelvejledning til forudsigelse af abonnementsafgang.

Forudsætninger

  • Mindst Bidragyder-tilladelser.
  • Mindst 1.000 kundeprofiler i det ønskede forudsigelsesvindue.
  • Kunde-id'er, et entydigt id, der matcher abonnementer med dine kunder.
  • Abonnementsdata for mindst det dobbelte af det valgte tidsvindue. Helst to til tre års abonnementsdata. Abonnementshistorikken skal omfatte:
    • Abonnements-id: Entydigt id for et abonnement.
    • Abonnementets slutdato: Den dato, abonnementet udløber for kunden.
    • Abonnementets startdato: Den dato, abonnementet starter for kunden.
    • Transaktionsdato: Den dato, hvor et abonnement er ændret. F.eks. køber eller opsiger en kunde et abonnement.
    • Er det et tilbagevendende abonnement: Boolesk sand/falsk-felt, der bestemmer, om abonnementet fornyes med det samme abonnements-id uden kundens indgriben.
    • Gentagelseshyppighed (i måneder): For tilbagevendende abonnementer er det den måned, hvor abonnementet fornyes. Et årsabonnement, der automatisk fornys for en kunde hvert år for endnu et andet, har værdien 12.
    • Abonnementsbeløb: Valutabeløb, kunden betaler i forbindelse med fornyelsen af abonnementet. Det kan være med til at identificere mønstre for forskellige niveauer af abonnementer.
  • Mindst to aktivitetsposter for 50 % af de kunder, du vil beregne kundeafgang for. Kundeaktiviteter skal omfatte:
    • Primær nøgle: Entydigt id for en aktivitet. Et besøg på et websted eller en forbrugspost, der viser, at kunden har set et afsnit af et TV-show.
    • Tidsstempel: Dato og klokkeslæt for hændelsen, der identificeres af den primære nøgle.
    • Hændelse: Navnet på den hændelse, du vil bruge. Et felt kaldes f.eks. "UserAction" i en videostreamingsservice med værdien "Set".
    • Detaljer: Detaljerede oplysninger om hændelsen. Et felt kaldes f.eks. "ShowTitle" i en videostreamingsservice med værdien af en video, som en kunde har set.
  • Mindre end 20 % af de manglende værdier i datafeltet for den angivne tabel.

Oprette en abonnementsafgang (prøveversion)

Du kan når som helst vælge Gem kladde for at gemme forudsigelsen som en kladde. Kladdeforudsigelsen vises under fanen Mine forudsigelser.

  1. Gå til Indsigt>Forudsigelser.

  2. Gå til fanen Opret, og vælg Brug model i feltet Model til kundeafgang.

  3. Vælg Abonnement for typen af kundeafgang og derefter Start her.

  4. Navngiv denne model og navnet på outputtabellen for at skelne mellem dem og andre modeller eller tabeller.

  5. Vælg Næste.

Definer kundeafgang

  1. Angiv antallet af Dage, siden abonnement sluttede, som din virksomhed betragter som en kunde, der ikke længere er kunde. Denne periode er typisk knyttet til forretningsaktiviteter som tilbud eller andre marketingtiltag, der forsøger at forhindre tab af kunden.

  2. Angiv et antal under Antal dage, der skal søges fremad for at forudsige afslutning. Du kan f. eks. forudsige risikoen for afgang af kunder i løbet af de næste 90 dage for at justere din marketingsindsats. Forudsigelse af afgangsrisiko i kortere eller længere perioder kan gøre det mere problematisk at adressere faktorer i din afgangsrisikoprofil, afhængigt at dine specifikke forretningskrav.

  3. Vælg Næste.

Tilføj påkrævede data

  1. Vælg Tilføj data for Abonnementshistorik.

  2. Vælg den semantiske aktivitetstype Abonnement, der indeholder de påkrævede oplysninger om abonnementshistorikken. Hvis aktiviteten ikke er blevet konfigureret, skal du vælge her og oprette den.

  3. Hvis aktivitetsattributterne blev semantically tilknyttet under Aktiviteter, da aktiviteten blev oprettet, skal du vælge de specifikke attributter eller den tabel, beregningen skal fokusere på. Hvis semantisk tilknytning ikke fandt sted, skal du vælge Rediger og tilknyt dataene.

    Tilføje påkrævede data for modellen til abonnementsafgang

  4. Vælg Næste, og gennemse de attributter, der kræves til denne model.

  5. Vælg Gem.

  6. Vælg Tilføj data for Kundeaktiviteter.

  7. Vælg den semantiske aktivitetstype, der indeholder oplysninger om kundeaktiviteter. Hvis aktiviteten ikke er blevet konfigureret, skal du vælge her og oprette den.

  8. Hvis aktivitetsattributterne blev semantically tilknyttet under Aktiviteter, da aktiviteten blev oprettet, skal du vælge de specifikke attributter eller den tabel, beregningen skal fokusere på. Hvis semantisk tilknytning ikke fandt sted, skal du vælge Rediger og tilknyt dataene.

  9. Vælg Næste, og gennemse de attributter, der kræves til denne model.

  10. Vælg Gem.

  11. Tilføj flere aktiviteter, eller vælg Næste.

Indstil opdateringsplan

  1. Vælg hyppigheden for gentræning af modellen. Denne indstilling er vigtig, hvis du vil opdatere nøjagtigheden af forudsigelserne, efterhånden som nye data indsættes. De fleste virksomheder kan omskole én gang om måneden og opnå en god præcision af deres forudsigelse.

  2. Vælg Næste.

Gennemse og kør modelkonfigurationen

I trinnet Gennemse og kør vises en oversigt over konfigurationen, og her kan du foretage ændringer, før du opretter forudsigelsen.

  1. Vælg Rediger på et af trinnene for at gennemse og foretage ændringer.

  2. Hvis du er tilfreds med dine valg, skal du vælge Gem og kør for at starte kørsel af modellen. Vælg Udført. Fanen Mine forudsigelser vises, mens forudsigelse oprettes. Det kan tage flere timer, før processen er fuldført, afhængigt af mængden af data, der bruges i forudsigelsen.

Tip

Der findes status for opgaver og processer. De fleste processer afhænger af andre upstream-processer, f.eks. datakilder og opdatering af dataprofiler.

Vælg status for at åbne ruden Statusdetaljer og få vist status for opgaverne. Hvis du vil annullere jobbet, skal du vælge Annuller job nederst i ruden.

Under hver opgave kan du vælge Se detaljer for at få flere statusoplysninger, f.eks. behandlingstid, den sidste behandlingsdato og eventuelle relevante fejl og advarsler, der er knyttet til opgaven eller processen. Vælg Visning af systemstatus nederst i panelet for at se andre processer i systemet.

Få vist forudsigelsesresultater

  1. Gå til Indsigt>Forudsigelser.

  2. Under fanen Mine forudsigelser skal du vælge den forudsigelse, du vil have vist.

Der findes tre primære sektioner med data på resultatsiden:

  • Ydeevne for træning af model: Klassificeringerne A, B eller C angiver resultatet af forudsigelsen og kan hjælpe dig med at træffe beslutning om at bruge de resultater, der er gemt i outputtabellen.

    Billede af feltet med oplysninger om modelpoint med vurderingen A.

    Vurderingerne bestemmes ud fra følgende regler:

    • A, når modellen forventes at forudse mindst 50 % af de samlede forudsigelser, og når procentsatsen for præcise forudsigelser for kunder, der er afgået, er større end den historiske gennemsnitlige afgang med mindst 10 %.
    • B, når modellen forventes at forudse mindst 50 % af de samlede forudsigelser, og når procentsatsen for præcise forudsigelser for kunder, der er afgået, er op til 10 % større end den historiske gennemsnitlige afgang.
    • C når modellen præcist har forudset mindre end 50 % af det samlede antal forudsigelser, eller når procentsatsen for præcise forudsigelser for kunder, der er mistet, er mindre end den historiske gennemsnitlige afgang.

  • Sandsynlighed for afgang (antal kunder): Kundegrupper baseret på deres forudsagte risiko for afgang. Du kan også oprette kundesegmenter med stor risiko for afgang. Sådanne segmenter hjælper dig med at forstå, hvor din grænse skal være for segmentmedlemskab.

    Graf, der viser fordelingen af afgangsresultater, opdelt i intervaller fra 0 - 100 %

  • Mest indflydelsesrige faktorer: Der er mange faktorer, som tages i betragtning ved oprettelsen af din forudsigelse. Hver af faktorerne er vigtig for de aggregerede forudsigelser, som en model opretter. Brug disse faktorer til at validere dine forudsigelsesresultater. Eller brug oplysningerne senere til at oprette segmenter, der kan være med til at påvirke risikoen for kundeafgang.

    Liste, der viser indflydelsesrige faktorer og deres betydning ved forudsigelse af afgangsresultatet.

Bemærk

I outputtabellen for denne model er ChurnScore den anslåede sandsynlighed for kundeafgang, og IsChurn er en binær etiket baseret på ChurnScore med en tærskelværdi på 0,5. Hvis denne standardtærskelværdi ikke fungerer for dit scenario, skal du oprette et nyt segment med din foretrukne tærskelværdi. Hvis du vil have vist scoren for kundeafgang, skal du gå til Data>Tabeller og se datafanen for den outputtabel, du har defineret for denne model.