Predicir abandono de transacciones

La predicción de abandono transaccional ayuda a predecir si un cliente ya no comprará sus productos o servicios en una ventana de tiempo determinada. La abandono de transacciones es útil para encontrar clientes que ya no compran productos en cualquier momento durante el período de abandono definido. Para encontrar clientes que puedan cancelar sus compras en curso preestablecidas, recomendamos utilizar el modelo de abandono de suscripciones.

Debe tener conocimiento del negocio para comprender lo que significa la pérdida de suscripciones para su negocio. Por ejemplo, una empresa con eventos anuales puede definir su abandono medido en años, mientras que una empresa que atiende a ventas semanales mide el abandono en meses. Admitimos definiciones de abandono basadas en el tiempo, lo que significa que se considera que un cliente ha abandonado después de un período sin compras.

Por ejemplo, Contoso quiere saber qué tan comprometidos están los clientes para una campaña de correo electrónico dedicada a la retención. Los clientes de Contoso visitan una tienda de forma variable, con mayor frecuencia entre 3 y 4 veces al mes. Sus transacciones son irregulares, lo que dificulta determinar cuándo un cliente deja de comprar la marca Contoso. A través del modelo de rotación de transacciones, Contoso puede determinar la probabilidad de que los clientes vuelvan a comprar. Pueden ver los patrones principales que llevan a los clientes a abandonar la marca, lo que les permite ajustar otras estrategias.

Requisitos previos

• Al menos permisos de colaborador.
• Al menos 500 perfiles clientes, preferiblemente más de 1,000 clientes únicos.
• Identificador de cliente, un identificador único para hacer coincidir transacciones con sus clientes.
• Datos de transacciones para al menos el doble de la ventana de tiempo seleccionada, como dos o tres años de historial de transacciones. Idealmente, al menos dos transacciones por cliente. El historial de transacciones debe incluir:
  • Id. de transacción: identificador único de una compra o transacción.
  • Fecha de transacción: fecha de la compra o transacción.
  • Valor de la transacción: el importe en moneda/valor numérico de la transacción.
  • Id. de producto único: identificador del producto o servicio adquirido si sus datos se encuentran en el nivel de artículo de línea.
  • Si esta transacción fue una devolución: un campo de verdadero/falso que identifica si la transacción fue una devolución o no. Si el Valor de la transacción es negativo, se inferirá una devolución.
• Datos de actividad del cliente:
  • Identificador de cliente, un identificador único para asignar actividades a sus clientes.
  • Clave principal: identificador único de una actividad. Por ejemplo, una visita a un sitio web o un registro de uso que muestre que el cliente probó una muestra de su producto.
  • Marca de tiempo: fecha y hora del evento, identificadas mediante la clave principal.
  • Evento: el nombre del evento que desea usar. Por ejemplo, un campo llamado "UserAction" en una tienda de comestibles podría ser un cupón utilizado por el cliente.
  • Detalles: Información detallada sobre el evento. Por ejemplo, un campo llamado "CouponValue" en una tienda de comestibles podría ser el valor en metálico del cupón.
• Menos del 20 % de los valores que faltan en el campo de datos de la tabla proporcionada.

Crear una predicción de abandono de transacciones

1. Vaya a Información>Predicciones.

2. En la pestaña Crear, seleccione Usar modelo en la ventana Modelo de abandono de clientes.

3. Seleccione Transacción para el tipo de abandono y luego Empezar.

4. Asigne un nombre a este modelo y a la tabla de salida para distinguirlos de otros modelos o tablas.

5. Seleccione Siguiente.

Definir abandono de clientes

Seleccione Guardar borrador en cualquier momento para guardar la predicción como borrador. La predicción de borrador se muestra en la pestaña Mis predicciones.

1. Establecer la Ventana de predicción. Por ejemplo, predizca el riesgo de abandono de sus clientes durante los próximos 90 días para alinearse con sus esfuerzos de retención de marketing. Predecir el riesgo de abandono durante un período de tiempo más largo o más corto puede hacer que sea más difícil abordar los factores en su perfil de riesgo de abandono, pero depende de sus requisitos comerciales específicos.

2. Introduzca el número de días para definir el abandono en el campo Definición de abandono. Por ejemplo, si un cliente no ha realizado compras en los últimos 30 días, es posible que considere que se ha agotado para su negocio.

3. Seleccione Siguiente.

Agregar historial de compras

1. Seleccione Agregar datos para Historial de transacciones de cliente.

2. Seleccione el tipo de actividad semántica, Órdenes de venta o Línea de pedido de ventas, que contiene la información del historial de transacciones. Si la actividad no se ha configurado, seleccione aquí y créela.

3. Bajo Actividades, si los atributos de la actividad se asignaron semánticamente cuando se creó la actividad, elija los atributos o la tabla específicos en los que desea que se centre el cálculo. Si no se produjo el mapeo semántico, seleccione Editar y mapee sus datos.

   

4. Seleccione Siguiente y revise los atributos necesarios para este modelo.

5. Seleccione Guardar.

6. Añade más actividades o selecciona Siguiente.

Agregar más datos (opcional)

1. Seleccione Agregar datos para Actividades del cliente.

2. Seleccione el tipo de actividad semántico que contiene los datos que le gustaría usar. Si la actividad no se ha configurado, seleccione aquí y créela.

3. Bajo Actividades, si los atributos de la actividad se asignaron semánticamente cuando se creó la actividad, elija los atributos o la tabla específicos en los que desea que se centre el cálculo. Si no se produjo el mapeo semántico, seleccione Editar y mapee sus datos.

4. Seleccione Siguiente y revise los atributos necesarios para este modelo.

5. Seleccione Guardar.

6. Seleccione Siguiente.

Definir la programación de actualizaciones

1. Para el paso Actualizaciones de datos, elija una frecuencia para volver a entrenar su modelo. Esta configuración es importante para actualizar la precisión de las predicciones a medida que se ingieren nuevos datos. La mayoría de las empresas pueden volver a entrenarse una vez al mes y obtener una buena precisión para sus predicciones.

2. Seleccione Siguiente.

Revisar y ejecutar la configuración del modelo

El paso Revisar y ejecutar muestra un resumen de la configuración y brinda la oportunidad de realizar cambios antes de crear el predicción.

1. Seleccione Editar en cualquiera de los pasos para revisar y realizar cambios.

2. Si está satisfecho con sus selecciones, seleccione Guardar y ejecutar para comenzar a ejecutar el modelo. Seleccione Listo. La pestaña Mis predicciones se muestra mientras se crea predicción. El proceso puede tardar varias horas en completarse dependiendo de la cantidad de datos utilizados en la predicción.

Propina

Existen estados para tareas y procesos. La mayoría de los procesos dependen de otros procesos ascendentes, como las fuentes de datos y actualizaciones de perfiles de datos.

Seleccione el estado para abrir el panel Detalles de progreso y vea el progreso de las tareas. Para cancelar el trabajo, seleccione Cancelar trabajo en la parte inferior del panel.

En cada tarea, puede seleccionar Ver detalles para obtener más información sobre el progreso, como el tiempo de procesamiento, la fecha del último procesamiento y los errores y advertencias aplicables asociados con la tarea o el proceso. Seleccione Ver el estado del sistema en la parte inferior del panel para ver otros procesos en el sistema.

Ver los resultados de la predicción

1. Vaya a Información>Predicciones.

2. En la pestaña Mis predicciones, seleccione la predicción que desea ver.

Hay tres secciones de datos principales en la página de resultados:

• Rendimiento del modelo de entrenamiento: los grados A, B o C indican el rendimiento de la predicción y puede ayudarlo a tomar la decisión de utilizar los resultados almacenados en la tabla de salida.

  Las puntuaciones se determinan según las siguientes reglas:

  • A cuando el modelo predijo con precisión al menos el 50 % de las predicciones totales, y cuando el porcentaje de predicciones precisas para los clientes que abandonaron es mayor que la tasa de referencia en al menos un 10 %.
  • B cuando el modelo predijo con precisión al menos el 50 % de las predicciones totales, y cuando el porcentaje de predicciones precisas para los clientes que abandonaron es hasta un 10 % mayor que la referencia.
  • C cuando el modelo predijo con precisión menos del 50 % de las predicciones totales, o cuando el porcentaje de predicciones precisas para los clientes que abandonaron es inferior a la referencia.
  • Referencia toma la entrada de ventana de tiempo predicción para el modelo (por ejemplo, un año) y crea diferentes fracciones de tiempo dividiendo por 2 hasta que llega a un mes o menos. Utiliza estas fracciones para crear una regla de negocio para los clientes que no han comprado en este plazo de tiempo. Estos clientes se consideran abandonados. La regla de negocio basada en el tiempo con la mayor capacidad para predecir quién es probable que abandone se elige como modelo de referencia.

• Probabilidad de pérdida (número de clientes): Grupos de clientes según su riesgo de pérdida previsto. Opcionalmente, cree segmentos de clientes con alto riesgo de abandono. Dichos segmentos ayudan a comprender dónde debe estar el corte para la pertenencia del segmento.

• Factores más influyentes: Hay muchos factores que se tienen en cuenta al crear su predicción. Cada uno de los factores tiene su importancia calculada para las predicciones agregadas que crea un modelo. Use estos factores para ayudar a validar los resultados de la predicción. O use esta información más tarde para crear segmentos que puedan ayudar a influir en el riesgo de pérdida de clientes.

Nota

En la tabla de salida para este modelo, ChurnScore muestra la probabilidad pronosticada de abandono y IsChurn es una etiqueta binaria basada en ChurnScore con umbral de 0,5. Si este umbral predeterminado no funciona para su escenario, cree un nuevo segmento con su umbral preferido. No todos los clientes son necesariamente clientes activos. Es posible que algunos de ellos no hayan tenido ninguna actividad durante mucho tiempo y ya se considera que han abandonado, según su definición de abandono. Predecir el riesgo de abandono de los clientes que ya han abandonado no es útil porque no son el público de interés.

Para ver la puntuación de abandono, vaya a Datos>Tablas y vea la pestaña de datos para la tabla de salida que definió para este modelo.