トランザクション離反を予測する
トランザクション解約予測は、顧客が特定の時間枠内に製品またはサービスを購入しなくなるかどうかを予測するのに役立ちます。 トランザクションの離反を利用すると、定義された離反期間に製品を購入しなくなった顧客をいつでも発見できます。 事前に設定された継続的な購入をキャンセルする可能性のある顧客を見つける場合は、サブスクリプション離反モデルの利用を推奨します。
離反がビジネスにとってどのような意味を持つのかを理解するには、ビジネス知識が必要です。 たとえば、毎年イベントを開催する企業では、チャーンを年単位で定義できますが、毎週の売上に対応する企業では、チャーンを月単位で測定します。 時間ベースのチャーン定義をサポートします。つまり、顧客は購入がない期間の後に解約したと見なされます。
たとえば Contoso は、リテンションを目的としたメール キャンペーンに対して顧客がどの程度関心を持っているかを把握したいと考えています。 Contoso の顧客が店舗を訪れる頻度は変動しますが、最も多いのは月に 3 ～ 4 回です。 取引は不規則なので、顧客が Contoso ブランドの購入をいつやめるかを判断することは困難です。 トランザクション チャーン モデルを活用して、Contoso は顧客が再度購入する可能性を判断できます。 顧客がブランドから離れてしまう主なパターンを把握できるため、他の戦略を調整できるようになります。
前提条件
- 少なくとも 共同作成者のアクセス許可。
- 少なくとも 500 人の顧客プロファイル、1,000 人を超える一意の顧客が望ましいです。
- 顧客識別子、トランザクションを顧客と照合する一意識別子。
- 2 年から 3 年分のトランザクション履歴など、選択した時間枠の少なくとも 2 倍のトランザクション データ。 理想的には、顧客ごとに少なくとも 2 つのトランザクション。 取引履歴には以下が含まれている必要があります:
- トランザクション ID: 購入またはトランザクションの一意識別子。
- トランザクションの日付: 購入またはトランザクションの日付。
- トランザクションの値 :トランザクションの通貨/数値。
- 一意の製品 ID: データが品目レベルの場合は、購入した製品またはサービスの ID。
- このトランザクションが返品かどうか: トランザクションが返品かどうかを識別する true/false フィールド。 トランザクションの値 がマイナスの場合、こ返品を推測します。
- 顧客活動データ:
- 顧客識別子、活動を顧客にマップする一意識別子。
- 主キー: アクティビティの一意識別子。 たとえば、Web サイトへのアクセスや、顧客が製品のサンプルを試したことを示す使用記録などです。
- タイムスタンプ: 主キーで識別されるイベントの日時。
- イベント: 使用するイベントの名前。 たとえば、食料品店の "UserAction" というフィールドは、顧客が使用するクーポンである可能性があります。
- 詳細 : イベントの詳細情報。 たとえば、食料品店の "CouponValue" というフィールドは、クーポンの通貨値である可能性があります。
- 指定されたテーブルのデータ フィールドの不足値が 20% 未満。
トランザクション離反の予測を作成する
分析情報>予測 に移動します。
作成 タブで 顧客離反モデル タイルの モデルを使用 を選択します。
離反のタイプに トランザクション を選択し、開始する を選択します。
他のモデルまたはテーブルと区別するための このモデルに名前を付ける と 出力テーブル名。
次へを選択します。
顧客離反の定義
いつでも 下書きを保存 を選択して、予測をドラフトとして保存します。 ドラフト予測は 自分の予測 タブに表示されます。
予測ウィンドウ を設定する。 たとえば、今後 90 日間の顧客の解約リスクを予測して、マーケティング保持の取り組みに合わせます。 解約リスクを長い期間または短い期間で予測すると、解約リスク プロファイルの要因に対処することがより困難になる可能性がありますが、それは特定のビジネス要件によって異なります。
チャーンを定義する日数を チャーンの定義 フィールドに入力します。 たとえば、顧客が過去 30 日間に一度も購入していない場合、ビジネスに対して解約されたと見なされる可能性があります。
次へ を選択します。
購入履歴の追加
顧客トランザクション履歴 の データの追加 を選択します。
トランザクション履歴情報を含む、セマンティック活動タイプ (SalesOrder または SalesOrderLine) を選択します。 アクティビティが設定されていない場合は、こちら を選択し、作成します。
活動 で、活動の作成時に活動属性がセマンティックにマップされた場合は、計算の対象となる特定の属性またはテーブルを選択します。 セマンティック マッピングが行われなかった場合は、編集 を選択してデータをマッピングします。
次へ を選択し、このモデルに必要な属性を確認します。
保存 を選びます。
さらに活動を追加するか、次へ を選択します。
さらにデータを追加する (オプション)
顧客活動 の データの追加 を選択します。
使用するデータを含むセマンティック活動タイプを選択します。 活動が設定されていない場合は、こちら を選択して作成します。
活動 で、活動の作成時に活動属性がセマンティックにマップされた場合は、計算の対象となる特定の属性またはテーブルを選択します。 セマンティック マッピングが行われなかった場合は、編集 を選択してデータをマッピングします。
次へ を選択し、このモデルに必要な属性を確認します。
保存 を選びます。
次へを選択します。
スケジュールの更新を設定する
データ更新 ステップで、モデルを再トレーニングする頻度を選択します。 この設定は、新しいデータが取り込まれるときに、予測の精度を更新するために重要です。 多くの企業は、月に1度再トレーニングして、予測の精度を高めることができます。
次へ を選択します。
モデル構成を確認して実行します
確認して実行 ステップでは、構成の概要が表示され、予測を作成する前に変更を加えることができます。
確認して変更を加えるには、手順のいずれかで編集 を選択します。
選択に問題がなければ、保存して実行 を選択してモデルの実行を開始します。 完了 を選択します。 自分の予測 タブは、予測の作成中に表示されます。 予測で使用されるデータの量によっては、プロセスの完了までに数時間かかる場合があります。
ヒント
タスクやプロセスの状態 があります。 ほとんどのプロセスは、データ ソースやデータ プロファイル更新 などの他の上流プロセスに依存しています。
状態を選択して プロセス詳細 ペインを開き、タスクの進行状況を表示します。 ジョブをキャンセルするには、ペインの下部のジョブをキャンセルするを選択します
各タスクの下で、処理時間、最終処理日、タスクまたはプロセスに関連する該当エラーや警告など、詳細な進捗情報について 詳細を表示 を選択します。 パネル下部のシステムの状態を見るを選択すると、システム内の他のプロセスを見ることができます。
予測の結果を表示する
分析情報>予測 に移動します。
自分の予測 タブで表示する予測を選択します。
結果ページには、3つの主要なデータ セクションがあります。
トレーニング モデルのパフォーマンス: グレード A、B、C は、予測のパフォーマンスを示し、出力テーブルに格納された結果を使用するかどうかを決定するのに役立ちます。
グレードは次のルールに基づいて決定されます。
- A モデルが予測全体の少なくとも 50% を正確に予測した場合、および解約した顧客の正確な予測の割合がベースライン率より少なくとも 10% 大きい場合。
- B モデルが予測全体の少なくとも 50% を正確に予測した場合、および解約した顧客の正確な予測の割合がベースラインより最大 10% 大きい場合。
- C モデルが予測全体の 50% 未満を正確に予測した場合、または解約した顧客の正確な予測の割合がベースラインより少ない場合。
- ベースライン は、モデルの予測時間枠の入力 (たとえば、1 年) を取得し、1 か月以下に達するまで 2 で割ることにより、さまざまな時間の割合を作成します。 これらの割合を使用して、この期間に購入していない顧客向けのビジネス ルールを作成します。 これらの顧客は解約されたと見なされます。 誰が解約する可能性が高いかを予測する最も高い能力を持つ時間ベースのビジネス ルールが、ベースライン モデルとして選択されます。
離反の可能性 (顧客数) :離反の予測リスクに基づく顧客のグループ。 オプションで、解約リスクの高い 顧客のセグメントを作成 します。 このようなセグメントは、セグメント メンバーの停止がどこにあるべきかを理解するのに役立ちます。
最も影響力のある要因 :予測を作成する際には、様々な要素が考慮されています。 各因子には、モデルが作成する集計された予測に対して計算された重要度があります。 これらの係数を使用して、予測結果を検証します。 あるいは、この情報を後で使用して、顧客の解約リスクに影響を与える可能性のある セグメントを作成する こともできます。
メモ
このモデルの出力テーブルでは、ChurnScore は離反の予測確率を示し、IsChurn は ChurnScore に基づく 0.5 のしきい値を持つバイナリ ラベルです。 この既定のしきい値がシナリオで機能しない場合は、任意のしきい値で 新しいセグメントを作成 します。 すべての顧客が必ずしもアクティブな顧客であるとは限りません。 中には、長い間活動をしておらず、離反定義に基づいて、すでに離反していると考えられる顧客もいます。 すでに離反している顧客の離反リスクを予測することは、関心対象ユーザーではないため有用ではありません。
チャーン スコアを表示するには、データ>テーブル に移動し、このモデルに定義した出力テーブルのデータ タブを表示します。