트랜잭션 이탈 예측

트랜잭션 이탈 예측은 고객이 주어진 기간 내에 더 이상 제품이나 서비스를 구매하지 않을 것인지 예측하는 데 도움이 됩니다. 트랜잭션 이탈은 정의된 이탈 기간 동안 언제든지 더 이상 제품을 구매하지 않는 고객을 찾는 데 유용합니다. 미리 설정된 지속적인 구매를 취소할 수 있는 고객을 찾으려면 구독 이탈 모델을 사용하는 것이 좋습니다.

이탈이 비즈니스에 미치는 영향을 이해하는 비즈니스 지식이 있어야 합니다. 예를 들어, 연례 이벤트가 있는 기업은 이탈을 연 단위로 측정하는 반면, 주간 판매를 제공하는 기업은 이탈을 월 단위로 측정할 수 있습니다. Microsoft는 고객이 구매하지 않은 기간 후에 이탈한 것으로 간주됨을 의미하는 시간 기반 이탈 정의를 지원합니다.

예를 들어 Contoso는 고객이 보존 전용 이메일 캠페인에 얼마나 참여하는지 알고 싶어합니다. Contoso의 고객은 다양한 방식으로 매장을 방문하며, 대부분 한 달에 3~4회 정도 방문합니다. 트랜잭션이 불규칙하므로 고객이 Contoso 브랜드 구매를 중단하는 시기를 판단하기 어렵습니다. Contoso는 거래 이탈 모델을 통해 고객이 다시 구매할 가능성을 확인할 수 있습니다. 고객이 브랜드를 떠나게 만드는 주요 패턴을 확인하여 다른 전략을 조정할 수 있습니다.

전제 조건

• 최소한 기여자 권한이 있어야 합니다.
• 최소 500개의 고객 프로필, 고유 고객 수 1,000명 이상이 바람직함.
• 고객 식별자, 트랜잭션을 고객과 일치시키는 고유 식별자.
• 2~3년의 거래 기록과 같이 선택된 기간의 최소 두 배에 대한 트랜잭션 데이터. 이상적으로는 고객당 두 번 이상의 거래. 트랜잭션 기록에는 다음이 포함되어야 합니다.
  • 트랜잭션 ID: 구매 또는 트랜잭션의 고유 식별자입니다.
  • 트랜잭션 날짜: 구매 또는 트랜잭션 날짜입니다.
  • 트랜잭션 금액: 거래의 통화 또는 숫자 금액입니다.
  • 고유 제품 ID: 데이터가 항목 수준에 있는 경우 구매한 제품 또는 서비스의 ID입니다.
  • 이 트랜잭션이 반품인지 여부: 트랜잭션이 반품인지 여부를 식별하는 참/거짓 필드입니다. 트랜잭션 금액이 음수이면 반환을 유추합니다.
• 고객 활동 데이터:
  • 고객 식별자, 활동을 고객에게 매핑하기 위한 고유 식별자입니다.
  • 기본 키: 활동의 고유 식별자입니다. 예를 들어 웹 사이트 방문 또는 고객이 제품 샘플을 시도했음을 보여주는 사용 기록입니다.
  • 타임스탬프: 기본 키로 식별된 이벤트 날짜 및 시간입니다.
  • 이벤트: 사용하려는 이벤트 이름입니다. 예를 들어 식료품점에서 'UserAction'이라는 필드는 고객이 사용하는 쿠폰일 수 있습니다.
  • 세부 정보: 이벤트에 대한 자세한 정보입니다. 예를 들어 식료품점에서 "CouponValue"라는 필드가 쿠폰의 통화 값일 수 있습니다.
• 제공된 테이블의 데이터 필드에서 누락된 값의 20% 미만입니다.

트랜잭션 이탈 예측 만들기

1. 인사이트>예측으로 이동합니다.

2. 만들기 탭의 고객 이탈 모델 타일에서 모델 사용을 선택합니다.

3. 이탈 유형으로 구독을 선택한 다음 트랜잭션을 선택합니다.

4. 이 모델 이름 및 출력 테이블 이름을 지정하여 다른 모델이나 테이블과 구별합니다.

5. 다음을 선택합니다.

고객 이탈 정의

언제든지 임시 저장을 선택하여 예측을 초안으로 저장합니다. 초안 예측은 내 예측 탭에 표시됩니다.

1. 예측 기간을 설정합니다. 예를 들어 마케팅 유지 노력에 맞춰 향후 90일 동안 고객의 이탈 위험을 예측할 수 있습니다. 더 길거나 더 짧은 기간 동안 이탈 위험을 예측하면 이탈 위험 프로필의 요인을 해결하기가 더 어려워질 수 있지만 특정 비즈니스 요구 사항에 따라 다릅니다.

2. 이탈 정의 필드에 이탈을 정의할 일수를 입력합니다. 예를 들어 지난 30일 동안 구매한 적이 없는 고객은 비즈니스를 위해 이탈한 것으로 간주될 수 있습니다.

3. 다음을 선택합니다.

구매 기록 추가

1. 고객 트랜잭션 기록에 대해 데이터 추가를 선택합니다.

2. 거래 기록 정보가 포함된 의미 활동 유형 SalesOrder 또는 SalesOrderLine를 선택합니다. 활동이 설정되지 않은 경우 여기를 선택하여 만드십시오.

3. 활동에서, 활동이 생성될 때 활동 특성이 의미적으로 매핑된 경우 계산에 집중할 특정 특성 또는 테이블을 선택합니다. 의미 매핑이 발생하지 않은 경우 편집을 선택하고 데이터를 매핑하세요.

   

4. 다음을 선택하고 이 모델에 필요한 속성을 검토합니다.

5. 저장을 선택합니다.

6. 활동을 더 추가하거나 다음을 선택합니다.

더 많은 데이터 추가(선택 사항)

1. 고객 활동에 대한 데이터 추가를 선택합니다.

2. 사용하려는 데이터가 포함된 의미 활동 유형을 선택합니다. 활동이 설정되지 않은 경우 여기를 선택하여 만듭니다.

3. 활동에서, 활동이 생성될 때 활동 특성이 의미적으로 매핑된 경우 계산에 집중할 특정 특성 또는 테이블을 선택합니다. 의미 매핑이 발생하지 않은 경우 편집을 선택하고 데이터를 매핑하세요.

4. 다음을 선택하고 이 모델에 필요한 속성을 검토합니다.

5. 저장을 선택합니다.

6. 다음을 선택합니다.

업데이트 일정 설정

1. 데이터 업데이트 단계의 경우 모델을 재학습할 빈도를 선택합니다. 이 설정은 새 데이터가 수집될 때 예측의 정확성을 업데이트하는 데 중요합니다. 대부분의 비즈니스는 한 달에 한 번 재교육을 받고 예측의 정확도를 높일 수 있습니다.

2. 다음을 선택합니다.

모델 구성 검토 및 실행

검토 및 실행 단계는 구성 요약을 보여주고 예측을 만들기 전에 변경할 수 있는 기회를 제공합니다.

1. 검토하고 변경할 단계에서 편집을 선택합니다.

2. 선택 사항에 만족하면 저장 및 실행을 선택하여 모델 실행을 시작합니다. 완료를 선택합니다. 예측이 생성되는 동안 내 예측 탭이 표시됩니다. 예측에 사용된 데이터 양에 따라 프로세스를 완료하는 데 몇 시간이 걸릴 수 있습니다.

팁

작업 및 프로세스에 대한 상태가 있습니다. 대부분의 프로세스는 데이터 원본 및 데이터 프로파일링 새로 고침과 같은 다른 업스트림 프로세스에 의존합니다.

상태를 선택하여 진행 세부 정보 창을 열고 작업 진행 상황을 봅니다. 작업을 취소하려면 창 하단에서 작업 취소를 선택합니다.

각 작업 아래에서 처리 시간, 마지막 처리 날짜, 작업 또는 프로세스와 관련된 해당 오류 및 경고와 같은 자세한 진행 정보를 보려면 세부 정보 보기를 선택합니다. 시스템의 다른 프로세스를 보려면 패널 하단에서 시스템 상태 보기를 선택합니다.

예측 결과 보기

1. 인사이트>예측으로 이동합니다.

2. 내 예측 탭에서 보려는 예측을 선택합니다.

결과 페이지에는 세 가지 기본 데이터 섹션이 있습니다.

• 학습 모델 성능: A, B 또는 C 등급은 예측의 성능을 나타내며 출력 테이블에 저장된 결과를 사용하기로 결정하는 데 도움이 될 수 있습니다.

  등급은 다음 규칙에 따라 결정됩니다.

  • A 모델이 총 예측의 50% 이상을 정확하게 예측하고 이탈한 고객에 대한 정확한 예측 비율이 기준 비율보다 10% 이상 큰 경우.
  • B 모델이 전체 예측의 50% 이상을 정확하게 예측하고 이탈한 고객에 대한 정확한 예측 비율이 기준선보다 최대 10% 큰 경우.
  • C 모델이 전체 예측의 50% 미만을 정확하게 예측했거나 이탈한 고객에 대한 정확한 예측의 비율이 기준 미만인 경우.
  • 기본은 모델에 대한 예측 시간 창에 입력(예: 1년)하고 1개월 이하에 도달할 때까지 이를 2로 나누어 다른 시간 비율을 생성합니다. 이 분수를 사용하여 이 기간 내에 구매하지 않은 고객에 대한 비즈니스 규칙을 만듭니다. 이러한 고객은 이탈한 것으로 간주됩니다. 이탈 가능성이 높은 사람을 가장 잘 예측할 수 있는 시간 기반 비즈니스 규칙이 기준 모델로 선택됩니다.

• 이탈 가능성(고객 수): 고객 이탈 위험 예측에 기반한 고객 그룹입니다. 선택적으로, 이탈 위험이 높은 고객 세그먼트를 생성합니다. 이러한 세그먼트는 세그먼트 멤버십을 위한 컷오프 위치를 이해하는 데 도움이 됩니다.

• 가장 영향력 있는 요소: 예측을 만들 때 고려해야 할 요소가 많이 있습니다. 각 요인에는 모델이 생성하는 집계된 예측에 대해 계산된 중요도가 있습니다. 이러한 요소를 사용하여 예측 결과를 검증합니다. 또는 나중에 이 정보를 사용하여 고객의 이탈 위험에 영향을 줄 수 있는 세그먼트 생성을 사용하십시오.

노트

이 모델의 출력 테이블에서 ChurnScore는 예상되는 이탈 확률을 보여주며 IsChurn은 임계값이 0.5인 ChurnScore를 기반으로 하는 이진 레이블입니다. 이 기본 임계값이 시나리오에서 작동하지 않으면 원하는 임계값으로 새 세그먼트를 생성하십시오. 모든 고객이 반드시 활성 고객인 것은 아닙니다. 일부는 오랫동안 활동이 없었을 수 있으며 이탈 정의에 따라 이미 이탈한 것으로 간주됩니다. 이미 이탈한 고객에 대해 이탈 위험을 예측하는 것은 관심 대상이 아니기 때문에 유용하지 않습니다.

이탈 점수를 보려면 데이터>테이블로 이동하여 이 모델에 대해 정의한 출력 테이블에 대한 데이터 탭을 봅니다.