Del via

Forutsi abonnementsfrafall

  • Artikkel

Du kan forutsi om en kunde er i faresonen for ikke lenger å bruke selskapets abonnementsprodukter eller regelmessige tjenester. Abonnementsdata inkluderer aktive og inaktive abonnementer for hver kunde, slik at det kan være flere oppføringer per kunde-ID. Hvis du vil finne frafallsrisikoen for kunder som ikke foretar planlagte kjøp, kan du bruke modellen for transaksjonsfrafall.

Du må ha forretningskunnskap for å forstå hva frafall betyr for bedriften din. En virksomhet med årlige arrangementer kan for eksempel definere sine årlige arrangementer målt i år, mens en virksomhet som henvender seg til ukentlige salg, kan måle frafall i måneder. Vi støtter tidsbaserte frafallsdefinisjoner, noe som betyr at en kunde anses å ha frafalt et tidsrom etter at abonnementet er avsluttet.

Contoso tilbyr for eksempel en månedlig kaffetjeneste. De vil vite hvilke kunder som kan stille spørsmål ved fornyelse av tjenesten, slik at de kan tilby rabatt. Via modellen for abonnementsfrafall kan Contoso se hvilke kunder som kanskje ikke fornyer tjenesten neste år, og hvor stor andel dette kan være.

Tips

Prøv prediksjon av abonnementsfrafall ved hjelp av eksempeldata: Eksempelveiledning for prediksjon av abonnementsfrafall.

Forutsetning

  • Minst bidragsytertillatelser.
  • Minst 1 000 kundeprofiler i det ønskede prognosevinduet.
  • Kundeidentifikator, en unik identifikator for å samsvare abonnementer med kundene.
  • Abonnementsdata for minst det dobbelte av det valgte tidsvinduet. Fortrinnsvis to til tre år med abonnementsdata. Abonnementsloggen må inneholde følgende:
    • Abonnements-ID: Unik identifikator for et abonnement.
    • Sluttdato for abonnement: Dato da abonnementet utløper for kunden.
    • Startdato for abonnement: Dato når abonnementet starter for kunden.
    • Transaksjonsdato: Dato da en abonnementsendring skjedde. For eksempel en kunde som kjøper eller annullerer et abonnement.
    • Er det et gjentakende abonnement: Boolsk true/false-felt som avgjør om abonnementet skal fornyes med samme abonnements-ID uten kunde innblanding
    • Regelmessighetshyppighet (i måneder): For gjentakende abonnementer er det måneden abonnementet fornyes. Et årlig abonnement som automatisk fornyer for en kunde hvert år for et nytt år, har for eksempel verdien 12.
    • Abonnementsbeløp: Valutabeløpet en kunde betaler for fornyelse av abonnementet. Den kan hjelpe deg med å identifisere mønstre for forskjellige abonnementsnivåer.
  • Minst to aktivitetsoppføringer for 50 % av kundene du vil beregne frafall for. Kundeaktiviteter må omfatte følgende:
    • Primærnøkkel: Unik identifikator for en aktivitet. For eksempel et besøk på et nettsted eller en bruksoppføring som viser at kunden viste et TV-program.
    • Tidsstempel: Dato og klokkeslett for hendelsen som er identifisert ved hjelp av primærnøkkelen.
    • Hendelse: Navnet på hendelsen du vil bruke. Et felt kalt "UserAction" i en strømmevideotjeneste kan for eksempel ha verdien "Vist".
    • Detaljer: Detaljert informasjon om hendelsen. Et felt kalt "ShowTitle" i en strømmevideotjeneste kan for eksempel ha verdien for en video som kunden har sett på.
  • Mindre enn 20 % av manglende verdier i datafeltet for den angitte tabellen.

Opprette en forutsigelse av abonnementsfrafall

Velg Lagre utkast når som helst for å lagre prediksjonen som utkast. Ukastprediksjonen vises i fanen Mine prediksjoner.

  1. Gå til Innsikt>Prediksjoner.

  2. Velg Bruk modell på flisen Modell for kundefrafall i Opprett-fanen.

  3. Velg Abonnement for frafallstypen og deretter Kom i gang.

  4. Gi navn til denne modellen og Navn på utdatatabellen for å skille dem fra andre modeller eller tabeller.

  5. Velg Neste.

Definer kundefrafall

  1. Angi et antall for Dager siden abonnement ble avsluttet som bedriften anser at en kunde er i frafalt tilstand. Denne perioden er vanligvis knyttet til forretningsaktiviteter som tilbud eller andre markedsføringstiltak som prøver å hindre at bedriften mister kunden.

  2. Angi antall Dager det skal søkes inn i fremtid for å forutsi frafall. Du kan for eksempel forutse risikoen for frafall for kundene dine i løpet av de neste 90 dagene, for å rette inn tiltak for å beholde kundene i markedsføringen. Å forutsi frafallsrisiko i lengre eller kortere perioder kan gjøre det vanskeligere å håndtere faktorene i profilen for frafallsrisiko, avhengig av dine spesielle forretningskrav.

  3. Velg Neste.

Legg til obligatoriske data

  1. Velg Legg til data for Abonnementslogg.

  2. Velg den semantiske aktivitetstypen Abonnement som inneholder den nødvendige abonnementslogginformasjonen. Hvis aktiviteten ikke er konfigurert, velger du her og oppretter den.

  3. Hvis aktivitetsattributtene ble tilordnet semantisk da aktiviteten ble opprettet, velger du de bestemte attributtene eller tabellen du vil at beregningen skal fokusere på, under Aktiviteter. Hvis semantisk tilordning ikke fant sted, velger du Rediger og tilordner dataene.

    Legg til nødvendige data for Modell for abonnementsfrafall

  4. Velg Neste, og se gjennom attributtene som kreves for denne modellen.

  5. Velg Lagre.

  6. Velg Legg til data for Kundeaktiviteter.

  7. Velg den semantiske aktivitetstypen som inneholder kundeaktivitetsinformasjon. Hvis aktiviteten ikke er konfigurert, velger du her og oppretter den.

  8. Hvis aktivitetsattributtene ble tilordnet semantisk da aktiviteten ble opprettet, velger du de bestemte attributtene eller tabellen du vil at beregningen skal fokusere på, under Aktiviteter. Hvis semantisk tilordning ikke fant sted, velger du Rediger og tilordner dataene.

  9. Velg Neste, og se gjennom attributtene som kreves for denne modellen.

  10. Velg Lagre.

  11. Legg til flere aktiviteter, eller velg Neste.

Angi oppdateringstidsplan

  1. Velg hyppigheten for å lære opp modellen på nytt. Denne innstillingen er viktig for å oppdatere nøyaktigheten til prognoser når nye data hentes inn. De fleste virksomheter kan gjenopplære én gang i måneden og få god nøyaktighet for prognosen.

  2. Velg Neste.

Se gjennom og kjøre modellkonfigurasjonen

Trinnet Se gjennom og kjør viser et sammendrag av konfigurasjonen og lar deg gjøre endringer før du oppretter prediksjonen.

  1. Velg Rediger i et av trinnene for å se gjennom og gjøre endringer.

  2. Hvis du er fornøyd med valgene dine, velger du Lagre og kjør for å starte å kjøre modellen. Velg Ferdig. Fanen Mine prediksjoner vises mens prediksjon opprettes. Det kan ta flere timer før prosessen er fullført, avhengig av mengden data som brukes i forutsigelsen.

Tips

Det finnes statuser for oppgaver og prosesser. De fleste prosesser avhenger av andre oppstrømsprosesser, for eksempel datakilder og oppdatering av dataprofilering.

Velg statusen for å åpne Fremdriftsdetaljer-ruten og vise fremgangen for oppgaver. Hvis du vil avbryte jobben, velger du Avbryt jobb nederst i ruten.

Under hver oppgave kan du velge Se detaljer for mer fremdriftsinformasjon, for eksempel behandlingstid, siste behandlingsdato og eventuelle relevante feil og advarsler som er tilknyttet oppgaven eller prosessen. Velg Vis systemstatus nederst i panelet for å vise andre prosesser i systemet.

Vis prediksjonsresultater

  1. Gå til Innsikt>Prediksjoner.

  2. I fanen Mine prediksjoner velger du prediksjonen du vil vise.

Det er tre hoveddeler med data på resultatsiden:

  • Ytelse for opplæringsmodell: Graderingene A, B eller C angir ytelsen til prediksjonen og kan hjelpe deg å ta beslutningen om å bruke resultatene som er lagret i utdatatabellen.

    Bilde av boksen med informasjon om modellpoengsum med vurdering A.

    Vurderinger fastsettes basert på følgende regler:

    • A Når modellen har forutsett nøyaktig minst 50 % av de totale prognosene, og når prosentandelen av nøyaktige prognoser for kunder som har frafalt, er større enn den historiske gjennomsnittlige frafallsfrekvensen med minst 10 %.
    • B Når modellen har forutsett nøyaktig minst 50 % av de totale prognosene, og når prosentandelen av nøyaktige prognoser for kunder som har frafalt, er opptil 10 % større enn den historiske gjennomsnittlige frafallsfrekvensen.
    • C Når modellen nøyaktig har forutsagt mindre enn 50 % av de totale prognoser, eller når prosentandelen av nøyaktige prognoser for kunder som har frafalt, er mindre enn den historiske gjennomsnittlige frafallsfrekvensen.

  • Sannsynligheten for frafall (antall kunder): Grupper av kunder basert på den predikerte risikoen for frafall. Du kan eventuelt opprette kundesegmenter med høy frafallsrisiko. Slike segmenter hjelper deg med å forstå hvor grensen bør gå for segmentmedlemskap.

    Diagram som viser fordeling av frafallsresultater, delt opp i områder fra 0 til 100 %

  • Mest innflytelsesrike faktorer: Det er mange faktorer du må ta hensyn til når du oppretter forutsigelsen. Hver av faktorene har sin viktighet beregnet for de aggregerte prognosene som en modell oppretter. Bruk disse faktorene til å validere forutsigelsesresultatene. Eller bruk denne informasjonen senere til å opprette segmenter som kan ha innvirkning på frafallsrisiko for kunder.

    Liste med innflytelsesrike faktorer og viktigheten av dem, for å forutsi frafallsresultatet.

Merk

I utdatatabellen for denne modellen er ChurnScore den anslåtte sannsynligheten for frafall, og IsChurn er en binær etikett basert på ChurnScore med en terskel på 0,5. Hvis denne standardterskelen ikke fungerer for scenarioet ditt, oppretter du et nytt segment med den foretrukne terskelen. Hvis du vil vise frafallspoengsummen, går du til Data>Tabeller og viser datafanen for utdatatabellen du definerte for denne modellen.