Forutsi transaksjonsfrafall

Transaksjonsell frafallsprognose bidrar til å forutse om en kunde ikke lenger kjøper produktene eller tjenestene dine i et gitt tidsvindu. Transaksjonsfrafall er nyttig for å finne kunder som ikke lenger kjøper produkter, når som helst i det definerte frafallsvinduet. For å finne kunder som kan kansellere forhåndsangitte pågående kjøp, anbefaler vi å bruke abonnementsfrafallsmodellen.

Du må ha forretningskunnskap for å forstå hva frafall betyr for bedriften din. En bedrift med årlige hendelser kan for eksempel definere frafallet målt i år, mens en bedrift som henvender seg til ukentlig salg, måler frafall i måneder. Vi støtter tidsbaserte frafallsdefinisjoner, som betyr at en kunde anses å ha frafalt etter en periode der det ikke er kjøp.

Contoso vil for eksempel vite hvor engasjerte kunder er for en e-postkampanje som er dedikert til oppbevaring. Contosos kunder besøker en butikk på variabel basis, oftest rundt tre til fire ganger i måneden. Transaksjonene er uregelmessige, noe som gjør det vanskelig å avgjøre når en kunde slutter å kjøpe Contoso-merket. Gjennom modellen for transaksjonsfrafall kan Contoso fastsette sannsynligheten for at kundene kjøper på nytt. De kan se de ledende mønstrene som fører til at kunder forlater merket, noe som gjør at de kan justere andre strategier.

Forutsetning

• Minst bidragsytertillatelser.
• Minst 500 kundeprofiler, helst flere enn 1 000 unike kunder.
• Kundeidentifikator, en unik identifikator for å samsvare transaksjoner med kundene.
• Transaksjonsdata for minst det dobbelte av det valgte tidsvinduet, for eksempel transaksjonslogg for to til tre år. Ideelt sett minst to transaksjoner per kunde. Transaksjonsloggen må inneholde følgende:
  • Transaksjons-ID: Unik identifikator for et innkjøp eller en transaksjon.
  • Transaksjonsdato: Dato for innkjøpet eller transaksjonen.
  • Verdien av transaksjonen: Valutabeløpet eller det numeriske verdibeløpet for transaksjonen.
  • Unik produkt-ID: ID-en til produktet eller tjenesten som er kjøpt, hvis dataene er på et linjevarenivå.
  • Om denne transaksjonen var en tilbakeføring: Et true/false-felt som registrerer om transaksjonen var en retur eller ikke. Hvis Verdien av transaksjonen er negativ, utleder vi en retur.
• Kundeaktivitetsdata:
  • Kundeidentifikator, en unik identifikator for å tilordne aktiviteter til kunder.
  • Primærnøkkel: Unik identifikator for en aktivitet. Et besøk på et nettsted eller en bruksoppføring som for eksempel viser at kunden prøvde et prøveeksemplar av produktet ditt.
  • Tidsstempel: Dato og klokkeslett for hendelsen som er identifisert ved hjelp av primærnøkkelen.
  • Hendelse: Navnet på hendelsen du vil bruke. Et felt kalt "Brukerhandling" i en dagligvareforretning kan for eksempel være en kupong som brukes av kunden.
  • Detaljer: Detaljert informasjon om hendelsen. Et felt kalt "Kupongverdi" i et dagligvareforretning kan for eksempel være valutaverdien for kupongen.
• Mindre enn 20 % av manglende verdier i datafeltet for den angitte tabellen.

Opprette en prediksjon av transaksjonsfrafall

1. Gå til Innsikt>Prediksjoner.

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

3. Velg Transaksjon 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

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

1. Angi Prediksjonsvindu. 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 forutse frafallsrisiko for en lengre eller kortere tidsperiode kan gjøre det vanskeligere å håndtere faktorene i din frafallsrisikoprofil, men det avhenger av dine spesifikke forretningskrav.

2. Angi antallet dager som skal defineres som frafall, i feltet Frafallsdefinisjon. Hvis for eksempel en kunde ikke har gjort noen kjøp i løpet av de siste 30 dagene, kan de anses som frafalt for bedriften din.

3. Velg Neste.

Legg til kjøpshistorikk

1. Velg Legg til data for Historikk for kundetransaksjon.

2. Velg den semantiske aktivitetstypen SalesOrder eller SalesOrderLine, som inneholder transaksjonslogginformasjonen. 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.

   

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

5. Velg Lagre.

6. Legg til flere aktiviteter, eller velg Neste.

Legge til mer data (valgfritt)

1. Velg Legg til data for Kundeaktiviteter.

2. Velg den semantiske aktivitetstypen som inneholder dataene du vil bruke. 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.

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

5. Velg Lagre.

6. Velg Neste.

Angi oppdateringstidsplan

1. Velg hyppigheten for å lære opp modellen på nytt, i trinnet Dataoppdateringer. 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 prediksjonen.

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.

  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 grunnlinjen 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 grunnlinjen.
  • C Når modellen har forutsett nøyaktig mindre enn 50 % av de totale prognosene, eller når prosentandelen av nøyaktige prognoser for kunder som har frafalt, er mindre enn grunnlinjen.
  • Grunnlinje tar inndataene i tidsvinduets for prediksjonen for modellen (for eksempel ett år) og oppretter forskjellige fraksjoner av tiden ved å dele den på 2 til den når én måned eller mindre. Den bruker disse brøkene til å opprette en forretningsregel for kunder som ikke har kjøpt i denne tidsrammen. Disse kundene anses som frafalt. Den tidsbaserte forretningsregelen med høyest mulig evne til å forutse hvem som sannsynligvis vil frafalle, velges som grunnlinjemodellen.

• 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.

• 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.

Merk

I utdatatabellen for denne modellen viser 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. Ikke alle kunder er nødvendigvis aktive kunder. Noen av dem har kanskje ikke hatt noen aktivitet på lenge og anses som frafalt allerede, basert på din frafallsdefinisjon. Å forutsi frafallsrisiko for kunder som allerede er frafalt, er ikke nyttig fordi de ikke er en interessant målgruppe.

Hvis du vil vise frafallspoengsummen, går du til Data>Tabeller og viser datafanen for utdatatabellen du definerte for denne modellen.