Forutsi abonnementsfrafall

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.

Å forstå hva churn betyr for virksomheten din hjelper deg å få nøyaktige prediksjoner. For eksempel kan en bedrift med årlige arrangementer definere churn i år, mens en bedrift med ukentlig salg kan måle churn i måneder. Systemet støtter tidsbaserte churn-definisjoner, så en kunde anses å ha churnet en bestemt periode etter at abonnementet avsluttes.

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.

Sammendrag av forutsetninger for data

Hvis du vil ha vanlige datakrav på tvers av alle prognosemodeller, kan du se Forutsetninger for data for prognosemodeller.

Forutsetninger

• 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:
  • Abonnementsidentifikasjon: 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 navnet 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 nødvendige 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.

   

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 av prognoser etter hvert som nye data inntas. De fleste bedrifter kan omskolere seg én gang i måneden og få en god nøyaktighet for prognosen.

2. Velg Neste.

Se gjennom og kjør modellkonfigurasjonen

Trinnet Se gjennom og kjør viser et sammendrag av konfigurasjonen og gir deg mulighet til å gjøre endringer før du oppretter prognosen.

1. Velg Rediger på noen av trinnene for å se gjennom og gjøre eventuelle endringer.

2. Hvis du er fornøyd med valgene dine, velger du Lagre og kjør for å starte å kjøre modellen. Velg Ferdig. Mine prognoser-fanen vises mens prognosen opprettes. Prosessen kan ta flere timer å fullføre, avhengig av mengden data som brukes i prognosen.

Vis prediksjonsresultater

1. Gå til Innsikt>Prediksjoner.

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

Resultatsiden viser tre hovedseksjoner med data:

• 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 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.

  

• Mest innflytelsesrike faktorer: Mange faktorer tas i betraktning når du lager din prediksjon. Hver faktor har sin betydning beregnet for de aggregerte prediksjonene en modell lager. Bruk disse faktorene til å validere prognoseresultatene. Eller bruk denne informasjonen senere til å opprette segmenter som kan ha innvirkning på frafallsrisiko for kunder.