หมายเหตุ
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลอง ลงชื่อเข้าใช้หรือเปลี่ยนไดเรกทอรีได้
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลองเปลี่ยนไดเรกทอรีได้
การคาดการณ์การเลิกใช้ธุรกรรมจะระบุลูกค้าที่มีแนวโน้มจะหยุดซื้อผลิตภัณฑ์หรือบริการของคุณภายในกรอบเวลาที่กําหนด ซึ่งเรียกว่ากรอบเวลาการเลิกใช้บริการ หากต้องการค้นหาลูกค้าที่อาจยกเลิกการซื้อต่อเนื่องที่ตั้งไว้ล่วงหน้าแทน ให้ใช้รูปแบบการเลิกใช้การสมัครใช้งาน
การทําความเข้าใจว่าการเลิกใช้บริการมีความหมายต่อธุรกิจของคุณอย่างไรจะช่วยให้คุณกําหนดค่าการคาดการณ์ที่แม่นยําได้ ตัวอย่างเช่น ธุรกิจที่มีกิจกรรมประจำปีสามารถกำหนดการเลิกใช้บริการโดยวัดเป็นปี ในขณะที่ธุรกิจที่มีการขายรายสัปดาห์จะวัดการเลิกใช้บริการเป็นเดือน ระบบรองรับคําจํากัดความการเลิกใช้บริการตามเวลา ซึ่งหมายความว่าลูกค้าจะถือว่าเลิกใช้บริการหลังจากไม่มีการซื้อเป็นระยะเวลาหนึ่ง
ตัวอย่างเช่น Contoso ต้องการทราบว่าลูกค้ามีส่วนร่วมอย่างไรกับแคมเปญอีเมลที่มีไว้เพื่อการรักษาลูกค้าโดยเฉพาะ ลูกค้าของ Contoso เยี่ยมชมหน้าร้านตามตัวแปร ซึ่งส่วนใหญ่มักจะประมาณ 3-4 ครั้งต่อเดือน ธุรกรรมของพวกเขาไม่สม่ำเสมอ ทำให้ยากต่อการระบุว่าลูกค้าหยุดซื้อแบรนด์ Contoso เมื่อใด ด้วยโมเดลการเลิกใช้บริการธุรกรรม Contoso สามารถกำหนดแนวโน้มที่ลูกค้าจะซื้ออีกครั้งได้ พวกเขาสามารถมองเห็นรูปแบบการละทิ้งที่นำไปสู่การที่ลูกค้าละทิ้งแบรนด์ ทำให้พวกเขาสามารถปรับกลยุทธ์อื่นๆ ได้
สรุปข้อกําหนดเบื้องต้นของข้อมูล
สําหรับข้อกําหนดของข้อมูลทั่วไปในแบบจําลองการคาดการณ์ทั้งหมด ดูข้อกําหนดเบื้องต้นของข้อมูลสําหรับแบบจําลองคาดการณ์
ข้อกําหนดเบื้องต้น
- อย่างน้อยมี สิทธิ์ของผู้สนับสนุน
- โปรไฟล์ลูกค้าอย่างน้อย 500 ราย ควรมีลูกค้ามากกว่า 1,000 รายที่ไม่ซ้ำกัน
- รหัสลูกค้า: รหัสเฉพาะเพื่อจับคู่ธุรกรรมกับลูกค้าของคุณ
- ข้อมูลธุรกรรมอย่างน้อยสองเท่าของกรอบเวลาที่เลือก เช่น ประวัติการทำธุรกรรมสองถึงสามปี ตามหลักการแล้ว ธุรกรรมอย่างน้อยสองรายการขึ้นไปต่อลูกค้า ประวัติธุรกรรมต้องรวมถึง:
- รหัสธุรกรรม: รหัสเฉพาะของการซื้อหรือธุรกรรม
- วันที่ทำธุรกรรม: วันที่ของการซื้อหรือธุรกรรม
- มูลค่าของธุรกรรม: สกุลเงินหรือมูลค่าที่เป็นตัวเลขของธุรกรรม
- รหัสผลิตภัณฑ์เฉพาะ: รหัสของผลิตภัณฑ์หรือบริการที่ซื้อหากข้อมูลของคุณอยู่ในระดับสินค้าในรายการ
- การทำธุรกรรมนี้เป็นการคืนสินค้าหรือไม่: ฟิลด์จริง/เท็จที่ระบุว่าธุรกรรมเป็นการส่งคืนหรือไม่ ถ้า มูลค่าของธุรกรรม เป็นลบ เราจะอนุมานการส่งคืน
- ข้อมูลกิจกรรมของลูกค้า:
- รหัสลูกค้า: รหัสเฉพาะเพื่อแมปกิจกรรมกับลูกค้าของคุณ
- คีย์หลัก: รหัสเฉพาะสำหรับกิจกรรม ตัวอย่างเช่น การเยี่ยมชมเว็บไซต์หรือเรกคอร์ดการใช้งานที่แสดงว่าลูกค้าได้ลองใช้ตัวอย่างผลิตภัณฑ์ของคุณ
- ประทับเวลา: วันที่และเวลาของเหตุการณ์ที่ระบุโดยคีย์หลัก
- เหตุการณ์: ชื่อของกลุ่มเหตุการณ์ที่คุณต้องการใช้ ตัวอย่างเช่น ฟิลด์ที่ชื่อว่า "UserAction" ในร้านขายของชำอาจเป็นคูปองที่ลูกค้าใช้
- รายละเอียด: ข้อมูลรายละเอียดเกี่ยวกับเหตุการณ์ ตัวอย่างเช่น ฟิลด์ที่ชื่อว่า "CouponValue" ในร้านขายของชำอาจเป็นมูลค่าสกุลเงินของคูปอง
- น้อยกว่า 20% ของค่าที่ขาดหายไปในฟิลด์ข้อมูลของตารางที่ระบุ
สร้างการคาดคะเนการเลิกทำธุรกรรม
ไปที่ ข้อมูลเชิงลึก>การคาดคะเน
บนแท็บ สร้าง เลือก ใช้แบบจำลอง บนไทล์ แบบจำลองการเลิกใช้บริการของลูกค้า
เลือก ธุรกรรม สำหรับชนิดของการเลิกใช้บริการแล้ว เริ่มต้นใช้งาน
ตั้งชื่อแบบจําลองนี้ และ ชื่อตารางผลลัพธ์ เพื่อแยกความแตกต่างจากแบบจําลองหรือตารางอื่น
เลือก ถัดไป
กำหนดการเลิกใช้บริการของลูกค้า
เลือก บันทึกแบบร่าง ได้ตลอดเวลาเพื่อบันทึกการคาดการณ์เป็นแบบร่าง การคาดการณ์แบบร่างจะแสดงในแท็บ การคาดการณ์ของฉัน
ตั้งค่า กรอบเวลาการคาดคะเน ตัวอย่างเช่น คาดคะเนความเสี่ยงที่ลูกค้าจะเลิกใช้บริการใน 90 วันข้างหน้าเพื่อให้สอดคล้องกับความพยายามในการรักษาลูกค้าทางการตลาดของคุณ การคาดคะเนความเสี่ยงของการเลิกใช้บริการเป็นระยะเวลานานขึ้นหรือสั้นลงอาจทำให้ยากต่อการระบุปัจจัยในโปรไฟล์ความเสี่ยงของการเลิกใช้บริการ แต่ขึ้นอยู่กับข้อกำหนดทางธุรกิจเฉพาะ
ป้อนจำนวนวันเพื่อกำหนดการเลิกใช้บริการในฟิลด์ คำนิยามการเลิกใช้บริการ ตัวอย่างเช่น หากลูกค้าไม่ได้มีการซื้อใดๆ ในช่วง 30 วันที่ผ่านมา พวกเขาอาจได้รับการพิจารณาว่าเลิกใช้บริการสำหรับธุรกิจของคุณ
เลือก ถัดไป
เพิ่มประวัติการซื้อ
เลือกเพิ่มข้อมูลสําหรับประวัติธุรกรรมของลูกค้า
เลือกชนิดกิจกรรมเชิงความหมาย SalesOrder หรือ SalesOrderLine ที่มีข้อมูลประวัติการทำธุรกรรม หากยังไม่ได้ตั้งค่ากิจกรรม ให้เลือก ที่นี่ และสร้างกิจกรรมขึ้นมา
ภายใต้ กิจกรรม ถ้ามีการแมปแอตทริบิวต์กิจกรรมในเชิงความหมายเมื่อสร้างกิจกรรม ให้เลือกแอตทริบิวต์หรือตารางเฉพาะที่คุณต้องการให้การคํานวณเน้น หากการแมปความหมายไม่เกิดขึ้น ให้เลือก แก้ไข และแมปข้อมูลของคุณ
เลือก ต่อไป และตรวจสอบคุณสมบัติที่จำเป็นสำหรับแบบจำลองนี้
เลือก บันทึก
เพิ่มกิจกรรมเพิ่มเติม หรือเลือก ถัดไป
เพิ่มข้อมูลเพิ่มเติม (ตัวเลือก)
เลือก เพิ่มข้อมูล สำหรับ กิจกรรมของลูกค้า
เลือกชนิดกิจกรรมเชิงความหมายที่มีข้อมูลที่คุณต้องการใช้ หากยังไม่ได้ตั้งค่ากิจกรรม ให้เลือก ที่นี่ และสร้างกิจกรรมขึ้นมา
ภายใต้ กิจกรรม ถ้ามีการแมปแอตทริบิวต์กิจกรรมในเชิงความหมายเมื่อสร้างกิจกรรม ให้เลือกแอตทริบิวต์หรือตารางเฉพาะที่คุณต้องการให้การคํานวณเน้น หากการแมปความหมายไม่เกิดขึ้น ให้เลือก แก้ไข และแมปข้อมูลของคุณ
เลือก ต่อไป และตรวจสอบคุณสมบัติที่จำเป็นสำหรับแบบจำลองนี้
เลือก บันทึก
เลือก ถัดไป
ตั้งค่ากําหนดเวลาอัปเดต
สำหรับขั้นตอน อัปเดตข้อมูล เลือกความถี่ในการฝึกแบบจำลองของคุณใหม่ การตั้งค่านี้เป็นสิ่งสําคัญในการอัปเดตความแม่นยําของการคาดการณ์เมื่อมีการนําเข้าข้อมูลใหม่ ธุรกิจส่วนใหญ่สามารถฝึกซ้ําได้หนึ่งครั้งต่อเดือนและได้รับความแม่นยําที่ดีสําหรับการคาดการณ์ของพวกเขา
เลือก ถัดไป
ตรวจสอบและรันการกำหนดค่าแบบจำลอง
ขั้นตอน ตรวจสอบและเรียกใช้ จะแสดงสรุปการกำหนดค่าและให้โอกาสในการเปลี่ยนแปลงก่อนที่คุณจะสร้างการคาดคะเน
เลือก แก้ไข บนขั้นตอนใด ๆ เพื่อตรวจสอบและทําการเปลี่ยนแปลง
หากคุณพอใจกับสิ่งที่คุณเลือก ให้เลือก บันทึกและเรียกใช้ เพื่อเริ่มรันโมเดล เลือก เสร็จสิ้น แท็บ การคาดคะเนของฉัน จะปรากฏขึ้นขณะสร้างการคาดคะเน กระบวนการนี้อาจใช้เวลาหลายชั่วโมงกว่าจะเสร็จสมบูรณ์ ทั้งนี้ขึ้นอยู่กับปริมาณข้อมูลที่ใช้ในการคาดคะเน
เคล็ดลับ
เลือกสถานะเพื่อเปิดบานหน้าต่าง รายละเอียดความคืบหน้า ซึ่งคุณสามารถดูความคืบหน้าของงานหรือเลือก ยกเลิกงาน เพื่อหยุดงาน
ดูผลลัพธ์การคาดการณ์
ไปที่ ข้อมูลเชิงลึก>การคาดคะเน
ในแท็บ การคาดการณ์ของฉัน ให้เลือกการคาดการณ์ที่คุณต้องการดู
มีข้อมูลหลักสามส่วนภายในหน้าผลลัพธ์:
ประสิทธิภาพของแบบจําลองการฝึก: เกรด A, B หรือ C ระบุประสิทธิภาพของการคาดการณ์และสามารถช่วยให้คุณตัดสินใจที่จะใช้ผลลัพธ์ที่จัดเก็บไว้ในตารางผลลัพธ์
เกรดจะถูกกําหนดตามกฎต่อไปนี้:
- A เมื่อโมเดลคาดคะเนแม่นยำอย่างน้อย 50% ของการคาดคะเนทั้งหมดและเมื่อเปอร์เซ็นต์ของการคาดคะเนที่แม่นยำสำหรับลูกค้าที่เลิกใช้บริการมากกว่าอัตราพื้นฐานอย่างน้อย 10%
- B เมื่อโมเดลคาดคะเนแม่นยำอย่างน้อย 50% ของการคาดคะเนทั้งหมดและเมื่อเปอร์เซ็นต์ของการคาดคะเนที่แม่นยำสำหรับลูกค้าที่เลิกใช้บริการมากกว่าอัตราพื้นฐานสูงสุด 10%
- C เมื่อโมเดลคาดคะเนแม่นยำน้อยกว่า 50% ของการคาดคะเนทั้งหมด หรือเมื่อเปอร์เซ็นต์ของการคาดคะเนที่แม่นยำสำหรับลูกค้าที่เลิกใช้บริการน้อยกว่าอัตราพื้นฐาน
- พื้นฐาน ใช้การป้อนข้อมูลกรอบเวลาการคาดคะเนสำหรับโมเดล (ตัวอย่างเช่น หนึ่งปี) และสร้างเศษส่วนของเวลาที่แตกต่างกันโดยหารด้วย 2 จนกว่าจะถึงหนึ่งเดือนหรือน้อยกว่านั้น โดยใช้เศษส่วนเหล่านี้เพื่อสร้างกฎธุรกิจสำหรับลูกค้าที่ไม่ได้ซื้อในกรอบเวลานี้ ลูกค้าเหล่านี้ถือว่าเลิกใช้บริการ กฎธุรกิจตามเวลาที่มีความสามารถสูงสุดในการคาดคะเนว่าใครมีแนวโน้มที่จะเลิกใช้บริการจะถูกเลือกเป็นโมเดลพื้นฐาน
โอกาสที่จะเลิกใช้บริการ (จำนวนลูกค้า): กลุ่มลูกค้าขึ้นอยู่กับความเสี่ยงที่คาดคะเนไว้ของการเลิกใช้บริการ หรือ สร้างเซ็กเมนต์ของลูกค้า ที่มีความเสี่ยงในการเลิกใช้บริการสูง เซ็กเมนต์ดังกล่าวช่วยให้เข้าใจว่าการตัดยอดของคุณควรเป็นอย่างไรสำหรับการเป็นสมาชิกเซ็กเมนต์
ปัจจัยที่มีอิทธิพลมากที่สุด: มีหลายปัจจัยที่นำมาพิจารณาเมื่อสร้างการคาดคะเนของคุณ ปัจจัยแต่ละอย่างมีความสำคัญในการคำนวณสำหรับการคาดคะเนแบบรวมที่โมเดลสร้าง ใช้ปัจจัยเหล่านี้เพื่อช่วยในการตรวจสอบผลลัพธ์การคาดการณ์ของคุณ หรือใช้ข้อมูลนี้ในภายหลังเพื่อ สร้างเซ็กเมนต์ ที่สามารถช่วยโน้มน้าวความเสี่ยงในการเลิกใช้บริการให้กับลูกค้า
โน้ต
ในตารางผลลัพธ์สำหรับโมเดลนี้ ChurnScore แสดงความน่าจะเป็นที่คาดคะเนไว้ของการเลิกใช้บริการ และ IsChurn เป็นป้ายชื่อไบนารีที่ยึดตาม ChurnScore ด้วยเกณฑ์ 0.5 หากค่าเกณฑ์เริ่มต้นนี้ใช้ไม่ได้กับสถานการณ์ของคุณ สร้างเซ็กเมนต์ใหม่ ด้วยเกณฑ์ที่คุณต้องการ ลูกค้าบางรายไม่จำเป็นต้องเป็นลูกค้าที่ใช้งานอยู่เสมอ บางรายการอาจไม่มีกิจกรรมใดๆ เป็นเวลานาน และถือว่าหลุดออกจากการใช้งานแล้วตามนิยามการหลุดออกจากการใช้งานของคุณ การคาดการณ์ความเสี่ยงในการเลิกใช้บริการสําหรับลูกค้าที่เลิกใช้บริการแล้วนั้นไม่มีประโยชน์เพราะพวกเขาไม่ใช่กลุ่มเป้าหมายที่สนใจ
หากต้องการดูคะแนนการเลิกใช้บริการ ให้ไปที่เอาต์พุต>> และดูแท็บข้อมูลสําหรับตารางผลลัพธ์ที่คุณกําหนดไว้สําหรับแบบจําลองนี้