Гвоздики латунные.
В 2020 году ИИ сильно раздувается, и каждый стартап утверждает, что использует его. Однако получение актуальных и чистых данных - это основная предпосылка для ИИ, которую многие организации не отметили.
Анализ оттока - это мощный пример использования ИИ, но вы не сможете построить точную модель оттока, если у вас нет достаточного количества высококачественных данных для подключаемого модуля.
Чтобы прояснить некоторые моменты, отток - это когда клиент прекращает обслуживание, и цель анализа оттока - эффективно бороться с оттоком и увеличивать удержание клиентов, что можно сделать с помощью обновлений продукта, индивидуального взаимодействия с клиентами, улучшения цен и т. Д. целевое привлечение пользователей и т. д.
Вот как получить данные, необходимые для построения точной модели оттока.
Создание набора данных
Мы хотим спрогнозировать отток. Итак, нам нужны исторические данные, в которых один столбец - отток. Это проблема двоичной классификации, поэтому метки для столбца оттока должны иметь вид «Да» или «Нет» (или «1», или «0», или любые другие метки класса).
Если у вас есть ежемесячная подписка, каждая строка может быть определенным клиентом в определенном месяце, а другие столбцы (помимо оттока) являются атрибутами этого клиента, такими как их срок пребывания, выбранные надстройки, тип контракта и т. Д. .
Вот простой пример из вымышленной телекоммуникационной компании.
У вас могут быть эти данные в таблице Excel, файле CSV, хранящемся в базе данных Redshift или где-то еще. Они также могут быть в разных местах, и вам придется их соединить. Например, у вас может быть поле customerID и тип контракта в одной базе данных, а поле customerID с информацией о текучести в другой базе данных, что означает, что вы можете объединить их в поле customerID для создания одного набора данных.
Построение модели
Создание отличного набора данных - сложная часть. С инструментами без кода, такими как Apteo, легко построить модель оттока.
Сначала подключите свой набор данных. Ниже я просто перетаскиваю CSV-файл с данными об оттоке на платформу. Затем я перехожу на вкладку «Прогнозная статистика» и выбираю «Отток» в качестве ключевого показателя эффективности. Я оставляю настройки по умолчанию как есть, и в фоновом режиме создается автоматизированная модель машинного обучения.
Теперь я могу видеть, как различные атрибуты влияют на отток, и могу предсказать, откажется ли клиент от оттока, введя такие данные, как их ежемесячная оплата и срок пребывания в должности.
Заключение
Прогнозная аналитика - отличный способ извлечь выгоду из данных, и начать работу может быть удивительно легко. Создание качественного набора данных, указывающего на существующую проблему, является основным предварительным условием, но как только оно будет выполнено, вы сможете проанализировать отток и увеличить свою прибыль.
