Förutsäg transaktionsbortfall

Förutsägelse av transaktionell omsättning hjälper till att förutsäga om en kund inte längre kommer att köpa dina produkter eller tjänster i ett visst tidsfönster. Transaktionsbortfall är användbart för att identifiera kunder som inte längre köper produkter under den definierade kundbortfallsperioden. För att hitta kunder som kan avbryta sina förinställda pågående köp rekommenderar vi att du använder Modell för prenumerationsomsättning.

Du måste ha affärskunskaper för att förstå vad omsättningen innebär för företaget. Till exempel kan ett företag med årliga evenemang definiera sin kundförlust mätt i år, medan ett företag som inriktar sig på veckoförsäljning mäter kundförlust i månader. Vi har stöd för tidsbaserade omsättningsdefinitioner, vilket innebär att en kund anses ha omsatts efter en period där inga inköp gjorts.

Contoso vill till exempel ta reda på hur engagerade kunderna är för en e-postkampanj som är avsedd för kvarhållning. Contosos kunder besöker ett skyltfönster på varierande basis, oftast runt 3-4 gånger i månaden. Deras transaktioner är oregelbundna, vilket gör det svårt att avgöra när en kund slutar köpa Contoso-varumärket. Genom modellen för kundbortfall vid transaktioner kan Contoso avgöra sannolikheten för att kunderna köper igen. De kan se de ledande mönster som leder till att kunderna lämnar företaget, vilket gör att de kan anpassa andra strategier.

Sammanfattning av datakrav

Vanliga datakrav för alla förutsägelsemodeller finns i Datakrav för förutsägelsemodeller.

Förutsättningar

• Åtminstone deltagarbehörigheter.
• Minst 500 kundprofiler, helst mer än 1 000 unika kunder.
• Kundidentifierare: Unik identifierare som matchar transaktioner till en kund
• Transaktionsdata för minst dubbla det valda tidsfönstret, t.ex. två till tre års transaktionshistorik. Minst två transaktioner per kund. Transaktionshistoriken måste innehålla:
  • Transaktions-ID: En unik identifierare för ett inköp eller en transaktion.
  • Transaktionsdatum: Datumet för köpet eller transaktionen.
  • Värde för transaktionen: Valutan eller numeriska värdet för transaktionen.
  • Unikt produkt-ID: ID för den produkt eller tjänst som köpts om dina data finns på en radartikelnivå.
  • Om transaktionen var en retur: Ett sant/falskt-fält som identifierar om transaktionen returnerades. Om värdet för transaktionen är negativt, drar vi slutsatsen att det är en retur.
• Aktivitetsdata för kund:
  • Kundidentifierare: Unik identifierare för att mappa aktiviteter till en kund
  • Primärnyckel: En unik identifierare för en aktivitet. Exempelvis kan ett besök på en webbplats eller en användningshistorik som visar att kunden testade ett smakprov av din produkt.
  • Tidsstämpel: Datum och tid för händelsen som identifierats av primärnyckeln.
  • Händelse: Namnet på den händelse som du vill använda. Ett fält med namnet "UserAction" i en livsmedelsbutik kan till exempel vara en kuponganvändning av kunden.
  • Detaljer: Detaljerad information om händelsen. Ett fält med namnet "CouponValue" i en livsmedelsbutik kan till exempel vara valutavärdet på kupongen.
• Mindre än 20 % av de värden som saknas i tabellens datafält.

Skapa förutsägelse för transaktionsbortfall

1. Gå till Insikter>Prediktioner.

2. På fliken Skapa, välj Använd modell på Kundomsättningsmodell-rutan.

3. Välj Transaktion för typen av kundbortfall och sedan kom igång.

4. Ge modellen och utdatatabellen ett namn för att särskilja dem från andra modeller eller tabeller.

5. Välj Nästa.

Definiera kundbortfall

Välj Spara utkast när som helst för att spara förutsägelsen som ett utkast. Förutsägelseutkastet visas i fliken Mina förutsägelser.

1. Ange prediktionsperiod. Du kan till exempel förutse risken för kundbortfall bland dina kunder under de kommande 90 dagarna för att anpassa dina marknadsföringsinsatser för att behålla kunder. Om du förutser omsättningrisker under en längre eller kortare tid kan det bli svårare att åtgärda faktorerna i din omsättningsriskprofil, men det beror på dina specifika affärskrav.

2. Ange antalet dagar som ska definiera omsättning i fältet Omsättningsdefinition. Om en kund inte har gjort några inköp under de senaste 30 dagarna kan de anses vara förlorade för ditt företag.

3. Välj Nästa.

Lägg till inköpshistorik

1. Välj Lägg till data för kundens transaktionshistorik.

2. Välj typ av semantisk aktivitet SalesOrder eller SalesOrderLine, som innehåller transaktionshistorik informationen. Om aktiviteten inte har ställts in väljer du här och skapar den.

3. Under Aktiviteter, om aktivitetsattributen var semantiskt mappade när aktiviteten skapades, välj de specifika attributen eller tabeller som du vill att beräkningen ska fokusera på. Om semantisk mappning inte har ägt rum, välj Redigera och mappa dina data.

   

4. Välj Nästa och granska de attribut som krävs för den här modellen.

5. Välj Spara.

6. Lägg till fler aktiviteter eller välj Nästa.

Lägg till mer data (valfritt)

1. Välj Lägg till data för Kundaktiviteter.

2. Välj den typ av semantisk aktivitet som innehåller de data du vill använda. Om aktiviteten inte har ställts in väljer du här och skapar den.

3. Under Aktiviteter, om aktivitetsattributen var semantiskt mappade när aktiviteten skapades, välj de specifika attributen eller tabeller som du vill att beräkningen ska fokusera på. Om semantisk mappning inte har ägt rum, välj Redigera och mappa dina data.

4. Välj Nästa och granska de attribut som krävs för den här modellen.

5. Välj Spara.

6. Välj Nästa.

Ange uppdateringsschema

1. För steget Datauppdateringar, välj en frekvens för att träna om din modell. Den här inställningen är viktig för att uppdatera precisionen för förutsägelser när nya data matas in. De flesta företag kan träna om en gång i månaden och få en god exakthet för sina förutsägelser.

2. Välj Nästa.

Granska och köra modellkonfigurationen

Steget Granska och kör visar en sammanfattning av konfigurationen och ger en chans att göra ändringar innan du skapar förutsägelsen.

1. Välj Redigera på något av stegen för att granska och göra eventuella ändringar.

2. Om du är nöjd med dina val väljer du Spara och kör för att börja köra modellen. Välj Klar. Fliken Mina förutsägelser visas medan förutsägelsen skapas. Det kan ta flera timmar att slutföra processen beroende på mängden data som används i förutsägelsen.

Visa förutsägelsens resultat

1. Gå till Insikter>Prediktioner.

2. På fliken Mina förutsägelser, välj den förutsägelse du vill visa.

Det finns tre primära dataområden på resultatsidan:

• Prestanda för övningsmodell: Betyget A, B eller C indikerar prestandan för förutsägelsen och kan hjälpa dig att fatta beslutet att använda de resultat som är lagrade i utdatatabellen.

  Betyg fastställs utifrån följande regler:

  • A När modellen korrekt förutsäger minst 50% av det totala antalet förutsägelser, och när andelen av korrekta förutsägelser för kunder som har slutat är större än baslinjens nivå med minst 10%.
  • B När modellen korrekt förutsäger minst 50 % av det totala antalet förutsägelser, och när procentandelen av korrekta förutsägelser för kunder som har omsatts är upp till 10 % större än baslinjen.
  • C När modellen korrekt förutsäger mindre än 50 % av det totala antalet förutsägelser, eller när procentandelen av korrekta förutsägelser för kunder som har omsatts är mindre än baslinjen.
  • Baslinjen tar tidsintervallet för förutsägelse för modellen (till exempel 1 år) och skapar olika tidsintervall genom att dela det med 2 tills det når 1 månad eller mindre. De mindre tidsintervallen används för att skapa en affärsregel för kunder som inte har köpt något under denna tidsram. Dessa kunder betraktas som förlorade. Den tidsbaserade affärsregeln med den högsta förmågan att förutse vem som sannolikt kommer att sluta använda tjänsten väljs som baslinjemodell.

• Sannolikhet för kundbortfall (antal kunder): Kundgrupper baserat på deras förväntade risk för kundbortfall. Alternativt kan du skapa kundsegment med hög omsättningsrisk. Sådana segment hjälper dig att förstå var avgränsarna bör finnas för segmentmedlemskap.

• Faktorer med störst påverkan: Det finns många faktorer som bör beaktas när du skapar en förutsägelse. Var och en av faktorerna har en betydelse beräknad för de aggregerade förutsägelserna som skapas av en modell. Använd dessa faktorer för att verifiera dina förutsägelseresultat. Du kan också använda den här informationen senare om du vill skapa segment som kan påverka omsättningsrisken för en kund.