虚拟车间:需求预测生产改善客户保留

通过赫克托耳Leano,布莱恩史密斯,Rob猎隼和史蒂夫•索贝尔

2020年8月7日, 在工程的博客

分享这篇文章

订阅的扩散模型增加了各行业:直接面向消费者的品牌的剃须用品和准备食物流媒体服务,家庭健身,汽车保险,甚至汽车。消费者正涌向这些新产品而远离长期合同,这对于基于订阅的企业意味着他们必须证明自己的价值,他们的客户每个月。从源采集设备用于检测的频率和类型的交互,哪个客户事件信号可能增加生产和更新在不久的将来?你怎么决定适当的投资来拯救一个高危用户从大量的风险?

简而言之,如何使用客户行为和交互预测生产和保存您的最有价值的客户?

玩这个视频,请点击这里,接受饼干

在这种虚拟车间,学习如何统一数据分析可以使数据科学、业务分析和工程一起增加客户生命周期价值和客户流失预测模型的精度等行业零售、媒体、电信、保险、零售金融服务等。听到创新肉交付订阅框ButcherBox如何快速增长,数字品牌是使用客户数据,如用户交互和其他数据点,更好地预测现有客户生命周期价值和饲料下游供应链分析。

这个虚拟车间会给你机会了解:

利用生存分析时,可能理解为什么客户放弃订阅服务
预测客户流失在订阅生命周期的关键阶段

问答

问:你经常更新模型来评估或改善模型?
答:没有预定义的标准时间更新或重新运行客户流失预测模型。我们能提供的最好建议就是运行它一样经常搅动你的商业决策。你每周处理生产,因为每周付款或提供选项的变化吗?在这种情况下,您将运行这个周。

问:有多少这些生存模型包括多个预测吗?
答:所有这些模型包括多个预测。考虑所有可能的预测因素,可能提供价值但确保预测坚持考克斯PH值的假设不是时变。强劲的同时,仔细考虑删除变量共线性,因为这些可能会干扰模型计算。最后,使用笔记本的统计测试包括识别和移除任何预测贡献没有统计价值高于基线。
问:你能详细说明数据转换为生存挑战模式。如果你有大型数据集,你会发现一个挑战在创建内华达州的图表类型的数据,但这取决于你建立模型。需要更多的细节数据转换挑战
答:生存分析例程期望源数据是在非常特定的格式。在考克斯PH值模型的情况下,预计每个订阅一个记录包括订阅时间(在我们的场景中在天)连同订阅结束时的状态持续时间。预测特征与分类然后一个炎热的转换特性。

问:是什么时可能会遇到的困难进行生存分析高频消费者(杂货、频率通常是几天或一周)?
答:数据工程绝对是最大的挑战。记住,你想要总结所有这些相互作用到单个记录进行分析。大量的数据处理,大多数系统无法处理。增加复杂性是你想要的迭代特性提取单记录。

问:什么是存活率和之间的区别保留率吗?或者我们只是用互换吗?
答:为了这个研讨会并陪同的博文中,我们使用客户保留和客户存活率互换:-)

问:你如何处理观测的数量?例如,第30天注册可能10 x大于第十天注册。
通过分层这些,我们可以计算为每个引的统计数据。在kaplan meier曲线的情况下,我们有95%的置信区间为每个这取决于观测的数量。你可以看到这在之前的订阅km曲线非常清楚。
HowQ:我们可以使用这些生存模型输出计算客户生命周期价值?
答:一旦我们有了一个预测模型,我们可以确定结束日期的时间我们计算CLV和检索留存比率/生存概率。例如,如果我是计算CLV每年三年,我会抓住保留率在365年,730年和1095年天点。

问:这种方法的实施需要多长时间(整个体系结构)?
这取决于您的组织。如果你有可用的数据你可以部署我们的笔记本和连接在几天你的数据。我们通常与客户做poc的代码,它从不超过2周。

问:你的模型被认为是季节性因素呢?
答:有机器学习模型对CLV考虑季节性,但总的来说我非常仔细地检查我想预测当季节性成为考虑。通常,当我们开始看季节性我们试图做更准确的收入比CLV的投影。