tato data můžete mít v listu aplikace Excel, souboru CSV, uloženém v databázi Redshift nebo někde jinde. Mohlo by to být také na různých místech,a budete je muset spojit. Například můžete mít pole customerID a typ smlouvy v jedné databázi a pole customerID s informacemi o churnu v jiné databázi, což znamená, že je můžete sloučit do pole customerID a vytvořit jednu datovou sadu.
vytvoření modelu
vytvoření skvělé datové sady je těžká část. S nástroji bez kódu, jako je Apteo, je vytváření modelu churn snadné.
nejprve připojte datovou sadu. Níže jednoduše přetáhnu soubor CSV svých dat churn do platformy. Poté přejdu na kartu “ prediktivní statistiky „a jako svůj KPI vyberu“ Churn“. Ponechám výchozí nastavení tak, jak jsou, a na pozadí se vytvoří automatizovaný model strojového učení.
nyní vidím, jak různé atributy ovlivňují churn, a mohu předpovědět, zda zákazník bude churn tím, že uvede data, jako je jejich měsíční poplatek a držba.
závěr
prediktivní analytika je skvělý způsob, jak získat hodnotu z dat, a začít může být překvapivě snadné. Vytvoření kvalitního datového souboru, který svědčí o problému, je základním předpokladem, ale jakmile je to splněno, můžete analyzovat churn a zvýšit svůj spodní řádek.