du har muligvis disse data i et CSV-ark, en CSV-fil, gemt i en Redshift-database eller et andet sted. Det kan også være forskellige steder, og du bliver nødt til at bringe dem sammen. Du kan f.eks. have feltet customerID og kontrakttypen i en database og feltet customerID med churn-oplysningerne i en anden database, hvilket betyder, at du kan flette disse i feltet customerID for at oprette et datasæt.
opbygning af en Model
oprettelse af et godt datasæt er den hårde del. Med No-code-værktøjer som Apteo er det nemt at opbygge en churn-model.
Tilslut først dit datasæt. Nedenfor trækker jeg blot og slipper en CSV-fil med mine churn-data ind i platformen. Derefter går jeg til fanen “Predictive Insights” og vælger “Churn” som min KPI. Jeg forlader standardindstillingerne som de er, og en automatiseret maskinindlæringsmodel bliver oprettet i baggrunden.
nu Kan jeg se, hvordan forskellige attributter påvirker churn, og jeg kan forudsige, om en kunde vil churn ved at indsætte data som deres månedlige gebyr og uopsigelighed.
konklusion
Predictive analytics er en fantastisk måde at få værdi fra data, og det kan være overraskende nemt at komme i gang. Opbygning af et kvalitetsdatasæt, der er tegn på det aktuelle problem, er en grundlæggende forudsætning, men når det er opfyldt, kan du analysere churn og øge din bundlinje.