saatat saada nämä tiedot Excel-taulukkoon, CSV-tiedostoon, joka on tallennettu punasiirtymän tietokantaan tai jonnekin muualle. Se voi olla myös eri paikoissa, ja sinun täytyy tuoda ne yhteen. Esimerkiksi customerID – kenttä ja sopimustyyppi saattaa olla yhdessä tietokannassa, ja customerID – kenttä, jossa on kirnutiedot toisessa tietokannassa, jolloin voit yhdistää nämä customerID – kenttään luodaksesi yhden tietojoukon.
mallin rakentaminen
suuren aineiston luominen on vaikeinta. Apteon kaltaisilla koodittomilla työkaluilla kirnumallin rakentaminen on helppoa.
yhdistä ensin aineistosi. Alla, olen yksinkertaisesti vedä ja pudota CSV-tiedoston minun Kirn tiedot alustalle. Sitten, pään” Predictive Insights ”välilehti ja valitse” Churn ” kuin minun KPI. Jätän oletusasetukset sellaisiksi kuin ne ovat, ja taustalla syntyy automatisoitu koneoppimismalli.
nyt näen, miten erilaiset ominaisuudet vaikuttavat kirnuun, ja voin ennustaa, tuleeko asiakas kirnuamaan syöttämällä tietoja, kuten kuukausimaksunsa ja hallintaoikeutensa.
johtopäätös
ennakoiva analytiikka on loistava tapa saada dataa hyödyksi, ja alkuun pääseminen voi olla yllättävän helppoa. Rakentaminen laatu tietokokonaisuus, joka on osoitus ongelman käsillä on perus-edellytys, mutta kun se täyttyy, voit analysoida Kirnun ja lisätä bottom line.