Ces données peuvent être stockées dans une feuille Excel, un fichier CSV, dans une base de données Redshift ou ailleurs. Cela pourrait aussi être à différents endroits, et vous devrez les réunir. Par exemple, vous pouvez avoir le champ customerID et le type de contrat dans une base de données, et le champ customerID avec les informations de désabonnement dans une autre base de données, ce qui signifie que vous pouvez les fusionner sur le champ customerID pour créer un ensemble de données.
Construire un modèle
Créer un excellent ensemble de données est la partie la plus difficile. Avec des outils sans code comme Apteo, il est facile de créer un modèle de désabonnement.
Tout d’abord, connectez votre jeu de données. Ci-dessous, je fais simplement glisser-déposer un fichier CSV de mes données de désabonnement dans la plate-forme. Ensuite, je me dirige vers l’onglet « Perspectives prédictives » et sélectionne « Churn » comme indicateur de performance clé. Je laisse les paramètres par défaut tels qu’ils sont et un modèle d’apprentissage automatique automatisé est créé en arrière-plan.
Maintenant, je peux voir comment différents attributs ont un impact sur le taux de désabonnement, et je peux prédire si un client va désabonner en entrant des données telles que sa charge mensuelle et son ancienneté.
Conclusion
L’analyse prédictive est un excellent moyen de valoriser les données, et la mise en route peut être étonnamment facile. La création d’un ensemble de données de qualité qui indique le problème en question est une condition préalable de base, mais une fois que cela est satisfait, vous pouvez analyser le taux de désabonnement et augmenter votre résultat net.