u hebt deze gegevens mogelijk in een Excel-blad, een CSV-bestand, opgeslagen in een Roodverschuivingsdatabase, of ergens anders. Het kan ook op verschillende plaatsen zijn, en je zult ze samen moeten brengen. U kunt bijvoorbeeld het customerID – veld en het contracttype in één database hebben, en het customerID – veld met de churn-informatie in een andere database, wat betekent dat u deze kunt samenvoegen in het customerID – veld om één dataset te maken.
een Model bouwen
een grote dataset maken is het moeilijke deel. Met No-code tools zoals Apteo, het bouwen van een churn model is eenvoudig.
verbind eerst uw dataset. Hieronder Sleep ik gewoon een CSV-bestand van mijn churn-gegevens naar het platform. Vervolgens ga ik naar het tabblad “Predictive Insights” en selecteer “Churn” als mijn KPI. Ik laat de standaardinstellingen zoals ze zijn, en een geautomatiseerd machine learning model wordt gemaakt op de achtergrond.
nu kan ik zien hoe verschillende attributen invloed churn, en ik kan voorspellen of een klant zal churn door het invoeren van gegevens zoals hun maandelijkse kosten en tenure.
conclusie
Predictive analytics is een geweldige manier om waarde te verkrijgen uit gegevens, en aan de slag kan verrassend eenvoudig zijn. Het bouwen van een kwaliteit dataset die indicatief is voor het probleem bij de hand is een basisvoorwaarde, maar zodra dat is voldaan, kunt u churn analyseren en uw bottom line te stimuleren.