du kan ha disse dataene i Et Excel-ark, EN CSV-fil, lagret i En Redshift-database eller et annet sted. Det kan også være på forskjellige steder, og du må bringe dem sammen. Du kan for eksempel ha customerID – feltet og kontraktstypen i en database, og customerID – feltet med churn-informasjonen i en annen database, noe som betyr at du kan slå sammen disse i customerID – feltet for å opprette ett datasett.
Å Bygge En Modell
Å Lage et flott datasett Er den harde delen. Med no-code verktøy som Apteo, er det enkelt å bygge en churn-modell.
koble først datasettet. Nedenfor drar jeg bare OG slipper EN CSV-fil av mine churn-data inn i plattformen. Deretter går jeg til» Predictive Insights «- fanen og velger «Churn» som MIN KPI. Jeg forlater standardinnstillingene som de er, og en automatisert maskinlæringsmodell blir opprettet i bakgrunnen.
nå kan jeg se hvordan forskjellige attributter påvirker churn, og jeg kan forutsi om en kunde vil churn ved å legge inn data som månedlig kostnad og periode.
Konklusjon
Prediktiv analyse er en fin måte å få verdi på data, og det kan være overraskende enkelt å komme i gang. Å bygge et kvalitetsdatasett som indikerer problemet ved hånden, er en grunnleggende forutsetning, men når det er oppfylt, kan du analysere churn og øke bunnlinjen.