du kan ha dessa data i ett Excel-ark, en CSV-fil, lagras i en Redshift databas, eller någon annanstans. Det kan också vara på olika platser, och du måste föra dem samman. Du kan till exempel ha fältet customerID och kontraktstypen i en databas och fältet customerID med churn-informationen i en annan databas, vilket innebär att du kan slå samman dessa i fältet customerID för att skapa en dataset.
att bygga en modell
att skapa en bra dataset är den svåra delen. Med verktyg utan kod som Apteo är det enkelt att bygga en churn-modell.
Anslut först din dataset. Nedan drar jag helt enkelt en CSV-fil med min churn-data till plattformen. Sedan går jag till fliken” Predictive Insights ”och väljer” Churn ” som min KPI. Jag lämnar standardinställningarna som de är, och en automatiserad maskininlärningsmodell skapas i bakgrunden.
nu kan jag se hur olika attribut påverkar churn, och jag kan förutsäga om en kund kommer att churn genom att sätta in data som deras månadsavgift och tjänstgöring.
slutsats
prediktiv analys är ett bra sätt att få värde från data, och att komma igång kan vara förvånansvärt enkelt. Att bygga en kvalitetsdataset som är en indikation på det aktuella problemet är en grundläggande förutsättning, men när det är uppfyllt kan du analysera churn och öka din bottenlinje.