Previsioni di abbandono evolutive Navigare tra interventi e riaddestramento
Previsioni di evoluzione dell'abbandono Navigare tra interventi e riaddestramento
Riqualificare i modelli di cessazione presenta sfide uniche che necessitano di attenzione speciale
Riqualificare i modelli di apprendimento automatico, specialmente quelli focalizzati sulla previsione della cessazione del cliente, è un passaggio essenziale per garantirne la rilevanza e l’accuratezza nel tempo. Tuttavia, riqualificare i modelli di cessazione presenta sfide uniche che necessitano di attenzione speciale. Tra le più evidenti vi è la distinzione degli effetti causali delle interventi – identificare i clienti che sono rimasti a causa del programma di fidelizzazione proattiva per indirizzarli in modo esclusivo.
Impatto dell’Intervento sulla Riqualificazione della Cessazione
Considera la seguente sequenza di eventi:
- Formazione Iniziale del Modello: Un modello viene addestrato utilizzando dati storici dei clienti.
- Inferenza di un Modello: Certi clienti vengono segnalati come probabili che termineranno.
- Intervento dell’Impresa: Interagire con questi clienti per convincerli a rimanere o utilizzare misure come promozioni e offerte personalizzate per incoraggiare la fidelizzazione.
- Riqualificazione con Nuovi Dati: Quando le prestazioni del modello si degradano, è probabilmente il momento per la riqualificazione: il modello viene aggiornato con dati più recenti, che includono i risultati di questi interventi.
Immagina uno scenario: Un cliente viene previsto come cessante, viene assistito da un rappresentante di fidelizzazione e poi decide di rimanere. La sfida si presenta quando si cerca di capire il motivo dietro la loro decisione – L’intervento ha cambiato la loro opinione, o sono stati classificati erroneamente dal modello inizialmente? Quando si riqualifica il modello su dati ambigui come questi, c’è il rischio di distorcere le future previsioni del modello – etichettare il cliente sopra citato come “rimasto” potrebbe essere fuorviante, in quanto avrebbero potuto partire se non li avessimo persuasi a rimanere. Così come per le etichette di cessazione – un’intervento potrebbe essere l’unico impulso per la cessazione, rendendo alcune etichette di cessazione poco affidabili.
Possibili metodi per gestire il bias:
- Gruppi di Controllo e Dati Sintetici: Creare un sottoinsieme di clienti “probabilmente in cessazione” ai quali non vengono applicati interventi. Confrontando i risultati tra questo gruppo di controllo e il gruppo intervenuto, si può determinare il vero impatto degli interventi: se un certo segmento di clienti termina di più quando viene trattato, bisogna esaminare l’esclusione di tale segmento dagli interventi. Quando arriva il momento di riqualificare, si può utilizzare i dati provenienti dal gruppo di controllo ed escludere i dati provenienti dal gruppo intervenuto, garantendo che il modello si basi su etichette di cessazione affidabili. Lo svantaggio di questo metodo è la perdita di dati critici, quindi per compensare l’esclusione dei clienti intervenuti, si consiglia di generare campioni sintetici del gruppo di controllo per rappresentare quei clienti. Ciò può essere fatto mediante l’utilizzo di SMOTE e altre strategie di sovracampionamento.
- Sondaggi di Feedback: Coinvolgere direttamente i clienti dopo l’intervento per comprendere le ragioni per cui decidono di rimanere/cessare. Le intuizioni raccolte possono fornire chiarezza sull’efficacia degli interventi e aiutare a differenziare tra coloro che rimangono genuinamente e coloro che vengono influenzati dagli sforzi.
- Unione di Modelli: Prova a combinare il modello di addestramento iniziale con quello nuovo. Fare la media delle previsioni o utilizzare metodi di ensemble può ridurre il rischio che i pregiudizi di un singolo modello dominino l’intera previsione. Si noti che col passare del tempo, i dati di addestramento iniziali possono diventare meno rilevanti.
Modellazione del Valore: Il Gold Standard per Perfezionare le Previsioni di Cessazione
A differenza dei modelli di cessazione tradizionali che prevedono chi potrebbe andarsene, la modellazione del valore identifica i clienti il cui comportamento cambia direttamente a causa di un intervento. Confrontando il gruppo trattato con il gruppo di controllo, questi modelli prevedono quali clienti rimangono a causa dell’intervento e, d’altra parte, quali partono a causa di un intervento. Questo approccio mirato aiuta le imprese ad ottimizzare le risorse e massimizzare il valore del cliente.
- 9 Modi in cui l’IA sta potenziando la sicurezza dei data center
- Perché le GPU sono ottime per l’IA
- Come Getir ha ridotto la durata dell’allenamento del modello del 90% con Amazon SageMaker e AWS Batch
I clienti possono essere suddivisi in quattro categorie teoriche in base al fatto che siano stati trattati o meno per gli sforzi di retention: Casi sicuri: Clienti che non abbandoneranno. Mirare a loro non offre rendimenti aggiuntivi ma comporta costi, come sforzi di comunicazione e potenziali incentivi finanziari. Casi persi: Clienti che abbandoneranno indipendentemente dalle azioni intraprese. Non aggiungono ricavi e possono comportare costi ridotti rispetto ai casi sicuri, in quanto non sfruttano gli incentivi offerti. Persuadibili : Clienti che rimangono solo dopo l’azione di retention. Contribuiscono a ricavi aggiuntivi. Non disturbare : Clienti che abbandonano solo se vengono presi di mira. Lasciarli in pace è vantaggioso, mentre prenderli di mira comporta costi significativi senza guadagni di ricavi, rendendoli “cani che dormono”.
L’obiettivo del modeling dell’uplift è quello di mirare esclusivamente ai persuadibili. La sfida è che non possiamo determinare in quale categoria cadano gli individui. Non possiamo trattarli e allo stesso tempo averli nel gruppo di controllo. Quindi, come potremmo identificarli? come potremmo sapere se sono stati persuasi o non hanno intenzione di abbandonare in primo luogo? Qui entra in gioco il modeling dell’uplift.
Ci sono diversi approcci per l’uplift di questa sfida, daremo un’occhiata al metodo “Risultato trasformato”. questo metodo richiede dati sia da un gruppo di controllo che da un gruppo di trattamento e sposta il nostro focus da un compito di classificazione a uno di regressione. I label vengono assegnati in base a una formula specifica, e per un assegnazione di trattamento casuale in cui la propensione al trattamento è pari a 0,5, la variabile target si traduce in questi valori:
Possiamo usare una funzione di perdita come l’errore quadratico medio ( MSE ) come metrica per risolvere questo problema di regressione: per i persuadibili, il controllo è etichettato 0 e il trattamento è 2. Il MSE più basso tra di loro sarà dove il punteggio è 1, che rappresenta l’aumento dei persuadibili. Per i non disturbare, il controllo è -2 e il trattamento è 0, con la previsione ottimale che è -1, che indica l’aumento. Per i casi persi e per i casi sicuri, la migliore previsione è 0. idealmente, si dovrebbero mirare ai punteggi più alti per cercare di trattenere i persuadibili e evitare i non disturbare e gli altri il più possibile.
Navigare il futuro delle previsioni di abbandono
Come abbiamo esplorato, il panorama delle previsioni di abbandono, con le sue complessità di interventi e dati in evoluzione, pone sfide per le aziende. Il riaddestramento dei modelli non è solo un esercizio tecnico ma fa parte della comprensione del comportamento del cliente e del senso di autentica retention. Sfruttare strumenti come gruppi di controllo, meccanismi di feedback e modelling uplift. Ma forse la cosa più cruciale è riconoscere che i dati non sono statici. La nostra comprensione del comportamento del cliente deve adattarsi. Abbracciare questa situazione dinamica, affinare continuamente i modelli e stare attenti ai pattern che cambiano sarà la chiave del successo delle previsioni di abbandono e della gestione futura.
