Hallo noch einmal und willkommen zur heutigen Folge von TGI5. In der heutigen Episode werfen wir einen Blick auf einen Workflow zur Churn-Vorhersage, bei dem einige Tools innerhalb von ArcGIS und räumliche Analyse genutzt werden, um zu verstehen, welche Kunden wahrscheinlich kündigen werden. Also ohne weitere Verzögerung, lassen Sie uns in die Demo einsteigen.
Wir werden uns ein neueres Tool in ArcGIS ansehen, das bei der Churn-Vorhersage hilft. ArcGIS bietet Hunderte von räumlichen und statistischen Werkzeugen, darunter viele der neueren Machine Learning- und Vorhersage-Tools. Eines dieser Tools ist das Forest basierte Klassifikations- und Regressionswerkzeug. Hier ist unser Szenario: Ich habe eine Customer 360-Datenbank mit etwas mehr als einer Million Datenpunkten, die uns von jedem Partner Share Tracker bereitgestellt wurden, zusammen mit einigen zusätzlichen Variablen, die wir intern generiert haben, und wir können all diese Standorte hier in Blau sehen.
Diese Heatmap oben zeigt uns nun die Kunden, die ihren Service im letzten Jahr gekündigt haben. Und was ich besser verstehen möchte, ist warum. Und wenn wir verstehen können, warum sie gegangen sind, können wir anfangen, andere aktuelle Kunden zu identifizieren, die ähnliche Churn-Merkmale aufweisen, und Marketingkampagnen zusammenstellen, um ihre Entscheidung zu beeinflussen, lange bevor sie kündigen. Mit dieser Customer 360-Datenbank sowie dem Forest basierten Klassifikations- und Regressionswerkzeug haben wir dieses Machine Learning-Tool gegen verschiedene Variablen laufen lassen, um zu sehen, wie sie das Kündigungsverhalten der Kunden beeinflussen.
Einige der getesteten Variablen waren zum Beispiel die Jahre als Kunde, ihre Gesamtrechnung oder wie viel sie für Telekommunikationsdienste ausgeben. Gibt es Wettbewerbsbedrohungen in der Region? Haben sie gebündelte Dienste? Wie viele Geräte sind gleichzeitig zu Hause verbunden? Wie viele technische Probleme wurden insgesamt gemeldet? Außerdem haben wir diese Daten mit Esri-Demografiedaten geoangereichert. So konnten wir zusätzliche demografische Variablen wie die Tapestry-Segmentierung hinzufügen. Und wenn wir eine weitere geografische Variable wie die Entfernung zum zentralen Büro hinzufügen wollten, hätten wir das ebenfalls tun können.
Die Ergebnisse der Analyse liefern einen trainierten Datensatz, der uns alle verschiedenen Variablen zeigt, die den Churn beeinflussen und wie stark sie den Churn beeinflusst haben. Er liefert also ein Genauigkeitsniveau oder ein Vertrauensniveau dafür, dass diese Variablen tatsächlich einen Kunden dazu gebracht haben, unser Unternehmen zu verlassen. Schauen wir uns diese Ergebnisse in einem Diagramm an. Die wichtigsten Faktoren oder Variablen, die den Churn beeinflussen, waren die Gesamtrechnung eines Kunden oder wie viel er ausgibt, die dominierende Tapestry-Segmentierung und wie oft technische Probleme gemeldet wurden.
Wenn uns das Vertrauensniveau der Analyse für diese Variablen gefällt, können wir diesen trainierten Datensatz gegen unsere aktuellen Kunden in unserer Customer 360-Datenbank laufen lassen. Dies würde dann ein Ergebnis mit einer vorhergesagten Wahrscheinlichkeit liefern, dass ein Kunde kurz davor ist zu kündigen. Basierend auf diesen Analyseergebnissen nehmen wir an, dass wir Kampagnen implementiert haben, um jene Kunden mit hoher Kündigungswahrscheinlichkeit gezielt anzusprechen und den Einfluss dieser Kampagnen überwachen wollen. Deshalb haben wir ein Dashboard erstellt, das es Führungsteams ermöglicht zu sehen, wie diese Kampagnen den Churn beeinflussen und unsere Kündigungszahlen Monat für Monat oder Jahr für Jahr betrachten kann. So können wir für unseren gesamten Servicebereich sehen, wie viele Kunden dieses Jahr im Vergleich zum letzten Jahr gegangen sind und dann eine Aufschlüsselung erhalten, wie viele dieser Kunden ihren Breitband- oder TV-Service getrennt haben. Ich kann auch in ein bestimmtes Gebiet hineinzoomen und die Kündigungszahlen für eine Region oder ein Gebiet sehen.
Vielen Dank an alle fürs Zuschauen der TGI5-Episode diese Woche. Ich hoffe, es war aufschlussreich und Sie haben einige Möglichkeiten gesehen, das forest-basierte Klassifikations- und räumliche Analysewerkzeuge innerhalb von ArcGIS zu nutzen, um Ihrem Unternehmen zu helfen, Churn zu verstehen und die Wahrscheinlichkeit vorherzusagen, dass ein Kunde seinen Service kündigt.
Und bis zum nächsten Mal – wir sind raus.
-Patrick Huls
