Hola una vez más y bienvenidos al episodio de esta semana de TGI5. En el episodio de hoy, vamos a echar un vistazo a un flujo de trabajo sobre la predicción de Churn aprovechando algunas herramientas dentro de ArcGIS y análisis espacial para ayudarnos a entender qué clientes podrían tener probabilidad de churn. Así que sin más preámbulos, entremos en la demostración.
Vamos a examinar una herramienta más nueva en ArcGIS para ayudar con la predicción de Churn. Ahora, ArcGIS ofrece cientos de herramientas espaciales y estadísticas, incluyendo muchas de esas nuevas herramientas de machine learning y predicción. Una de estas herramientas es la herramienta Forest based classification and regression. Entonces, aquí está nuestro escenario. Tengo una base de datos Customer 360 con poco más de un millón de puntos de datos que nos fueron proporcionados por every partner share tracker con algunas variables adicionales que hemos generado internamente, y podemos ver todas esas ubicaciones mostradas aquí en azul.
Ahora este mapa de calor encima nos muestra esos clientes que han cancelado su servicio y churned en el último año. Y lo que quiero entender mejor es por qué. Y si podemos entender por qué se fueron, entonces podemos empezar a localizar otros clientes actuales que tengan características similares de Churn y armar algunas campañas de marketing para influir en su decisión de quedarse mucho antes de que churnen. Así que usando esta base de datos Customer 360, así como la herramienta Forest based classification and regression, ejecutamos esta herramienta de machine learning contra una variedad de diferentes variables para ver cómo impactan o influyen en el churn de los clientes.
Algunas de esas variables que probamos fueron cosas como años como cliente, su factura total, o cuánto gastan en servicios telecom. ¿Hay alguna amenaza competitiva en el área? ¿Tienen servicios empaquetados? ¿Cuántos dispositivos en casa tienen conectados al mismo tiempo? ¿Cuál es el número total de problemas técnicos reportados? Y también tomamos estos datos y los geoenriquecimos con algunos datos demográficos Esri. Así pudimos añadir variables demográficas adicionales como la segmentación tapestry. Y si quisiéramos añadir una variable geográfica adicional como distancia a central office, también podríamos haberla añadido.
Ahora, los resultados del análisis producen un conjunto de datos entrenado que nos permite conocer todas las diferentes variables que influyen en el Churn y cuánto influyeron en el Churn. Así produce un nivel de precisión o un nivel de confianza que estas variables realmente influyeron en que un cliente dejara nuestra organización. Ahora veamos estos resultados dentro de un gráfico. Los factores o variables principales que influyen en el Churn fueron la factura total del cliente o cuánto gastaba, la segmentación tapestry dominante y cuántas veces reportaron problemas técnicos.
Ahora, si nos gusta el nivel de confianza que el análisis tuvo en estas variables, entonces podemos tomar este conjunto de datos entrenado y ejecutarlo contra nuestros clientes actuales en nuestra base Customer 360. Esto produciría un resultado con una probabilidad predicha de que un cliente esté a punto de churnear. Ahora, basándonos en estos resultados del análisis, digamos que hemos implementado algunas campañas para dirigirse a esos clientes con alta probabilidad de churnear, y queremos monitorear el impacto de esas campañas. Lo que hemos hecho es armar un dashboard para permitir a los equipos ejecutivos comenzar a ver cómo estas campañas están influyendo en el Churn y observar nuestros números de churn mes a mes o año tras año, para poder ver para toda nuestra huella de servicio cuántos clientes se han ido este año versus el año pasado, y luego obtener un desglose de cuántos de esos clientes desconectaron su servicio broadband o TV. También puedo profundizar en un área particular y comenzar a ver los números de churn para una región o territorio.
Gracias a todos por ver el episodio TGI5 esta semana. Espero que haya sido informativo y hayan visto algunas formas de usar la herramienta forest-based classification y las herramientas de análisis espacial dentro de ArcGIS para ayudar a su organización a entender el churn y predecir la probabilidad que un cliente corte su servicio.
Y hasta la próxima, nos despedimos.
-Patrick Huls
