Bonjour à nouveau et bienvenue dans l'épisode de cette semaine de TGI5. Dans l'épisode d'aujourd'hui, nous allons examiner un flux de travail autour de la prédiction du Churn en utilisant certains outils d'ArcGIS et l'analyse spatiale pour nous aider à comprendre quels clients sont susceptibles de churner. Alors sans plus tarder, passons à la démonstration.
Nous allons jeter un œil à un outil plus récent dans ArcGIS pour aider à la prédiction du Churn. Maintenant, ArcGIS offre des centaines d'outils spatiaux et statistiques, y compris beaucoup de ces nouveaux ensembles d'outils d'apprentissage automatique et de prédiction. L'un de ces outils est l'outil de classification et régression basé sur la forêt. Voici notre scénario. J'ai une base de données Customer 360 avec un peu plus d'un million de points de données qui nous ont été fournis par every partner share tracker avec quelques variables supplémentaires que nous avons générées en interne, et nous pouvons voir tous ces emplacements affichés ici en bleu.
Cette carte thermique ci-dessus nous montre les clients qui ont annulé leur service et churné au cours de la dernière année. Et ce que je veux mieux comprendre, c'est pourquoi. Et si nous pouvons comprendre pourquoi ils sont partis, alors nous pouvons commencer à localiser d'autres clients actuels qui ont des caractéristiques de Churn similaires et mettre en place des campagnes marketing pour influencer leur décision de rester bien avant qu'ils ne churnent. Donc, en utilisant cette base de données Customer 360, ainsi que l'outil de classification et régression basé sur la forêt, nous avons exécuté cet outil d'apprentissage automatique contre une variété de différentes variables pour voir comment elles impactent ou influencent le churn des clients.
Parmi ces variables que nous avons testées figuraient des éléments tels que les années en tant que client, leur facture totale, ou combien ils dépensent en services télécoms. Y a-t-il des menaces concurrentielles dans la zone ? Ont-ils des services groupés ? Combien d'appareils à la maison ont-ils connectés en même temps ? Quel est le nombre total de problèmes techniques signalés ? Nous avons également pris ces données et les avons géo-enrichies avec certaines données démographiques Esri. Ainsi, nous pouvions aussi ajouter des variables démographiques supplémentaires comme la segmentation tapestry. Et si nous voulions ajouter une variable géographique supplémentaire comme la distance au central téléphonique, nous aurions aussi pu l'ajouter.
Les résultats de l'analyse produisent un ensemble de données entraînées qui nous informe sur toutes les différentes variables qui influencent le Churn et combien elles ont influencé le Churn. Cela produit un niveau de précision ou un niveau de confiance que ces variables ont effectivement influencé un client à quitter notre organisation. Regardons maintenant ces résultats dans un graphique. Les principaux facteurs ou variables qui influencent le Churn étaient la facture totale d'un client ou combien il dépensait, la segmentation tapestry dominante et combien de fois ils ont signalé des problèmes techniques.
Si le niveau de confiance que l'analyse a dans ces variables nous convient, nous pouvons alors prendre cet ensemble de données entraînées et l'exécuter contre nos clients actuels dans notre base Customer 360. Cela produirait alors un résultat avec une probabilité prédite qu'un client est sur le point de churner. Sur la base de ces résultats d'analyse, disons que nous avons mis en œuvre certaines campagnes pour cibler ces clients avec une forte probabilité de churner, et nous voulons surveiller l'impact de ces campagnes. Ce que nous avons fait est que nous avons mis en place un tableau de bord pour permettre aux équipes exécutives de commencer à voir comment ces campagnes influencent le Churn et regarder nos chiffres de churn mois par mois ou année après année, afin que nous puissions voir pour toute notre zone de service combien de clients sont partis cette année par rapport à l'année dernière, puis obtenir une répartition du nombre de ces clients qui ont déconnecté leur service haut débit ou TV. Je peux aussi approfondir une zone particulière et commencer à voir les chiffres du churn pour une région ou un territoire.
Merci à tous d'avoir regardé l'épisode TGI5 cette semaine. J'espère que cela a été instructif et que vous avez vu quelques façons d'utiliser les outils forest-based classification et spatial analysis dans ArcGIS pour aider votre organisation à comprendre le churn et prédire la probabilité qu'un client coupe son service.
Et jusqu'à la prochaine fois, c'est tout pour nous.
-Patrick Huls
