Olá mais uma vez e bem-vindo ao episódio desta semana do TGI5. No episódio de hoje, vamos dar uma olhada em um fluxo de trabalho sobre previsão de Churn aproveitando algumas ferramentas dentro do ArcGIS e análise espacial para nos ajudar a entender quais clientes podem estar propensos a churn. Então, sem mais delongas, vamos direto à demonstração.
Vamos analisar uma ferramenta mais recente no ArcGIS para auxiliar na previsão de Churn. Agora, o ArcGIS oferece centenas de ferramentas espaciais e estatísticas, incluindo muitas dessas ferramentas mais recentes de machine learning e previsão. Uma dessas ferramentas é a ferramenta Forest based classification and regression. Então aqui está nosso cenário. Eu tenho um banco de dados Customer 360 com pouco mais de um milhão de pontos de dados que nos foram fornecidos pelo every partner share tracker com algumas variáveis adicionais que geramos internamente, e podemos ver todas essas localizações mostradas aqui em azul.
Agora, este mapa de calor acima nos mostra aqueles clientes que cancelaram seu serviço e churnaram no último ano. E o que eu quero entender melhor é o porquê. E se pudermos entender por que eles saíram, então podemos começar a localizar outros clientes atuais que têm características semelhantes de Churn e montar algumas campanhas de marketing para influenciar sua decisão de ficar muito antes que eles churnem. Então, usando este banco de dados Customer 360, assim como a ferramenta Forest based classification and regression, executamos essa ferramenta de machine learning contra uma variedade de diferentes variáveis para ver como elas impactam ou influenciam o churn dos clientes.
Algumas dessas variáveis que testamos foram coisas como anos como cliente, sua conta total, ou quanto eles gastam em serviços de telecomunicações. Existem ameaças competitivas na área? Eles têm serviços agrupados? Quantos dispositivos em casa eles têm conectados ao mesmo tempo? Qual é o número total de problemas técnicos relatados? E também pegamos esses dados e os geoenriquecemos com alguns dados demográficos da Esri. Assim, também pudemos adicionar variáveis demográficas adicionais como a segmentação tapestry. E se quiséssemos adicionar uma variável geográfica adicional como distância até o central office, também poderíamos ter adicionado isso.
Agora, os resultados da análise produzem um conjunto de dados treinado que nos informa todas as diferentes variáveis que influenciam o Churn e quanto elas influenciaram o Churn. Então ele produz um nível de precisão ou um nível de confiança que essas variáveis realmente influenciaram um cliente a deixar nossa organização. Agora vamos dar uma olhada nesses resultados dentro de um gráfico. Os principais fatores ou variáveis que influenciam o Churn foram a conta total do cliente ou quanto ele estava gastando, a segmentação dominante do Tapestry e quantas vezes relataram problemas técnicos.
Agora, se gostarmos do nível de confiança que a análise teve nessas variáveis, podemos então pegar esse conjunto de dados treinado e executá-lo contra nossos clientes atuais em nosso banco de dados Customer 360. Isso então produziria um resultado com uma probabilidade prevista de que um cliente está prestes a churnar. Agora, com base nesses resultados da análise, digamos que implementamos algumas campanhas para direcionar esses clientes com alta probabilidade de churnar, e queremos monitorar o impacto dessas campanhas. Então o que fizemos foi montar um dashboard para permitir que as equipes executivas comecem a ver como essas campanhas estão influenciando o Churn e olhar nossos números de churn mês a mês ou ano a ano, para podermos ver para toda nossa área de serviço quantos clientes saíram este ano versus o ano passado, e depois obter uma divisão de quantos desses clientes desconectaram seu serviço broadband ou TV. Também posso detalhar em uma área específica e começar a ver os números de churn para uma região ou território.
Obrigado a todos por assistirem ao episódio do TGI5 esta semana. Espero que tenha sido esclarecedor e que vocês tenham visto algumas maneiras de usar as ferramentas forest-based classification e spatial analysis dentro do ArcGIS para ajudar sua organização a entender o churn e prever a probabilidade de um cliente cancelar seu serviço.
E até a próxima vez, estamos fora.
-Patrick Huls
