پیش‌بینی ریزش مشتری با استفاده از یادگیری ماشین: مدل ها و رویکردهای اصلی

پیش بینی ریزش مشتریان با استفاده از روش های یادگیری ماشین

پیش‌بینی ریزش مشتری با استفاده از یادگیری ماشین: مدل­ها و رویکردهای اصلی

حفظ مشتری یکی از ارکان اولیه رشد کسب و کارهای مشتری محور است. رقابت در بازار سخت است، جایی­که مشتریان در انتخاب بین بسیاری از ارائه دهندگان حتی در یک دسته محصول آزاد هستند. چندین تجربه بد – یا حتی یکی – و یک مشتری ممکن است منجر به ترک شود. و اگر انبوهی از مشتریان ناراضی وجود داشته باشد، ضررهای مادی و آسیب زیادی به شهرت یک کسب و کار وارد خواهد شد.

در این مقاله، برخی از روش های مدیریتِ ریزش مشتری با استفاده از مدل های یادگیری ماشین ارائه شده است و برخی رویکردها و روش­های حل این مشکل مطرح شده است. همچنین درباره جمع‌آوری داده‌ها در مورد ارتباط مشتری با یک برند، ویژگی‌های رفتار مشتری که بیشترین ارتباط را با ریزش دارد بحث خواهیم کرد و منطقِ پشت انتخاب بهترین مدل‌های یادگیری ماشین بررسی شده است.

ریزش مشتری چیست؟

ریزش مشتری

ریزش مشتری تمایل مشتریان به کنار گذاشتن یک نام تجاری و متوقف شدن ارتباط مشتری با یک سازمان خاص است. درصدی از مشتریانی که استفاده از محصولات یا خدمات یک شرکت را در یک دوره زمانی خاص متوقف می­کنند، نرخ ریزش مشتری نامیده می­شود. یکی از راه­های محاسبه نرخ ریزش این است که تعداد مشتریان از دست رفته را در یک بازه زمانی معین بر تعداد مشتریان به دست آمده تقسیم کرده و سپس آن عدد را در 100 درصد ضرب کنید. به عنوان مثال، اگر در ماه گذشته 150 مشتری دریافت کردید و سه مشتری را از دست دادید، نرخ ریزش ماهانه شما 2 درصد است.

نرخ ریزش، یک شاخص سلامت برای مشاغلی است که مشتریان آن­ها مشترک هستند و به طور مکرر برای دریافت خدمات هزینه پرداخت می­کنند، مشتریانِ کسب و کارهایی که دارای اشتراک هستند محصول یا خدماتی را برای یک دوره خاص انتخاب می­کنند، که می­تواند نسبتا کوتاه باشد – مثلا یک ماه. بنابراین، مشتری برای پیشنهادات جالب یا سودمندتر قابل جذب می­باشد. به علاوه، هر بار که تعهد فعلی آن­ها به پایان می­رسد، مشتریان این فرصت را دارند که تجدید نظر کنند و تصمیم بگیرند که با شرکت ادامه ندهند. البته برخی از ریزش­های طبیعی اجتناب ناپذیر است و این رقم در صنایع مختلف متفاوت است. اما داشتن رقم ریزش بالاتر از این، نشانه قطعی انجام کارِ اشتباه توسط آن کسب و کار است.

باید به این نکته توجه کرد که به طور کلی، این تجربه مشتری است که ادراک مشتری از برند را تعریف میکند. واقعیت این است که حتی مشتریان وفادار هم اگر یک یا چند مشکل با یک کسب و کار داشته باشند، آن را تحمل نمی­کنند. به عنوان مثال، 59 درصد از پاسخ دهندگان آمریکایی به نظرسنجی انجام شده توسط PricewaterhouseCoopers (PwC) خاطرنشان کردند که پس از چندین تجربه بد با یک برند خداحافظی خواهند کرد و 17 درصد از آن­ها تنها پس از یک تجربه بد این کار را خواهند کرد. بنابراین تجربیات بد ممکن است حتی مشتریان وفادار را نیز از یک برند دور کند.

چه زمانی مشتریان تعامل با برندی را که دوست دارند متوقف می کنند؟

چه زمانی مشتریان تعامل با برندی را که دوست دارند متوقف می کنند؟

تاثیر ریزش مشتری بر کسب و کارها

ریزش مشتری یک اتفاق ناگوار و بد است. اما دقیقاً چگونه در بلندمدت بر عملکرد شرکت تأثیر می­گذارد؟

مدیر کل Service Hub در HubSpot می‌گوید تأثیر حتی درصد کمی از ریزش را دست کم نگیرید. با توجه به اینکه به دست آوردن یک مشتری جدید بسیار گرانتر از حفظ یک مشتری موجود است، کسب و کارهای با نرخ ریزش بالا به سرعت خود را در یک حفره مالی می­یابند زیرا باید منابع بیشتری را برای جذب مشتری جدید اختصاص دهند.

بسیاری از نظرسنجی‌ها با تمرکز بر هزینه‌های جذب و حفظ مشتری به صورت آنلاین در دسترس هستند. بر اساس یکی از این آمارها، دریافت یک مشتری جدید ممکن است تا پنج برابر بیشتر از حفظ مشتری فعلی هزینه داشته باشد.

نرخ­های ریزش با درآمد از دست رفته و افزایش هزینه­های جذب مشتری مرتبط است. علاوه بر این، نرخ ریزش نقش مهمی در پتانسیل رشد یک سازمان دارند. خریداران امروزی از به اشتراک گذاشتن تجربیات خود با فروشندگان از طریق کانال‌هایی مانند سایت‌های نقد و رسانه‌های اجتماعی و همچنین شبکه‌های اجتماعی خجالت نمی­کشند.

تحقیقات HubSpot نشان داده است که 49 درصد از خریداران تجربه‌ای را که با یک شرکت داشتند در رسانه‌های اجتماعی به اشتراک گذاشته‌اند. در دنیایی که اعتماد به کسب‌وکارها از بین می‌رود، تبلیغات شفاهی نقش مهم‌تری نسبت به قبل در فرآیند خرید ایفا می‌کند. همچنین 55 درصد از خریداران دیگر به اندازه گذشته به شرکت­هایی که از آنها خرید می­کنند اعتماد ندارند، 65 درصد به بیانیه های مطبوعاتی شرکت اعتماد ندارند، 69 درصد به تبلیغات اعتماد ندارند، و 71 درصد به تبلیغات حمایت شده در شبکه های اجتماعی اعتماد ندارند.

اعتماد به کسب و کارها از بین رفته است

بنابراین می توان نتیجه گرفت که شرکت­هایی با نرخ ریزش بالا نه تنها در روابط خود با مشتریان سابق شکست می­خورند، بلکه با ایجاد صحبت­های دهان به دهانِ منفی در مورد محصولات خود به تلاش های خرید آینده آن­ها نیز آسیب می­رسانند.

شناسایی مشتریان در معرض خطر با یادگیری ماشین

شناسایی مشتریان در معرض خطر با یادگیری ماشین

شرکت­هایی که به طور مداوم بر نحوه تعامل مردم با محصولات نظارت می­کنند، مشتریان را تشویق می­کنند تا نظرات خود را به اشتراک بگذارند، و مسائل خود را به سرعت حل کنند و فرصت­های بیشتری برای حفظ روابط سودمند با مشتری دارند.

و اکنون شرکتی را تصور کنید که برای مدتی داده‌های مشتریان را جمع‌آوری می‌کند، بنابراین می‌تواند از آن برای شناسایی الگوهای رفتاری افراد بالقوه استفاده کند، با این کار می­تواند مشتریان در معرض خطر را تقسیم‌بندی کند و اقدامات مناسبی را برای جلب اعتماد آن­ها انجام دهد. کسانی که از یک رویکرد پیشگیرانه برای مدیریت ریزش مشتری پیروی می­کنند از تجزیه و تحلیل پیش بینی کننده استفاده میکنند. این یکی انواع تحلیل است که مستلزم پیش‌بینی احتمال نتایج، رویدادها یا مقادیر آینده با تجزیه و تحلیل داده‌های فعلی و تاریخی است. تجزیه و تحلیل پیش بینی کننده از تکنیک­های آماری مختلفی مانند داده کاوی (تشخیص الگو) و یادگیری ماشین (ML) استفاده می­کند.

ویژگی اصلی یادگیری ماشین ساختن سیستم­هایی است که قادر به یافتن الگوها در داده ها و یادگیری از آن بدون برنامه نویسی صریح هستند. در زمینه پیش‌بینی ریزش مشتری، اینها ویژگی‌های رفتار آنلاین هستند که نشان‌دهنده کاهش رضایت مشتری از استفاده از خدمات/محصولات شرکت است.

مدل ریزش مشتری

شناسایی مشتریانی که در معرض خطر ریزش هستند کمک می کند تا اقداماتی از قبل انجام شود

روش های یادگیری ماشین برای مدیریت پیشگیرانه ریزش مشتری از اهمیت زیادی برخوردار است. در مورد شناسایی ریزش­های بالقوه، الگوریتم‌های یادگیری ماشین می‌توانند کار بزرگی انجام دهند. آن­ها برخی از الگوهای رفتاری مشترک مشتریانی را که قبلاً شرکت را ترک کرده اند، نشان می­دهند. سپس، الگوریتم‌های یادگیری ماشین رفتار مشتریان فعلی را در برابر چنین الگوهایی بررسی می‌کنند و در صورت کشف ریزش های بالقوه سیگنال می‌دهند.

کسب‌وکارها می توانند از یادگیری ماشین برای تجزیه و تحلیل پیش‌بینی‌کننده استفاده می‌کنند تا بفهمند کدام کاربران فعلی کاملاً از خدمات خود راضی نیستند و تا زمانی که خیلی دیر نشده است به مشکلات آن­ها رسیدگی کنند. شناسایی مشتریان در معرض خطر ریزش، یک سازمان را قادر می‌سازد تا با این مشتریان تعامل داشته باشند، نقطه نظرات و دلیل مشکلات آن­ها را درک کنند، و همراه با آن­ها، یک برنامه بلند مدت با تمرکز بر کمک به مشتری برای درک ارزش خدماتی که خریداری کرده است، تنظیم کنند.

موارد استفاده برای مدل‌سازی ریزش پیش‌بینی‌کننده فراتر از تعامل فعال با مشتریان بالقوه و انتخاب اقدامات حفظ مؤثر است. نرم افزارهای مبتنی بر یادگیری ماشین به مدیران یک کسب و کار اجازه می­دهد تا تعیین کنند که با چه مشتریانی باید تماس بگیرند. به عبارت دیگر، کارمندان می­توانند مطمئن باشند که در زمان مناسب با مشتریان مناسب صحبت می­کنند.

تیم‌های فروش، موفقیت مشتری و بازاریابی نیز می‌توانند از دانش تجزیه و تحلیل داده‌ها برای هماهنگ کردن اقدامات خود استفاده کنند. به عنوان مثال، اگر مشتری نشانه‌هایی از خطر ریزش را نشان می‌دهد، احتمالاً زمان خوبی برای فروش نیست تا اطلاعاتی در مورد خدمات اضافی که مشتری ممکن است به آن‌ها علاقه مند باشد به دست بیاورد، این تعامل باید با بخش مدیریت خدمات مشتری باشد تا آن­ها بتوانند کمک کنند مشتری دوباره درگیر ­شود و ارزش محصولاتی را که در حال حاضر دارند ببیند. مانند بخش فروش، بخش بازاریابی می‌تواند بسته به نشانه‌های فعلی ریسک ریزش با مشتریان متفاوت تعامل داشته باشد. استفاده از یادگیری ماشین برای تجزیه و تحلیل داده­های مشتری می­تواند بینش­هایی را برای تقویت این استراتژی به ارمغان بیاورد.

پیش‌بینی ریزش مشتری با یادگیری ماشین

اما چگونه می­توان پیش بینی نرخ ریزش مشتری را شروع کرد؟ چه داده هایی مورد نیاز است؟ و مراحل اجرا چیست؟

مانند هر کار یادگیری ماشین، متخصصان علم داده ابتدا به جمع آوری داده­های مرتبط با موضوع نیاز دارند. بسته به هدف، محققان تعریف می­کنند که چه داده­هایی را باید جمع آوری کنند. سپس، داده‌های انتخاب شده آماده، پیش پردازش شده و به شکلی مناسب برای ساخت مدل‌های یادگیری ماشین تبدیل می‌شوند. یافتن روش‌های مناسب برای آموزش ماشین‌ها، تنظیم دقیق مدل‌ها و انتخاب بهترین مدل بخش مهمی از کار است. هنگامی که مدلی انتخاب می­شود که با بالاترین دقت پیش بینی می­کند، می­توان آن را به تولید رساند.

محدوده کلی کاری که دانشمندان داده برای ساختن سیستم‌های مجهز به یادگیری ماشین که قادر به پیش‌بینی ریزش مشتری هستند انجام می‌دهند، ممکن است به شرح زیر باشد:

  • درک یک مشکل و هدف نهایی
  • جمع آوری داده ­ها
  • آماده سازی و پیش پردازش داده­ها
  • مدل سازی و تست
  • استقرار و نظارت مدل

درک یک مشکل و هدف نهایی

این مهم است که بفهمیم چه بینش هایی باید از تحلیل به دست بیاوریم. به طور خلاصه، شما باید تصمیم بگیرید که چه سوالی را بپرسید و در نتیجه چه نوع مشکل یادگیری ماشین را حل کنید: طبقه بندی یا رگرسیون.

طبقه بندی. هدف از طبقه بندی این است که مشخص کنیم داده (در اینجا منظور داده­های مشتری است) به کدام کلاس یا دسته تعلق دارد. برای مسائل طبقه بندی، دانشمندان داده از داده های تاریخی با متغیرهای هدف از پیش تعریف شده (برچسب)  برای آموزش یک الگوریتم استفاده می­کنند. با طبقه بندی، کسب و کارها می توانند به سوالات زیر پاسخ دهند:

  • آیا این مشتری رویگردان می­شود یا خیر؟
  • آیا مشتری اشتراک خود را تمدید می­کند؟
  • آیا کاربر یک طرح قیمت گذاری را کاهش می­دهد؟
  • آیا نشانه هایی از رفتار غیرعادی مشتری وجود دارد؟

سوال چهارم در مورد علائم رفتار غیرمعمول نوعی مشکل طبقه بندی به نام تشخیص ناهنجاری را نشان می­دهد. تشخیص ناهنجاری در مورد شناسایی نقاط پرت است – نقاط داده­ای که به طور قابل توجهی از بقیه داده ها انحراف دارند.

رگرسیون. پیش‌بینی ریزش مشتری را می‌توان به عنوان یک کار رگرسیونی نیز فرموله کرد. تحلیل رگرسیون یک تکنیک آماری برای تخمین رابطه بین یک متغیر هدف و سایر مقادیر داده‌ای است که بر متغیر هدف تأثیر می‌گذارند که در مقادیر پیوسته بیان می‌شوند. نتیجه رگرسیون همیشه عددی است، در حالی­که طبقه بندی همیشه یک دسته را پیشنهاد می­کند. علاوه بر این، تجزیه و تحلیل رگرسیون اجازه تخمین زدن می­دهد که چند متغیر مختلف در داده­ها بر یک متغیر هدف تأثیر می­گذارد. با رگرسیون، کسب‌وکارها می‌توانند پیش‌بینی کنند که در چه دوره زمانی یک مشتری خاص احتمالاً ریزش می‌کند یا تخمین احتمالی ریزش به ازای هر مشتری را دریافت می‌کند.

شکل زیر نمونه ای از رگرسیون لجستیک است که برای پیش بینی احتمال ریزش در مخابرات توسط Towards Data Science استفاده می­شود. در اینجا، شکل نشان می‌دهد که چگونه تعداد تماس‌های سرویس و استفاده از طرح‌های بین‌المللی با ریزش ارتباط دارد.

رگرسیون

جمع آوری داده ها

شناسایی منابع داده: هنگامی­که انواع بینش­هایی را که باید جستجو کنید، شناسایی کردید، می­توانید تصمیم بگیرید که چه منابع داده­ای برای مدل سازی پیش بینی بیشتر ضروری است. بیایید رایج ترین منابع داده­ای را که می­توانید برای پیش بینی ریزش استفاده کنید، فرض کنیم:

  • سیستم­های CRM (شامل سوابق فروش و پشتیبانی مشتری)
  • خدمات تجزیه و تحلیل (به عنوان مثال، Google Analytics)
  • بازخورد در رسانه های اجتماعی
  • بازخورد ارائه شده در صورت درخواست برای سازمان شما و غیره.

بدیهی است که لیست بسته به صنعت ممکن است طولانی تر یا کوتاه تر باشد.

آماده سازی و پیش پردازش داده ها

داده­های تاریخی که برای حل مسئله انتخاب شده­اند باید به قالبی مناسب برای یادگیری ماشین تبدیل شوند. از آنجایی که عملکرد مدل و بنابراین کیفیت بینش­های دریافتی به کیفیت داده­ها بستگی دارد، هدف اصلی این است که مطمئن شویم همه نقاط داده با استفاده از منطق یکسان ارائه می­شوند و مجموعه داده کلی عاری از تناقض است. قبلاً مقاله‌ای در مورد تکنیک‌های اولیه برای آماده‌سازی مجموعه داده‌ها نوشتیم، بنابراین اگر می‌خواهید درباره این موضوع بیشتر بدانید، آن را بررسی کنید.

ساخت، استخراج و انتخاب ویژگی. ساخت، استخراج و انتخاب ویژگی ویژگی بخش بسیار مهمی از آماده سازی مجموعه داده است. در طول فرآیند، دانشمندان داده مجموعه‌ای از ویژگی‌ها (ویژگی‌های ورودی) را ایجاد می‌کنند که نشان‌دهنده الگوهای رفتاری مختلف مربوط به سطح تعامل مشتری با یک خدمات یا محصول است.

باید توجه داشت که اگرچه ویژگی‌های رفتاری مختص هر صنعت است، اما رویکردها برای شناسایی مشتریان در معرض خطر کلی و عمومی است: «یک کسب‌وکار به دنبال الگوهای رفتاری خاصی است که ریزش­های بالقوه را نشان می‌دهد.»

می توان ویژگی­های مشتریان را به چهار گروه طبقه بندی کرد.

  • ویژگی­های جمعیت شناختی مشتری که حاوی اطلاعات اولیه در مورد یک مشتری است (به عنوان مثال، سن، سطح تحصیلات، مکان، درآمد)
  • ویژگی‌های رفتاری مشتری که نحوه استفاده شخص از یک سرویس یا محصول را توصیف می‌کند (به عنوان مثال، مرحله چرخه عمر، تعداد دفعاتی که وارد حساب‌های خود می‌شود، طول جلسه فعال، زمانی از روز که از محصول به طور فعال استفاده می‌شود، ویژگی‌ها یا ماژول‌های استفاده شده، اقدامات ، ارزش پولی)
  • ویژگی­های پشتیبانی که تعامل مشتری با پشتیبانی را مشخص می­کند (به عنوان مثال، درخواست­های ارسال شده، تعداد تعاملات، سابقه امتیازات رضایت مشتری)
  • ویژگی­های زمینه­ ای که نشان دهنده سایر اطلاعات متنی در مورد مشتری است.

اما باید توجه داشت که داشتن داده­های زیاد همیشه خوب نیست.

هدف استخراج ویژگی، کاهش تعداد متغیرها (ویژگی­ها) با برگزیدن آن­هایی است که متمایزترین اطلاعات را نشان می­دهند. استخراج ویژگی به کاهش ابعاد داده­ها کمک می­کند (ابعاد ستون­هایی با ویژگی­های یک مجموعه داده هستند) و اطلاعات نامربوط را حذف می­کند.

در طول انتخاب ویژگی، متخصصان ویژگی‌های استخراج‌شده قبلی را بازبینی می‌کنند و زیرگروهی از آن­ها را تعریف می‌کنند که بیشترین ارتباط را با ریزش مشتری دارد. در نتیجه انتخاب ویژگی، متخصصان یک مجموعه داده تنها با ویژگی های مرتبط دارند.

بخش بندی مشتری. شرکت‌های در حال رشد و آن­هایی که دامنه محصولات خود را گسترش می‌دهند، معمولاً مشتریان خود را با استفاده از ویژگی‌های تعریف‌شده و انتخاب شده قبلی بخش بندی می‌کنند. مشتریان را می ­توان براساس مرحله چرخه عمر، نیازها، راه حل­های مورد استفاده، سطح تعامل، ارزش پولی یا اطلاعات اولیه به زیر گروه هایی تقسیم کرد. از آنجایی که هر دسته مشتری الگوهای رفتاری مشترکی دارند، می‌ توان دقت پیش‌بینی را از طریق استفاده از مدل‌های یادگیری ماشین که به‌طور خاص بر روی مجموعه‌های داده‌ای که هر بخش را نشان می‌دهند، آموزش داده‌اند، افزایش داد.

به­ عنوان مثال، HubSpot از معیارهای تقسیم بندی مانند شخصیت مشتری، مرحله چرخه عمر، محصولات خریداری شده، منطقه، زبان و کل درآمد حساب استفاده می­کند.

کارکنان با داشتن دانش در مورد ارزش مشتری، می­توانند می توانند فعالیت های نگهداری خود را در اولویت قرار دهند. پس از مراحل آماده‌سازی داده، انتخاب ویژگی و تقسیم‌بندی مشتری، زمان برای ردیابی رفتار کاربر قبل از ترسیم پیش‌بینی فرا می‌رسد.

مدل سازی و تست

هدف اصلی این مرحله از یک پروژه یادگیری ماشین، توسعه یک مدل پیش‌بینی برای ریزش مشتریان است. متخصصان معمولاً مدل‌های متعددی را آموزش می‌دهند، تنظیم می‌کنند، ارزیابی می‌کنند و آنها را آزمایش می‌کنند تا مدلی را که ریزش کننده­های بالقوه را با دقت مطلوب در داده‌های آموزشی تشخیص می‌دهد، تعریف کنند.

مدل‌های یادگیری ماشین کلاسیک معمولاً برای پیش‌بینی ریزش مشتری استفاده می‌شوند، به‌عنوان مثال، رگرسیون لجستیک، درخت‌های تصمیم، جنگل تصادفی و غیره. به عنوان نمونه شما می توانید از جنگل تصادفی به عنوان مدل پایه استفاده کنید، سپس «عملکرد مدل‌های پیچیده تر مانند XGBoost، LightGBM یا CatBoost» را ارزیابی کنید. دانشمندان داده معمولاً از عملکرد یک مدل پایه به عنوان معیاری برای مقایسه دقت پیش‌بینی الگوریتم‌های پیچیده‌تر استفاده می‌کنند.

رگرسیون لجستیک الگوریتمی است که برای مسائل طبقه بندی باینری استفاده می­شود. احتمال وقوع یک رویداد را با اندازه گیری رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل (ویژگی) پیش بینی می­کند. به طور خاص، رگرسیون لجستیک احتمال یک نمونه (نقطه داده) متعلق به دسته پیش فرض را پیش بینی می­کند.

درخت تصمیم نوعی الگوریتم یادگیری نظارت شده است (با یک متغیر هدف از پیش تعریف شده.) در حالی که بیشتر در کارهای طبقه بندی استفاده می­شود، می­تواند داده­های عددی را نیز مدیریت کند. این الگوریتم یک نمونه داده را به دو یا چند مجموعه همگن براساس مهم­ترین متمایزکننده در متغیرهای ورودی برای پیش بینی تقسیم می­کند. با هر تقسیم، بخشی از یک درخت در حال تولید است. در نتیجه، یک درخت با گره های تصمیم و گره های برگ (که تصمیم گیری یا طبقه بندی هستند) ایجاد می­شود. یک درخت از یک گره ریشه شروع می­شود.

ساختار پایه یک درخت تصمیم.

ساختار پایه یک درخت تصمیم

نتایج پیش بینی درختان تصمیم را می­توان به راحتی تفسیر و تجسم کرد. حتی افراد بدون پیشینه تحلیلی یا علم داده می­توانند بفهمند که یک خروجی مشخص چگونه ظاهر می­شود. در مقایسه با سایر الگوریتم‌ها، درخت‌های تصمیم به آماده‌سازی داده‌های کمتری نیاز دارند که این نیز یک مزیت است. با این حال، اگر تغییرات کوچکی در داده­ها ایجاد شود، ممکن است ناپایدار باشند. به عبارت دیگر، تغییرات در داده­ها ممکن است منجر به تولید درختان کاملاً متفاوت شود. برای پرداختن به این موضوع، دانشمندان داده از درخت‌های تصمیم در یک گروه (انجمن AKA) استفاده می‌کنند که در ادامه در مورد آن صحبت خواهیم کرد.

جنگل تصادفی نوعی روش یادگیری گروهی است که از درخت های تصمیم گیری متعددی برای دستیابی به دقت پیش بینی بالاتر و پایداری مدل استفاده می­کند. این روش با هر دو عمل رگرسیون و طبقه بندی سروکار دارد. هر درخت یک نمونه داده (یا به کلاس خود رای می­دهد) را براساس ویژگی­ها طبقه بندی می-کند و جنگل طبقه بندی را انتخاب می­کند که بیشترین رای را دریافت کرده باشد. در مورد وظایف رگرسیون، میانگین تصمیم گیری درختان مختلف گرفته می­شود.

جنگل تصادفی

استقرار و نظارت

و اکنون، مرحله نهایی گردش کار پروژه پیش‌بینی ریزش است. مدل/مدل های انتخاب شده باید در مرحله تولید قرار گیرد. یک مدل ممکن است در نرم افزار موجود گنجانده شود یا به هسته یک برنامه جدید تبدیل شود. با این حال، سناریوی استقرار و فراموش کردن کار نخواهد کرد: دانشمندان داده باید سطوح دقت مدل را پیگیری کنند و در صورت نیاز آن را بهبود بخشند. پیش‌بینی ریزش مشتری با یادگیری ماشین و هوش مصنوعی یک فرآیند تکراری است که هرگز پایان نمی‌یابد.

نتیجه گیری

نرخ ریزش یک شاخص سلامت برای شرکت­های مبتنی بر اشتراک است. توانایی شناسایی مشتریانی که از راه‌حل‌های ارائه‌شده راضی نیستند، به کسب‌وکارها این امکان را می‌دهد تا درباره نقاط ضعف محصول یا طرح قیمت‌گذاری، مسائل مربوط به عملیات، و همچنین ترجیحات و انتظارات مشتری برای کاهش فعالانه دلایل ریزش اطلاعات کسب کنند.

برای داشتن تصویری کامل از تاریخچه تعامل با مشتری، تعریف منابع داده و دوره مشاهده بسیار مهم است. انتخاب مهم‌ترین ویژگی‌ها برای یک مدل بر عملکرد پیش‌بینی آن تأثیر می‌گذارد: هرچه مجموعه داده کیفی‌تر باشد، پیش‌بینی‌های دقیق‌تر است.

شرکت­هایی با پایگاه مشتری بزرگ و پیشنهادات متعدد از تقسیم بندی مشتری سود می برند. دانشمندان داده همچنین نیاز به نظارت بر مدل‌های مستقر شده، و بازنگری و تطبیق ویژگی‌ها برای حفظ سطح مورد نظر از دقت پیش‌بینی دارند.

اگر فعلا فرصت مطالعه این مقاله را ندارید می توانید فایل PDF آن را برای مطالعه در زمان دیگری دانلود کنید.

این محصولات می تواند برای شما مفید باشد:

5/5 - (1 امتیاز)

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

سوالی دارید؟ با ما صحبت کنید!
مکالمه را شروع کنید
سلام! برای چت در WhatsApp پرسنل پشتیبانی که میخواهید با او صحبت کنید را انتخاب کنید