Analyses prédictives

Une fois que votre prédiction a été créée et entraînée, vous avez accès à la page Analyses prédictives. Cette page vous aide à décider quels utilisateurs vous devez cibler en fonction de leur score de risque de désabonnement ou de leur catégorie.

Dès que la prédiction est terminée et que cette page est remplie, vous pouvez passer à l’utilisation des filtres dans les segments ou les campagnes pour commencer à utiliser les résultats du modèle. Mais, si vous voulez de l’aide pour décider qui cibler et pourquoi, cette page peut le faire en fonction de l’exactitude historique du modèle et de vos propres objectifs commerciaux.

Composants d’analyse

• Score et catégorie d’attrition
  
• Qualité des prédictions
  
• Résultats estimés
  
• Tableau de corrélation du désabonnement

Aperçu

La répartition des scores pour l’ensemble de l’audience des prédictions est affichée en haut de la page dans un graphique que vous pouvez consulter, par catégorie ou par score. Les utilisateurs dans les barres de droite ont des scores plus élevés et sont plus susceptibles d’abandonner. Les utilisateurs dans les barres plus à gauche sont moins susceptibles d’abandonner. Le curseur situé sous le graphique vous permet de sélectionner un groupe d’utilisateurs et d’estimer les résultats du ciblage des utilisateurs se situant dans la fourchette sélectionnée du score de risque de désabonnement ou de la catégorie.

Au fur et à mesure que vous déplacez le curseur, la barre située dans la moitié gauche du panneau inférieur vous informe du nombre d’utilisateurs ciblés sur l’ensemble de l’audience de prédictions.

Score et catégorie d’attrition

Les utilisateurs de l’audience de prédiction se verront attribuer un score de risque de désabonnement compris entre 0 et 100. Plus le score est élevé, plus la probabilité d’attrition est grande.

• Les utilisateurs dont le score est compris entre 0 et 50 seront classés dans la catégorie “ faible risque”.
• Les utilisateurs dont le score est compris entre 50 et 75, et entre 75 et 100, seront étiquetés respectivement dans les catégories Risque moyen et Risque élevé.

Les scores et les catégories correspondantes seront mis à jour conformément à la planification que vous avez choisie sur la page de création du modèle. Le nombre d’utilisateurs avec des scores d’attrition dans chacun des 20 compartiments de taille égale s’affiche dans le graphique en haut de la page. Cela peut vous aider à déterminer ce à quoi ressemble le risque d’attrition sur la population selon cette prédiction.

Cibler des utilisateurs pour réduire l’attrition

Qualité des prédictions

Pour mesurer la précision de votre modèle, l’indicateur de qualité des prédictions vous montrera à quel point ce modèle de machine learning particulier semble efficace lorsqu’il est testé sur des données historiques. Reportez-vous à la section Qualité des prédictions pour en savoir plus sur les indicateurs.

Voici ce que nous recommandons pour différentes gammes de qualité de prédictions:

Plage de qualité de prédiction ( %)	Recommandation
60 - 100	Excellent. Précision supérieure. La modification des définitions d’audience est peu susceptible de fournir un avantage supplémentaire.
40 - 60	Bon. Ce modèle produira des prédictions précises, mais essayer différents paramètres d’audience peut obtenir de meilleurs résultats.
20 - 40	Juste. Ce modèle peut fournir une précision et une valeur, mais envisagez d’essayer différentes définitions d’audience pour voir si elles augmentent les performances.
0 - 20	Faible. Nous vous recommandons de modifier les définitions de votre audience et de réessayer.

La prédiction sera à nouveau entraînée toutes les deux semaines et mise à jour en même temps que la métrique de qualité de la prédiction pour que vos prédictions soient toujours actualisées en fonction des modèles de comportement des utilisateurs les plus récents. La dernière fois que ce recyclage a eu lieu sera affichée sur la page de la liste des prédictions ainsi que sur la page d’analyse/analytique de votre prédiction.

Résultats estimés

Dans la moitié droite du panneau situé sous le graphique, nous présentons des estimations de la précision attendue du ciblage de cette partie de l’audience des prédictions. Sur la base des données relatives aux utilisateurs de l’audience prédite dans le passé et de la précision apparente du modèle pour distinguer les utilisateurs qui se désabonnent de ceux qui ne se désabonnent pas sur la base de ces données passées, ces barres de progression permettent d’estimer un futur message potentiel utilisant l’audience mise en évidence par le curseur :

1. Une estimation du nombre de personnes susceptibles d’abandonner qui seront correctement ciblées
   
   Bien entendu, nous ne connaissons pas parfaitement l’avenir, et nous ne savons donc pas précisément quels utilisateurs de l’audience de prédiction se désabonneront à l’avenir. Mais la prédiction est une déduction fiable. Sur la base des performances passées, cette barre de progression indique le nombre total « réel » ou « exact » de désabonnés attendus au sein de l’audience de prédiction (sur la base sur les taux d’attrition précédents) qui seront ciblés avec la sélection de reciblage actuelle. Nous pensons que ce nombre d’utilisateur abandonnera si vous ne le ciblez pas avec un message supplémentaire ou inhabituel.
   
   

2. Une estimation du nombre d’utilisateurs ciblés par erreur qui n’auraient pas réellement abandonné
   
   Tous les modèles de machine learning font des erreurs. Il se peut que certains utilisateurs de votre sélection aient un score de risque de désabonnement élevé, mais qu’ils ne se désabonnent pas pour autant. Ils n’abandonneront pas même si vous ne prenez aucune mesure. Ils seront de toute façon ciblés, donc il s’agit d’une erreur ou d’un « faux positif ». La largeur totale de cette deuxième barre de progression représente le nombre attendu d’utilisateurs qui n’abandonneront pas et la partie remplie est celle qui sera mal ciblée en raison de la position actuelle du curseur.

À l’aide de ces informations, nous vous encourageons à décider du nombre de personnes souhaitant abandonner que vous souhaitez capturer et du coût des faux positifs pour votre entreprise. Si vous envoyez une promotion de valeur, vous voudrez peut-être garder un minimum de ceux qui n’abandonneront pas dans votre ciblage tout en conservant le maximum d’abandons envisagés proposés par le modèle. Ou, si vous êtes moins sensible aux faux positifs et aux utilisateurs recevant des messages supplémentaires, vous pouvez envoyer un message à une audience plus importante afin de capturer plus d’abandons envisagés et ignorer les erreurs probables.

Tableau de corrélation de l’attrition

Cette analyse affiche tous les attributs ou comportements des utilisateurs qui sont en corrélation avec le désabonnement des utilisateurs dans l’audience de prédiction historique. Les tableaux sont divisés avec une partie gauche et droite correspondant respectivement à « plus » et « moins » susceptibles d’abandonner. Pour chaque ligne, le rapport indiquant si les utilisateurs ayant cet attribut de comportement dans la colonne de gauche sont plus ou moins susceptibles d’abandonner s’affiche dans la colonne de droite. Ce chiffre est le rapport entre la probabilité d’attrition des utilisateurs ayant ce comportement ou cet attribut et la probabilité d’attrition de l’ensemble de l’audience de prédiction.

Ce tableau est uniquement mis à jour lorsque la prédiction est reconvertie et non lorsque les scores de risque d’attrition des utilisateurs sont actualisés.