Résolution des problèmes de Predictive Churn

Utilisez cette page pour résoudre les erreurs d’entraînement et d’audience de Predictive Churn. Pour l’analyse et la qualité du modèle, consultez Analyse de Predictive Churn.

Predictive Churn (et tout modèle de machine learning) est aussi performant que les données disponibles pour le modèle. Il dépend également d’un volume d’utilisateurs suffisant dans l’espace de travail.

Commencez ici : identifiez votre symptôme

Identifiez le message d’erreur, l’avertissement ou le résultat que vous observez lors de la création d’une prédiction, puis accédez à la section correspondante pour le résoudre.

Parcours d’investigation standard

Utilisez ce flux de travail lorsque la création d’une prédiction échoue ou que vous êtes bloqué par des exigences liées aux données ou à l’audience. Commencez à l’étape 1.

1. Confirmez que la prédiction du taux d’attrition est activée pour votre entreprise et que l’espace de travail dispose d’un nombre suffisant d’utilisateurs actifs mensuels (MAU) — généralement 300 000 MAU dans un seul espace de travail.
2. Vérifiez votre définition de l’attrition. Des filtres trop restrictifs réduisent le nombre d’utilisateurs désabonnés disponibles pour l’entraînement.
3. Vérifiez la définition de votre audience de prédiction. Un nombre trop faible de non-désabonnés historiques empêche l’entraînement du modèle.
4. Confirmez que des événements personnalisés (et pas uniquement des attributs personnalisés) capturent les actions à forte valeur indiquant un risque d’attrition.
5. Si les erreurs persistent après avoir élargi les définitions, contactez l’Assistance Braze.

Pas assez de données pour l’entraînement

Symptôme : vous voyez une erreur « Not enough data to train » lors de la création d’une prédiction.

Cette erreur apparaît lorsque votre définition de l’attrition est trop restrictive et ne renvoie pas assez d’utilisateurs désabonnés.

Pour résoudre ce problème, modifiez le nombre de jours, les actions qui définissent l’attrition afin de capturer davantage d’utilisateurs, ou les deux. Assurez-vous d’utiliser correctement les filtres AND/OR pour ne pas créer de définitions trop restrictives.

Important

Bien que la prédiction du taux d’attrition soit activée au niveau de l’entreprise, certains espaces de travail peuvent ne pas avoir suffisamment d’utilisateurs pour créer des prédictions. En général, vous avez besoin de 300 000 utilisateurs actifs mensuels dans un seul espace de travail.

Problèmes liés à la taille de l’audience de prédiction

Symptôme : Vous voyez le message « Not enough past non-churners to reliably build the Prediction. »

Lorsque vous créez votre audience de prédiction pour affiner le type d’usage contre lequel vous souhaitez entraîner votre modèle, vous pouvez rencontrer ce message vous informant que votre audience de prédiction contient trop peu d’utilisateurs.

Si la définition de votre audience de prédiction est trop stricte, vous risquez de ne pas disposer d’un nombre suffisant d’utilisateurs historiques et actifs. Pour résoudre ce problème, modifiez le nombre de jours et le type d’attributs utilisés dans cette définition, changez les actions qui définissent l’attrition, ou les deux.

Si votre audience de prédiction continue de poser problème même après avoir modifié vos définitions, il se peut que vous ayez trop peu d’utilisateurs pour prendre en charge cette fonctionnalité optionnelle. Essayez plutôt de créer une prédiction sans les couches et filtres supplémentaires.

La taille de l’audience de prédiction est trop grande

Symptôme : La définition de votre audience de prédiction dépasse la taille maximale autorisée.

Une définition d’audience de prédiction ne peut pas dépasser 100 millions d’utilisateurs. Si un message indique que votre audience est trop grande, ajoutez des couches supplémentaires à votre audience ou modifiez la fenêtre temporelle sur laquelle elle est basée.

La prédiction est de mauvaise qualité

Symptôme : la qualité de la prédiction est de 39 % ou moins.

Si votre modèle a une qualité de prédiction de 40 % ou plus, vous êtes en bonne position. Mais si votre qualité de prédiction tombe à 39 % ou moins, vous devrez peut-être modifier vos définitions d’audience d’attrition et de prédiction pour les rendre plus spécifiques ou utiliser des fenêtres temporelles différentes.

Si vous ne parvenez pas à satisfaire à la fois l’exigence de taille d’audience lors de la création de vos définitions de prédiction et à atteindre une qualité de prédiction supérieure à 40 %, cela signifie probablement que les données envoyées à Braze ne sont pas idéales pour ce cas d’usage, qu’il n’y a pas suffisamment d’utilisateurs pour construire un modèle, ou que le cycle de vie de votre produit est plus long que ce que notre fenêtre rétrospective actuelle de 60 jours permet.

Considérations relatives aux données

Voici les questions à vous poser lorsque vous configurez la prédiction du taux d’attrition. Les modèles de machine learning sont aussi performants que les données qui les entraînent. Avoir de bonnes pratiques en matière d’hygiène des données et comprendre ce qui alimente le modèle fera une grande différence.

• Quelles sont les actions à forte valeur ajoutée qui conduisent à la rétention et à la fidélisation ?
• Avez-vous mis en place des événements personnalisés qui correspondent à ces actions spécifiques ? La prédiction du taux d’attrition fonctionne avec des événements personnalisés plutôt que des attributs personnalisés.
• Raisonnez-vous en termes de fenêtres temporelles pour définir l’attrition ? Vous pouvez définir l’attrition comme quelque chose qui se produit en 60 jours maximum.
• Avez-vous pris en compte les périodes de l’année qui donnent lieu à des comportements atypiques de la part des utilisateurs, comme les vacances ? Des changements rapides dans le comportement des consommateurs auront un impact sur vos prédictions.