Skip to content

予測アナリティクス

予測の構築とトレーニングが完了したら、Prediction Analytics ページにアクセスできます。このページでは、Churn Risk Score またはカテゴリに基づいて、どのユーザーをターゲットにするかを決定するのに役立ちます。

予測が完了し、このページが入力されるとすぐに、単にfilters をセグメントまたはキャンペーンで使用して、モデルの出力の使用を開始できます。しかし、誰をターゲットにするのか、なぜターゲットにするのかを決めるのに役立ちたいのであれば、このページはモデルの歴史的な正確さと自分自身のビジネス目標に基づいて役立ちます。

分析のコンポーネント

概要

予測オーディエンス全体のスコアの分布は、グラフの一番上に表示されます。グラフでは、カテゴリ別またはスコア別に表示できます。右側にあるビンのユーザーはスコアが高く、解約する可能性が高くなります。左側にあるビンには、解約の可能性が低いユーザーが入っています。グラフの下にあるスライダを使用すると、ユーザーの範囲を選択し、選択した範囲の_Churn Risk Score_ またはカテゴリのユーザーをターゲットにする場合の結果を見積もることができます。

スライダーを動かすと、下側のパネルの左半分のバーに、予測オーディエンス全体からターゲットになるユーザの数が表示されます。

解約スコアとカテゴリ

予測対象ユーザーには、0 ～ 100 の間で_解約リスクスコア_が割り当てられます。スコアが高ければ高いほど、解約の可能性は高くなります。

  • スコアが 0 ～ 50 のユーザーは、_低リスク_カテゴリに分類されます。
  • スコアが 50 ～ 75、75 ～ 100 のユーザーは、それぞれ_中リスク_と_高リスク_のカテゴリに分類されます。

スコアと対応するカテゴリは、モデル作成ページで選択したスケジュールに従って更新されます。同じサイズのバケット 20 個のそれぞれに解約スコアがあるユーザーの数が、ページ上部のチャートに表示されます。これは、この予測に基づいて、母集団全体でどのような解約リスクがあるかを判断するのに役立ちます。

ユーザーをターゲットにして解約を減らす

予測品質

モデルの精度を測定するために、Prediction Quality メトリクスは、この特定の機械学習モデルが履歴データでテストされたときにどの程度有効であるかを示します。メトリックの詳細については、予測品質を参照してください。

以下に、さまざまな_予測品質_範囲に対する推奨事項を示します。

予測は、2 週間ごとに再度トレーニングされ、予測品質メトリクスと一緒に更新されます。これにより、予測が最新のユーザー動作パターンで更新されたままになります。最後にこの再トレーニングが発生した時刻は、予測リストページと予測の分析ページに表示されます。

推計結果

チャートの下のパネルの右側では、予測対象ユーザーのこの領域をターゲットとする期待精度の推定値を示します。過去の予測対象ユーザーに関するデータと、その過去のデータについて解約ユーザーと非解約ユーザーを識別するモデルの精度に基づいて、これらのプログレスバーは、スライダーで強調表示されたオーディエンスを使用した将来の潜在的なメッセージについて以下を推定します。

  1. 実際の解約者のうち、何人が正しいターゲットになるかの推定

    もちろん、私たちは未来を完全に予知できるわけではないので、予測対象のうちどのユーザーが将来解約するかは正確にはわかりません。しかし、この予測は信頼できる推論である。このプログレスバーは、過去のパフォーマンスに基づいて、予測対象ユーザーで予想される （過去の解約率に基づく）「実際の」または「真の」解約者のうち、現在のターゲティング選択でターゲットにされる人の数を示しています。この数のユーザーが、追加のメッセージや異常なメッセージでターゲットにしない場合には、混乱することが予想されます。

  2. 実際には解約しないはずであったユーザーのうち、何人が誤ってターゲットとされるかの推定

    すべての機械学習モデルはエラーを作ります。選択したユーザーの中に、_解約リスクスコア_が高く、最終的に解約しないユーザーがいる可能性があります。これは、貴社が何もしなくても、解約しなかったはずのユーザーです。いずれにしても対象となるので、これはエラーまたは”false positive.”です。この 2 番目のプログレスバーの全幅は、解約しないユーザーの予想数を表し、塗りつぶされた部分は、現在のスライダー位置を使用して誤ってターゲットとなっているユーザーです。

この情報をもとに、何人の解約者をキャプチャしたいのか、また偽陽性エラーのコストはどれほどかを判断することをお勧めします。価値あるプロモーションを発信しているのであれば、非解約者のターゲティングを最小限に抑える一方で、モデルが許す限り、予想される真の解約者をできるだけ多くキャプチャするのが理想的です。あるいは、誤検出の感度が低く、ユーザが追加のメッセージを受信した場合、より多くのオーディエンスにメッセージを送って、より多くの期待されるチャーナーをキャプチャし、可能性のあるエラーを無視することができます。

解約相関表

この分析では、過去の予測対象ユーザーにおけるユーザー解約と相関するユーザー属性または行動が表示されます。それぞれの表は、解約の可能性が高い方が左、低い方が右に分割されています。各行について、左の列の行動や属性を持つユーザーの解約する可能性を示す比率が、右の列に表示されます。この数値は、この行動や属性を持つユーザーの解約可能性を、予測対象ユーザー全体の解約可能性で割った比率です。

このテーブルは、ユーザ_Churn Risk Scores_ が更新されたときではなく、予測が再試行されたときにのみ更新されます。

Github   GitHub でこのページを編集
「このページはどの程度役に立ちましたか?」
New Stuff!