トラブルシューティング

プレディクティブ・チャーン（およびあらゆる機械学習モデル）の性能は、そのモデルで利用できるデータによって決まります。また、処理するデータ量が一定であることにも大きく依存します。

潜在的なエラー

トレーニングに必要なデータが不十分

このエラーメッセージは、チャーン定義の制限が厳しすぎて、チャーンされたユーザーが少なすぎる場合に表示されます。

この問題を解決するには、チャーンを定義する日数やアクションを変更して、より多くのユーザーを獲得する必要があります。過度に制限の厳しい定義を作成しないように、AND/ORフィルターを正しく使用していることを確認してください。

オーディエンスサイズの予測に関する問題

予測オーディエンスを構築して、モデルのトレーニング対象となる用途を微調整しているときに、予測オーディエンスのユーザーが少なすぎることを通知する次のメッセージが表示される場合があります。

「過去 7 日間に、選択した予測対象者から入手できる過去の解約者数が、確実に予測を立てることができません。」

予測オーディエンスの定義が厳しすぎると、過去のユーザーとアクティブなユーザーの両方を扱うのに十分な数のプールがない可能性があります。これを修正するには、この定義で使用される日数と属性のタイプを変更するか、チャーンを定義するアクションを切り替えるか、またはその両方を行う必要があります。

定義を変更しても予測オーディエンスが引き続き問題になる場合は、このオプション機能をサポートするユーザーが少なすぎる可能性があります。代わりに、余分なレイヤーやフィルターを使わずに予測を作成してみることをお勧めします。

予測オーディエンスのサイズが大きすぎる

予測オーディエンスの定義は、1 億ユーザーを超えることはできません。オーディエンスが多すぎるというメッセージが表示された場合は、オーディエンスにレイヤーを追加するか、対象となる期間を変更することをおすすめします。

予測の質が低い

モデルの予測品質が 40% 以上であれば、これは絶好のチャンスです。ただし、予測の品質が 39% 以下に低下した場合は、解約率と予測オーディエンスの定義をより具体的に編集するか、異なる時間枠を設定する必要があります。

予測定義の作成中にオーディエンスサイズの要件を満たすことができず、40% を超える予測品質を達成できない場合は、Braze に送信されたデータがこのユースケースには理想的でない、モデルを構築する対象となるユーザーが足りない、または製品ライフサイクルが現在の 60 日間のルックバック期間がサポートしている期間よりも長いことが考えられます。

データに関する考慮事項

以下に、プレディクティブチャーンを設定する際に自問すべき点をいくつか挙げます。機械学習モデルの性能は、それをトレーニングするデータによって決まるため、適切なデータ衛生対策を講じ、モデルに何が入っているかを理解することが大きな違いを生みます。

• どのような価値の高い行動が顧客維持とロイヤルティにつながるのでしょうか？
• これらの特定のアクションに対応するカスタムイベントを設定しましたか？Predictive Churnは、カスタム属性ではなくカスタムイベントと連携します。
• 解約率を定義する時間枠を考えていますか？解約は、最大 60 日以内に発生するものと定義できます。
• 休日など、一年のうちで非定型的なユーザー行動につながる時期を考えたことはありますか？消費者行動の急激な変化は、予測に影響します。