예측 이탈 문제 해결
이 페이지를 사용하여 예측 이탈 교육 및 오디언스 오류를 해결하세요. 분석 및 모델 품질에 대해서는 예측 이탈 분석을 참조하세요.
예측 이탈(및 모든 머신 러닝 모델)은 모델에 제공되는 데이터의 품질에 좌우됩니다. 또한 워크스페이스에 충분한 사용자 볼륨이 있어야 합니다.
시작하기: 증상 매칭
예측을 구축할 때 표시되는 오류 메시지, 경고 또는 결과를 아래 표에서 찾아 해결 방법이 설명된 섹션으로 이동하세요.
| 증상 | 이동 |
|---|---|
| “Not enough data to train” 오류 | 교육 데이터 부족 |
| “Not enough past non-churners” 경고 | 예측 오디언스가 너무 작음 |
| 예측 오디언스가 크기 제한을 초과함 | 예측 오디언스가 너무 큼 |
| 예측 품질이 40% 미만 | 예측 품질이 낮음 |
| 데이터가 모델에 적합한지 확실하지 않음 | 데이터 고려 사항 |
표준 조사 경로
예측 생성이 실패하거나 데이터 또는 오디언스 요구 사항으로 인해 차단된 경우 이 워크플로를 사용하세요. 1단계부터 시작하세요.
- 예측 이탈이 회사에 대해 활성화되어 있고 워크스페이스에 충분한 월간 활성 사용자(MAU)가 있는지 확인하세요—일반적으로 단일 워크스페이스에서 300,000 MAU가 필요합니다.
- 이탈 정의를 검토하세요. 지나치게 제한적인 필터는 교육에 사용할 수 있는 이탈 사용자 수를 줄입니다.
- 예측 오디언스 정의를 검토하세요. 과거 비이탈 사용자가 너무 적으면 모델 교육이 차단됩니다.
- 커스텀 이벤트(커스텀 속성만이 아닌)가 이탈 위험을 나타내는 고가치 행동을 캡처하는지 확인하세요.
- 정의를 확장한 후에도 오류가 지속되면 Braze 고객지원에 문의하세요.
교육을 위한 데이터 부족
증상: 예측을 생성할 때 “Not enough data to train” 오류가 표시됩니다.
이 오류는 이탈 정의가 너무 제한적이어서 이탈 사용자가 너무 적게 반환될 때 나타납니다.
이 문제를 해결하려면 일수, 이탈을 정의하는 액션을 변경하여 더 많은 사용자를 포함하거나, 두 가지 모두를 변경하세요. AND/OR 필터를 올바르게 사용하여 지나치게 제한적인 정의를 만들지 않도록 하세요.
예측 이탈은 회사 수준에서 활성화되지만, 일부 워크스페이스에는 예측을 생성하기에 충분한 사용자가 없을 수 있습니다. 일반적으로 단일 워크스페이스에 300,000명의 월간 활성 사용자(MAU)가 필요합니다.
예측 오디언스 크기 문제
증상: “예측을 안정적으로 구축하기에 과거 비이탈 사용자가 충분하지 않습니다.”라는 메시지가 표시됩니다.
예측 오디언스를 구축하여 모델이 학습할 용도를 세밀하게 조정할 때, 예측 오디언스의 사용자 수가 너무 적다는 메시지가 표시될 수 있습니다.
예측 오디언스 정의가 너무 엄격하면 과거 사용자와 활성 사용자 모두 충분한 풀을 확보하지 못할 수 있습니다. 이를 해결하려면 정의에 사용된 일수와 속성 유형을 변경하거나, 고객이탈을 정의하는 행동을 변경하거나, 두 가지 모두를 조정하세요.
정의를 변경한 후에도 예측 오디언스 문제가 계속되면 이 선택적 기능을 지원하기에 사용자 수가 너무 적을 수 있습니다. 추가 레이어와 필터 없이 예측을 구축해 보세요.
예측 오디언스 크기가 너무 큼
증상: 예측 오디언스 정의가 허용된 최대 크기를 초과합니다.
예측 오디언스 정의는 1억 명의 사용자를 초과할 수 없습니다. 오디언스가 너무 크다는 메시지가 표시되면 오디언스에 더 많은 레이어를 추가하거나 기반이 되는 기간을 변경하세요.
예측 품질이 낮음
증상: 예측 품질이 39% 이하입니다.
모델의 예측 품질이 40% 이상이면 좋은 상태입니다. 하지만 예측 품질이 39% 이하로 떨어지면, 고객이탈 및 예측 오디언스 정의를 더 구체적으로 수정하거나 다른 시간 범위를 설정해야 할 수 있습니다.
예측 정의를 구성하면서 오디언스 크기 요건을 충족하는 동시에 40%를 초과하는 예측 품질을 달성할 수 없는 경우, Braze로 전송되는 데이터가 이 사용 사례에 적합하지 않거나, 모델을 구축할 충분한 사용자가 없거나, 제품 수명 주기가 현재 지원되는 60일 룩백 기간보다 긴 것일 수 있습니다.
데이터 고려 사항
다음은 예측 이탈을 설정할 때 스스로에게 물어볼 질문입니다. 머신 러닝 모델은 교육 데이터의 품질에 좌우되므로, 좋은 데이터 위생 관행을 갖추고 모델에 입력되는 내용을 이해하는 것이 큰 차이를 만듭니다.
- 어떤 고가치 동작이 유지 및 로열티로 이어지나요?
- 이러한 특정 동작에 매핑되는 커스텀 이벤트를 설정했나요? 예측 이탈은 커스텀 속성이 아닌 커스텀 이벤트와 함께 작동합니다.
- 고객이탈을 정의할 시간 기간을 고려하고 있나요? 고객이탈은 최대 60일 이내에 발생하는 것으로 정의할 수 있습니다.
- 연휴와 같이 비정상적인 사용자 행동을 유발하는 시기를 고려해 보셨나요? 소비자 행동의 급격한 변화는 예측에 영향을 미칩니다.