이탈 예측 생성

Braze 대시보드 내에서 이탈 예측을 만드는 방법을 알아보세요.

1단계: 새 예측 만들기

Braze에서 애널리틱스 > 이탈 예측으로 이동합니다.

예측은 학습된 머신 러닝 모델의 한 인스턴스와 그 모델이 사용하는 모든 매개변수 및 데이터입니다. 이 페이지에는 현재 활성 상태인 예측 목록과 그에 대한 몇 가지 기본 정보가 표시됩니다. 여기에서 예측의 이름을 바꾸고, 보관하고, 새 예측을 만들 수 있습니다. 보관된 예측은 비활성 상태이며 사용자 점수를 업데이트하지 않습니다.

새 예측을 생성하려면 예측 생성을 선택하고 새 이탈 예측을 선택합니다.

기본 사항 페이지에서 새 예측에 고유한 이름을 지정합니다. 선택 사항으로 설명을 입력하여 이 특정 예측에 대한 메모를 남길 수도 있습니다.

다음 단계로 이동하려면 앞으로를 클릭합니다. 원하는 경우 지금 만들기를 클릭하여 모든 기본 설정을 사용하고 마지막 생성 단계로 건너뛸 수 있습니다. 빌드 프로세스를 시작하기 전에 설정을 검토할 수 있습니다. 나중에 상단의 진행률 추적기에서 해당 단계를 선택하여 어느 단계로든 돌아갈 수 있습니다.

2단계: 이탈 정의

이탈 정의 패널에서 제공된 필터를 사용하여 비즈니스에 대한 사용자 이탈을 정의하는 방법을 지정합니다. 다시 말해, 사용자가 이탈한 것으로 간주하려면 어떤 시간대에 무엇을 해야 할까요?

어떤 행동이 이탈의 원인이 될 수 있는지 설명할 필요 없이, 무엇이 사용자를 이탈한 사용자로 만드는지에 대해서만 설명해야 한다는 점을 기억하세요. 사용자가 한 번(do) 또는 중단(do not)하는 행위가 이탈에 해당한다고 생각하면 됩니다. 예를 들어, 7일 동안 앱을 열지 않은 사용자를 이탈한 사용자로 간주할 수 있습니다. 삭제 또는 구독 취소, 계정 비활성화 등의 사용자 지정 이벤트를 통해 사용자 이탈을 유도할 수 있습니다.

이탈 창

이탈 기간은 사용자가 이탈을 구성하는 것으로 지정된 행동을 수행하는 기간입니다. 최대 60일까지 설정할 수 있습니다. 이 창은 예측 학습을 위해 과거 데이터를 쿼리하는 데 사용됩니다. 또한 예측이 생성되고 사용자가 점수를 받으면 이탈 위험 점수는 이탈 기간으로 지정된 일수 내에 사용자가 이탈할 가능성이 얼마나 되는지를 나타냅니다.

다음은 지난 7일 동안의 경과 세션을 기준으로 한 간단한 정의의 예입니다.

이 경우 do not 및 start a session 을 선택합니다. 다른 필터를 AND 및 OR 와 적절하게 결합하여 필요한 정의를 만들 수 있습니다. 고려해야 할 몇 가지 잠재적 이탈 정의에 관심이 있으신가요? 다음 섹션의 이탈 정의 샘플에서 몇 가지 영감을 얻을 수 있습니다.

정의 아래에는 사용 가능한 사용자 수(정의에 따라 과거에 이탈한 사용자와 이탈하지 않은 사용자)에 대한 추정치가 표시됩니다. 필요한 최소값도 확인할 수 있습니다. Braze는 예측이 학습할 수 있는 충분한 데이터를 확보할 수 있도록 과거 데이터에서 이 최소 사용자 수를 확보해야 합니다.

3단계: 예측 대상 필터링

예측 대상은 이탈 위험을 예측하려는 사용자 그룹입니다. 기본적으로 이 값은 모든 사용자로 설정되며, 이는 이 예측이 모든 활성 사용자에 대한 이탈 위험 점수를 생성한다는 의미입니다. 일반적으로 몇 가지 기준에 따라 이탈을 방지하려는 사용자 그룹을 좁히고 필터링하면 모델의 성능이 향상될 가능성이 높습니다. 유지하고자 하는 가장 중요한 특정 사용자에 대해 생각하고 여기에서 정의하세요. 예를 들어, 앱을 처음 사용한 지 한 달이 넘었거나 구매한 적이 있는 사용자를 유지하고자 할 수 있습니다.

예측 기간이 14일 이하인 경우, ‘마지막으로 사용한 앱’ 및 ‘마지막으로 구매한 앱’과 같이 “…“으로 시작하는 필터의 기간 창은 이탈 정의에 지정된 이탈 기간을 초과할 수 없습니다. 예를 들어, 이탈 정의의 기간이 14일인 경우 ‘마지막…’ 필터의 기간 창은 14일을 초과할 수 없습니다.

전체 필터 모드

새로운 예측을 즉시 구축하기 위해 Braze 세분화 필터의 하위 집합만 지원됩니다. 전체 필터 모드에서는 모든 Braze 필터를 사용할 수 있지만 예측을 구축하는 데 하나의 이탈 창이 필요합니다. 예를 들어 이탈 기간을 15일로 설정하면 전체 필터 모드에서만 지원되는 필터를 사용할 때 사용자 데이터를 수집하고 예측을 구축하는 데 15일이 걸립니다. 또한 전체 필터 모드에서는 오디언스 규모에 대한 일부 추정치를 사용할 수 없습니다.

예측 대상 정의의 샘플 목록은 다음 섹션의 샘플 이탈 정의에서 확인할 수 있습니다.

이전 페이지와 마찬가지로 하단 패널에는 이탈 정의 및 예측 잠재고객 정의에 따른 예상 기록 사용자 수가 표시됩니다. 이러한 예상치는 예측을 생성하기 위해 표시된 최소 요구 사항을 충족해야 합니다.

4단계: 이탈 예측을 위한 업데이트 주기 선택

이 페이지를 완료하면 생성된 머신 러닝 모델이 여기에서 선택한 일정에 따라 새로운 이탈 위험 점수를 생성하는 데 사용됩니다. 유용하다고 생각되는 최대 업데이트 빈도를 선택합니다. 예를 들어 사용자 이탈을 방지하기 위해 매주 프로모션을 보내려는 경우 업데이트 주기를 원하는 날짜와 시간에 매주로 설정합니다.

5단계: 예측 구축

입력한 세부 정보가 정확한지 확인한 후 예측 작성을 선택합니다. 초안으로 저장을 선택하여 변경 사항을 초안 형태로 저장하여 이 페이지로 돌아와 나중에 모델을 빌드할 수도 있습니다. 예측 작성을 클릭하면 모델을 생성하는 프로세스가 시작됩니다. 데이터 양에 따라 30분에서 몇 시간 정도 소요될 수 있습니다. 이 예측의 경우 모델 구축 프로세스 기간 동안 학습이 진행 중임을 설명하는 페이지가 표시됩니다.

완료되면 페이지가 자동으로 애널리틱스 보기로 전환되며 예측 및 결과가 준비되었음을 알려주는 이메일도 받게 됩니다. 오류가 발생하면 페이지가 편집 모드로 돌아가며 무엇이 잘못되었는지에 대한 설명이 표시됩니다.

예측은 2주마다 자동으로 다시 재구축(“재학습”)되어 사용 가능한 최신 데이터로 업데이트됩니다. 이 과정은 예측의 결과인 사용자의 이탈 위험 점수가 생성될 때와는 별개의 프로세스입니다. 후자는 4단계에서 선택한 업데이트 주기에 따라 결정됩니다.

샘플 이탈 및 예측 잠재 고객 정의

샘플 이탈 정의

• “7일 이내에 사용자 지정 이벤트 ‘구독 취소’ 수행”
  
• “30일 이내에 사용자 지정 이벤트 ‘평가판 만료’ 수행”
  
• “1일 이내에 제거하세요.”
  
• “14일 이내에 구매하지 마십시오.”
  

앞서 설명한 이탈 정의에 해당하는 예측 대상 고객 정의가 있을 수 있습니다:

• 2주 이상 전에 구독을 시작했거나 2주 미만 전에 구독을 시작한 경우
  이 경우 2개의 예측을 만든 다음 신규 구독자에게는 장기 구독자와 다르게 메시지를 보낼 수 있습니다. 이를 “30일 이상 전에 처음 구매”로 정의할 수도 있습니다.
  
• 제거 프로그램
  최근 과거에 상품을 구매했거나 최근에 앱을 사용한 고객에 집중할 수 있습니다.
  
• 구매하지 않을 위험이 있는 고객 이탈의 정의
  최근에 앱을 탐색하거나 검색하거나 참여한 적이 있는 고객에 집중할 수 있습니다. 적절한 할인 개입을 통해 참여도가 높은 그룹이 이탈하는 것을 방지할 수 있습니다.

보관된 예측

보관된 예측은 사용자 점수 업데이트가 중지됩니다. 아카이브되지 않은 예측은 미리 정해진 일정에 따라 사용자 점수를 계속 업데이트합니다. 보관된 예측은 삭제되지 않고 목록에 남아 있습니다.