문제 해결

이탈 예측(및 모든 머신 러닝 모델)은 모델에 사용할 수 있는 데이터만큼만 성능이 향상됩니다. 또한 작업할 데이터의 양이 어느 정도인지에 따라 크게 달라집니다.

잠재적 오류

훈련할 데이터가 충분하지 않습니다.

이 오류 메시지는 이탈 정의가 너무 제한적이어서 이탈한 사용자 수가 너무 적을 때 나타납니다.

이 문제를 해결하려면 이탈을 정의하는 일수 및/또는 작업을 변경하여 더 많은 사용자를 확보해야 합니다. 지나치게 제한적인 정의를 만들지 않도록 AND/OR 필터를 올바르게 사용하고 있는지 확인하세요.

예측 잠재 고객 규모 관련 문제

예측 대상을 구축하여 모델을 학습시키려는 사용 유형을 미세 조정할 때 예측 대상의 사용자 수가 너무 적다는 메시지가 표시될 수 있습니다:

“예측을 안정적으로 구축하기 위해 선택한 예측 대상에서 지난 7일 동안의 과거 이탈자 수가 충분하지 않습니다.”

예측 대상 정의가 너무 엄격하면 작업할 과거 및 활성 사용자 풀이 충분히 크지 않을 수 있습니다. 이 문제를 해결하려면 이 정의에 사용된 일 수와 속성 유형을 변경하거나 이탈을 정의하는 작업을 전환하거나 둘 다 변경해야 합니다.

정의를 변경한 후에도 예측 대상에 문제가 계속 발생한다면 이 선택적 기능을 지원하기에는 사용자 수가 너무 적을 수 있습니다. 대신 추가 레이어와 필터 없이 예측을 구축하는 것이 좋습니다.

예측 대상자 규모가 너무 큼

예측 대상 정의는 1억 명의 사용자를 초과할 수 없습니다. 오디언스가 너무 많다는 메시지가 표시되면 오디언스에 계층을 더 추가하거나 기준이 되는 기간을 변경하는 것이 좋습니다.

예측 품질이 좋지 않습니다.

모델의 예측 품질이 40% 이상이면 좋은 위치에 있는 것입니다! 그러나 예측 품질이 39% 이하로 떨어지면 이탈 및 예측 대상 고객 정의를 더 구체적으로 수정하거나 다른 시간대를 지정해야 할 수 있습니다.

예측 정의를 구축하는 동안 오디언스 규모 요건을 모두 충족하고 40% 이상의 예측 품질을 달성할 수 없다면, Braze로 전송된 데이터가 이 사용 사례에 적합하지 않거나 모델을 구축할 사용자가 충분하지 않거나 제품 수명 주기가 현재 60일 룩백 윈도우가 지원하는 것보다 길다는 의미일 수 있습니다.

데이터 고려 사항

다음은 예측 이탈을 설정할 때 스스로에게 물어볼 질문입니다. 머신 러닝 모델은 학습하는 데이터만큼만 우수하므로, 데이터 위생 관행을 잘 지키고 모델에 들어가는 데이터를 이해하면 큰 차이를 만들 수 있습니다.

• 고객 유지율과 충성도를 높이는 고가치 행동에는 어떤 것이 있을까요?
• 이러한 특정 작업에 다시 매핑되는 사용자 지정 이벤트를 설정했나요? 예측 이탈은 사용자 지정 속성이 아닌 사용자 지정 이벤트와 함께 작동합니다.
• 이탈을 정의할 기간으로 생각하고 계신가요? 이탈을 최대 60일 이내에 발생하는 것으로 정의할 수 있습니다.
• 휴일과 같이 비정형적인 사용자 행동이 발생하는 시기를 고려해 보셨나요? 소비자 행동의 급격한 변화는 예측에 영향을 미칩니다.