Uporaba programa IBM SPSS Modeler pri preprečevanju odhodov strank

Ko IBM SPSS Modeler uporabljamo za preprečevanje odhodov strank, sledimo  metodi CRISP-DM,  ki analitiko razdeli na pet korakov:

• Razumevanje poslovnega področja: preden sploh naredimo kakršenkoli model, mora analitik razumeti poslovno področje in poslovni problem, ki ga obdeluje. Kadar se boste z odhodi strank ukvarjali sami, lahko ta korak tudi preskočite. Kadar pa analitiko zaupate v roke zunanjim analitikom, boste morali poskrbeti, da bodo poznali področje vašega dela in pravilno postavili model ter izračunali verjetnost odhodov.
• Razumevanje podatkov: da bomo dobili pravilne verjetnosti odhodov strank, bomo morali v napovedni model pripeljati pravilne in kvalitetne podatke o odhodih strank iz preteklih let. Oboje ima velik vpliv na naše izhodne rezultate, saj vsak podatek po svoje vpliva na logiko modela, ki ga bo zgradil program.

• Priprava podatkov: da bi dobili želen nabor podatkov, moramo večkrat zbrati podatke iz različnih virov. Če imamo na razpolago podatkovno skladišče, toliko bolje, saj lahko v tem primeru uporabimo en sam vir. Toda najpogosteje se je treba za pravi nabor malo bolj potruditi in poiskati različne preglednice in datoteke, ki ležijo vsepovsod po podjetju. V tem primeru se takšne datoteke pripelje v IBM SPSS Modeler in se jih tam z razpoložljivimi orodji ETL pregleda, združi in obdela. Rezultat je enoten podatkovni nabor, ki nam bo služil kot osnova napovednega modela.

• Modeliranje: Celoten proces prediktivne analitike se odvija preko napovednih modelov, ki jih izdelamo v programu IBM SPSS Modeler. Modeler podpira tako uporabo algoritmov za klasifikacije, ki so klasični prediktivni algoritmi, kot tudi uporabo asociativnih modelov in modelov za segmentacije. Glede na prej omenjeno zahtevo, da IBM SPSS Modeler uporabljajo nestrokovnjaki, je na voljo tudi avtomatska izbira pravega algoritma, ki izmed vseh razpoložljivih ponudi tistega, ki bo za vas najbolj natančno izračunal, katere stranke vas nameravajo zapustiti.

• Ocenjevanje natančnosti:

Podatke, ki smo jih dobili v prejšnjih korakih, spustimo skozi model. Ta bo pregledal podatke iz preteklosti in poskušal najti vzorce ter povezave, na osnovi katerih bo pripravil poslovna pravila za določanje odhodov strank. V ta namen nabor podatkov razdelimo na dva dela – testni in učni. Učni bo služil učenju modela. Ko bo proces učenja zaključen, bomo skozi model spustili še testni nabor in razmerje tistih, ki bodo ostali, in ki bodo odšli, mora biti enako.

• Uporaba modela: Ko smo z modelom zadovoljni, smo pripravljeni za uporabo v praksi. Skozi napovedni model spustimo sveže podatke, ki zajemajo vse naše trenutne, aktivne stranke. Napovedni model bo za vsako stranko izračunal verjetnost odhoda, rezultati pa bodo grafično predstavljeni, da bo izbor kandidatov za nadaljnjo obdelavo kar najenostavnejši.

Ko za vsakega uporabnika dobimo verjetnost odhoda, se seveda ne bomo ukvarjali z vsemi, pač pa le s tistimi, ki imajo po eni strani najvišjo vrednost za nas, po drugi strani pa je tudi najbolj verjetno, da odidejo.

Rezultati

Na zgornji sliki je verjetnost odhodov predstavljena na osi X in njihova vrednost za podjetje na osi Y. Ko kampanjo zadrževanja strank omejimo, hkrati zmanjšamo stroške in povečamo učinkovitost.

Bazo bomo tako razdelili v tri segmente:

• Stranke, ki jih ne vznemirjamo: To so bodisi tisti, ki imajo majhno tveganje odhoda, ali tisti, ki imajo premajhno vrednost, da bi se z njimi sploh ukvarjali.
• VIP stranke z veliko vrednostjo za nas in visoko verjetnostjo odhoda. Takšne stranke se vedno obdela individualno, torej se jih pokliče in povabi na sestanek.
• Pristop z osebnim dopisom – ostalim strankam pošljemo premišljen dopis, ki bo ustrezal njihovim lastnostim in željam.