Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

VI. SPSS Konferencia, 2007. november 6. SVM alkalmazása churn előrejelzésre Churn előrejelzés 2007 Előadók: Kovács Gyula – Data Research Kft.

Hasonló előadás


Az előadások a következő témára: "VI. SPSS Konferencia, 2007. november 6. SVM alkalmazása churn előrejelzésre Churn előrejelzés 2007 Előadók: Kovács Gyula – Data Research Kft."— Előadás másolata:

1 VI. SPSS Konferencia, november 6. SVM alkalmazása churn előrejelzésre Churn előrejelzés 2007 Előadók: Kovács Gyula – Data Research Kft.

2 VI. SPSS Konferencia, november 6. Tartalom Churn előrejelzés – feladat ismertetése Történeti áttekintés Ami a churn modellekről tudni kell Churn modellek 2007-ben Hogyan javítható a churn előrejelzés Adatok Megtarthatóság vizsgálata Új algoritmus alkalmazása Teszt eredmények ismertetése – KTM és a többi

3 VI. SPSS Konferencia, november 6. Churn előrejelzés - PREDIKCIÓ Feladat: egy olyan modell előállítása, mely az ügyfelekről rendelkezésre álló adatok alapján megmondja annak a valószínűségét, hogy az adott ügyfél szerződése megszűnik a közeljövőben Megválaszolandó kérdések: milyen elvándorlást jelzünk előre („forced” vagy „unforced”) milyen időintervallumra jelzünk előre mit is jelzünk előre pontosan – elvándorlás és megtarthatóság kapcsolata milyen rendszerességgel kell kiszámolni a churn valószínűségeket - milyen adatokat építhetünk be a modellbe hogyan értékeljük ki a modelleket az elvándorlási valószínűség alapján legyen ügyfél szegmentáció és az milyen alapelvek alapján

4 VI. SPSS Konferencia, november 6. Churn előrejelzés – „Tanulás” Speciális mintán érdekes összefüggések feltárása, DM algoritmusokkal való ismerkedés – churn modellek fiókban „Úttörők” Első churn modellek illetve rendszerek kifejlesztése. Viszonylag kevés adat és egyéb okok miatt a modellek nem tudtak stabil teljesítményt adni. „Stabil rendszerek” Korábbi projektek tapasztalatainak felhasználásával illetve az új adatok beépítésével egyre stabilabb modellek kerültek előállításra (szerződés+viselkedés adat). CRM rendszerekkel való integráció elkezdődik „CRM” Szinte minden bank és telekommunikációs vállalatnak van saját churn rendszere – többségük CRM rendszerrel integrálva. Új CRM adatok a modellekbe.

5 VI. SPSS Konferencia, november 6. Churn előrejelzés napjainkban ELTERJEDTSÉG: legtöbb telekommunikációs cégnek és banknak van saját churn előrejelző rendszere MINŐSÉG: a modellek minősége között jelentős eltérések tapasztalható. Vannak 6-7 éve fejlesztett viszonylag elavult modellek, frissen fejlesztett egyszerű modellek és vannak igen stabil, professzionális churn rendszerek. A modellek többsége statikus – azaz egy projekt eredményeként előállt modell nem változik időben. TECHNOLÓGIA: A technológia szint nem változott – továbbra is modellek többsége logisztikus regresszióval kerül kiszámolásra. Az sem ritka, hogy a churn modellek „kézzel”, adatbányászati elemzések nélkül készülnek. ADATOK: az adattárházban tárolt adatok elérhetők a modellek számára, így a modellek minőségét befolyásolja az adattárház feltöltöttsége is. Általában szerződéssel kapcsolatos adatok és ügyfél viselkedésével kapcsolatos adatok rendelkezésre állnak, de ügyfélszolgálattal való interkaciók nem SCOPE: Churn valósszínűségek havonta frissülnek, az előrejelzések mindig a következő hónapokra vonatkoznak. ALKALMAZÁS: (a) proaktív csoport ez alapján válogat le, (b) kampány targetálásnál ezen információ felhasználása, (c) CRM folyamtokba integrálása. Legtöbb esetben a churn modellek alklamazása nincs átgondolva – „üresen dolgozik”.

6 VI. SPSS Konferencia, november 6. Churn modellek teljesítményének mérései Az ügyfelek sorbarendezése churn valószínűség szerint – majd kiszámolható ez alapján elkészíthető a churn modell teljesítmény görbéje. A görbe megmutatja, hogy a sorbarendezés után az első 1, 2, 3 %-ba az összes elvándorló hány százaléka esik. GYAKORLATBAN Átlagos churn ráta: 1,5% Churn ráta az első 1%-ban: 17,3% (LIFT: 11,5) Churn ráta az első 10%-ban: 9,5% (LIFT: 6,3)

7 VI. SPSS Konferencia, november 6. Modellek teljesítménye (első 1% LIFT értéke) CHURN MODELL Nincs hűség szerződés Van hűség szerződés Vezetékes cégek és bankok Mobil cégek LIFT: 4-6LIFT: 8-15

8 VI. SPSS Konferencia, november 6. Churn modellek fejlődési irányai

9 VI. SPSS Konferencia, november 6. Hogyan lehet javítani az ügyfél megtartást? Ügyfél elvándorlás komplex kezelése: egy téves szemléletmód változtatása, azaz az elvándorlás előrejelzése önmagában nem csökkenti az elvándorlás -> elvándorlási folyamat komplex kezelése Előrejelzés pontossága hogyan javítható: 1. Új adatok integrálása a modellbe (CRM adatok, Voice Mining, stb.) 2. Szűrés a megkeresés közben – GUIDE 3. MODELLEZÉS ÚJ ALGORITMUSSAL részprobléma

10 VI. SPSS Konferencia, november 6. Elvándorlás vs. megtarthatóság A churn modellek általában kiszámolják, hogy mekkora annak a valószínűsége, hogy az adott ügyfél elmegy 22-es csapdája Probléma: a churn modell a múltbeli adatok alapján kalkulál – nem tudja kalkulálni a jövőben történő eseményeket: pl. proaktív megkeresést. A szegmens B szegmens 1000-ből mennyire vándorol el ből mennyi vándorol el megkeresés után megkeresésből hányat tartunk meg 7 18 = =

11 VI. SPSS Konferencia, november 6. Churn előrejelzés javítása – új adatok (CRM) Az elmúlt években komoly CRM fejlesztések történtek a telekommunikációs és banki szektorban – ennek eredményeként rendelkezésre állnak ügyfél-ügyfélszolgálati interakciók is. interakció A tapasztalatok azt mutatják, hogy ezek az események önmagukban jelentősen felülírják az ügyfél elvándorlási valószínűségét -> azonnali frissítés indokolt Az interakciók után közvetlenül az ügyfelek 10-15%-nál azonnal érdemes átírni a churn valószínűséget (pl. magas elvándorlási valószínűség ügyfél egy új szolgáltatásra regisztrál vagy alacsony churn valószínűségű panaszkodik)

12 VI. SPSS Konferencia, november 6. Churn előrejelzés javítása – új adatok (Voice Mining) Voice Mining rendszerek az összes hanganyagot feldolgozzák, az ebből kinyert információk ugyancsak felhasználható a churn valószínűség számításánál. interakció Hanganyag Az adott ügyfélnek hány interakciója volt, ebből hány pozitív illetve negatív érzelmi skálájú LEHETSÉGES ALKALMAZÁS: 1. FRAUD RENDSZER - (magas churn valószínűségre állítás), amennyiben az ügyfél ingerülten fejezte be a telefonálást 2. CHURN MODELL – az ügyfélről rendelkezésre áll egy „history” rekord az elmúlt időszak interakcióiról (pozitív és negatív élmények külön tárolva) – ezen információk beépíthetők a churn modellbe.

13 VI. SPSS Konferencia, november 6. Churn előrejelzés javítása – GUIDE A churn valószínűség tovább finomítható az interakció közben – útmutató az ügyfélszolgálatosoknak! LEVÁLOGATÁS CHURN MODELL ALAPJÁN Alapsokasági churn ráta: 2% A churn modell segítségével leváloghatható ügyfél úgy, hogy körükben a churn ráta 20% olyan ügyfél is bekerült a leválogatásba, aki nem akar elmenni!!! MEGOLDÁS – megtartási ajánlat előtt tegyünk fel 2-3 olyan kérdést, ami alapján tovább szűrhető a minta. Nagyon elégedett: 2% Mennyire elégedet az X szolgáltatással Ön szerint mennyire drága a szolgáltatója? Nem drága/olcsó: 6% 548 ügyfél kap „fölöslegesen” ajánlatot

14 VI. SPSS Konferencia, november 6. Churn előrejelzés javítása – új algoritmus JELENJÖVŐ A churn modellek többsége logisztikus regresszióval készül. Előnyei: - Általában a legjobb teljesítményt adja - Nem fekete doboz – az eredmény modellek jól értelmezhetők (mik a kulcs változók előrejelzés szempontjából) - Nem kell külön adatbányászati szoftver Nemzetközi benchmarkok azt mutatják, a korábban szinte kizárólag logisztikus regressziót fokozatosan felváltják az SVM algoritmusok. Ennek oka: hogy egyre jobb SVM algoritmusok kerülnek kifejlesztésre, a futási idő fokozatosan javul, a modellek nem annyira robosztusak és a „fekete doboz” stáusz is egyre kevésbé jellemző rá.

15 VI. SPSS Konferencia, november 6. Teszt környezet leírása I. Üzletág 3 teszt adatbázis Mobil (prepaid) VonalasISP Rekordszám Változók száma Churn ráta 1,8% 4,2%1,2% Hűségszerződés Nem Igen

16 VI. SPSS Konferencia, november 6. Teszt eredmény – prepaid mobil TOP1%TOP10% LIFT Rekord:Változó Churn% ,8% KTM 14%-al több churn-ölőt talált TOP1%-on, mint a második (NH) helyezett a (+21-el több churnölő) +14% teszt

17 VI. SPSS Konferencia, november 6. Teszt eredmény – vonalas TOP1%TOP10% LIFT Rekord:Változó Churn% ,2% KTM 30%-al több churn-ölőt talált TOP1%-on, mint a második (LR) helyezett a (+27-el több churnölő) +30% teszt

18 VI. SPSS Konferencia, november 6. Teszt eredmény – ISP TOP1%TOP10% LIFT Rekord:Változó Churn% ,2% KTM 23%-al több churn-ölőt talált TOP1%-on, mint a második (NH) helyezett a (+24-el több churnölő) +23% +43% teszt

19 VI. SPSS Konferencia, november 6. Konkúzió KTM algoritmus átlagosan 14-30%-al ad jobb teljsítményt a TOP1%-on, mint a többbi algoritmus. Volt olyan tanító adatbázis, ahol a logisztikus regressziós modellnél 43%-al több churn-ölőt talált a TOP1%-on. A teszt adatbázisokon hasonló fölény tapasztalható, mint a tanító adatbázison, itt 11-20%-al ad jobb modellt. Ez azt jelenti, hogy a KTM „hajlamosabb” egy kicsit a túltanulásra – de ez általában az SVM algoritmusoknak is sajátja. Minél több a változók illetve rekordok száma, annál nagyobb a különbség a KTM és a többi modell teljesítménye között.


Letölteni ppt "VI. SPSS Konferencia, 2007. november 6. SVM alkalmazása churn előrejelzésre Churn előrejelzés 2007 Előadók: Kovács Gyula – Data Research Kft."

Hasonló előadás


Google Hirdetések