Créer une prédiction du taux d’attrition

Découvrez comment créer une prédiction du taux de désabonnement dans le tableau de bord de Braze.

Étape 1 : Créer une nouvelle prédiction

Dans Braze, sélectionnez Analyse > Prédiction du taux d’attrition.

Une prédiction est une instance d’un modèle d’apprentissage automatique formé et de tous les paramètres et données qu’il utilise. Sur cette page, vous trouverez une liste des prédictions actives actuelles ainsi que quelques informations de base à leur sujet. Vous pouvez y renommer, archiver et créer de nouvelles prédictions. Les prédictions archivées sont inactives et ne mettent pas à jour les scores utilisateur.

Pour créer une nouvelle prédiction, choisissez Créer une prédiction et sélectionnez une nouvelle prédiction du taux d’attrition.

Sur la page de base, donnez un nom unique à votre nouvelle prédiction. Vous pouvez également fournir une description facultative pour prendre des notes sur cette prédiction particulière.

Sélectionnez Avancer pour passer à l’étape suivante. En option, vous pouvez sélectionner Créer maintenant pour utiliser tous les paramètres par défaut et passer à la dernière étape de la création. Vous aurez la possibilité de revoir les paramètres avant de lancer le processus de création. Vous pouvez revenir à n’importe quelle étape ultérieurement en la sélectionnant dans le tableau de suivi de la progression.

Étape 2 : Définir l’attrition

Dans le panneau Définition du désabonnement, utilisez les filtres fournis pour spécifier la manière dont vous définissez le désabonnement des utilisateurs pour votre entreprise. En d’autres termes, qu’est-ce qu’un utilisateur doit faire et dans quel délai pour que vous considériez qu’il a abandonné ?

N’oubliez pas que vous n’avez pas besoin d’expliquer les comportements qui peuvent précéder l’abandon, seulement ce qui transforme un utilisateur en utilisateur ayant abandonné. Pensez à cela en termes de ce qu’un utilisateur fait une fois (do) ou arrête de faire (do not) qui constituerait l’attrition. Par exemple, vous pouvez considérer les utilisateurs qui n’ont pas ouvert votre application en 7 jours comme ayant abandonné. Vous pourriez envisager que désinstaller, ou des événements personnalisés comme se désabonner, désactiver un compte ou autres, indiquent l’abandon de l’utilisateur.

Fenêtre d’attrition

La fenêtre de désabonnement est la période pendant laquelle l’activité d’un utilisateur répond aux critères de désabonnement. Vous pouvez la définir pour une durée allant jusqu’à 60 jours, en fonction des données disponibles. Cette fenêtre est utilisée pour extraire des données historiques afin d’entraîner vos prédictions. Une fois la prédiction créée, vous verrez s’il y avait suffisamment de données pour obtenir des résultats précis.

Une fois que la prédiction s’est créée et que les utilisateurs ont reçu des scores, le score de risque de désabonnement indique la probabilité qu’un utilisateur désabonne dans le délai que vous avez défini dans la fenêtre de désabonnement.

Voici un exemple de définition simple basée sur l’inactivité des sessions au cours des 7 derniers jours.

Dans ce cas, nous sélectionnons do not et start a session. Vous pouvez combiner d’autres filtres avec AND et OR comme vous le désirez pour créer la définition dont vous avez besoin. Vous êtes intéressé par certaines définitions d’attrition à envisager ? Vous pouvez trouver votre inspiration dans la section suivante sur les exemples de définition de l’attrition.

Sous la définition, vous verrez les estimations du nombre d’utilisateurs disponibles (qui ont abandonné ou pas par le passé selon votre définition). Vous verrez également les valeurs minimales requises. Braze doit disposer de ce nombre minimum d’utilisateurs dans les données historiques afin que la prédiction dispose de suffisamment de données pour apprendre.

Étape 3 : Filtrer votre audience de prédiction

Votre audience de prédiction est le groupe d’utilisateurs pour lesquels vous souhaitez prédire le risque de désabonnement. L’audience de prédiction définit le groupe d’utilisateurs que le modèle de machine learning examine pour tirer des enseignements du passé. Par défaut, ce paramètre est défini sur Tous les utilisateurs, ce qui signifie que cette prédiction créera des scores de risque de désabonnement pour tous vos utilisateurs actifs (reportez-vous à la note précédente pour savoir qui est considéré comme actif pour un modèle de désabonnement).

En fonction de votre cas d’utilisation, vous pouvez utiliser des filtres pour spécifier les utilisateurs que vous souhaitez évaluer pour le modèle. Pour ce faire, sélectionnez Définir ma propre audience de prédictions et choisissez vos filtres d’audience. Par exemple, si vous êtes une application de covoiturage avec des conducteurs et des usagers dans votre base d’utilisateurs, et que vous créez un modèle de désabonnement pour les usagers, vous voudrez filtrer votre audience de prédiction aux seuls usagers. Gardez à l’esprit que de nombreux cas d’utilisation ne nécessitent pas que vous sélectionniez une audience de prédictions spécifique. Par exemple, si votre cas d’utilisation consiste à cibler les utilisateurs de la région UE qui sont les plus susceptibles de désabonner, vous pouvez exécuter votre modèle sur tous les utilisateurs, puis simplement inclure un filtre pour la région UE dans le segment de la campagne.

Braze vous indiquera la taille estimée de votre audience de prédictions. Si vous spécifiez l’audience souhaitée et que vous n’atteignez pas le minimum requis pour exécuter le modèle, essayez de spécifier un filtre plus large ou utilisez l’option Tous les utilisateurs. Notez que la taille de votre groupe “tous les utilisateurs” n’est pas statique et varie d’un modèle à l’autre, car elle tient compte de votre définition du désabonnement. Dans ce cas, Braze exécute le modèle sur les utilisateurs qui ont acheté au cours des 30 derniers jours (et prédit la probabilité qu’ils n’ achètent pas au cours des 30 prochains jours), et ce sont donc ces utilisateurs qui sont pris en compte dans l’indicateur “tous les utilisateurs”.

Lorsque la fenêtre de prédiction est de 14 jours ou moins, la fenêtre temporelle pour les filtres qui commencent par “Dernier…”, comme “Dernière utilisation d’une application” et “Dernier achat effectué” ne peut pas dépasser la fenêtre de désabonnement spécifiée dans la définition du taux d’attrition. Par exemple, si votre définition de l’attrition dispose d’une fenêtre de 14 jours, la fenêtre temporelle du filtre « Dernier… » ne peut pas dépasser 14 jours.

La fenêtre de désabonnement est évaluée en fonction du nombre de jours écoulés depuis la dernière exécution du modèle. Ainsi, si la fenêtre de désabonnement est de 15 jours et que le modèle a été exécuté pour la dernière fois le 1er décembre, le modèle analyse la période du 16 au 30 novembre pour comprendre l’activité de l’utilisateur aux fins de l’éligibilité de l’audience et de la formation.

Mode de filtrage complet

Afin de créer immédiatement une nouvelle prédiction, seul un sous-ensemble de filtres de segmentation de Braze est pris en charge. Le mode filtrage complet vous permet d’utiliser tous les filtres de Braze, mais nécessite une fenêtre de désabonnement pour créer la prédiction. Par exemple, si la fenêtre d’attrition est définie sur 15 jours, il faudra 15 jours pour collecter les données de l’utilisateur et créer la prédiction lors de l’utilisation de filtres uniquement pris en charge en mode de filtrage complet. En outre, certaines estimations concernant la taille des audiences ne seront pas disponibles en mode filtrage complet.

Pour obtenir une liste d’exemples de définitions d’audience de prédiction, consultez nos exemples de définitions dans la section suivante sur les exemples de définitions de l’attrition.

Tout comme la page précédente, le panneau inférieur vous indique le nombre estimé d’utilisateurs désabonnés résultant de votre définition du désabonnement et de la définition de l’audience de prédiction. Ces estimations doivent répondre aux exigences minimales indiquées afin de créer une prédiction.

Étape 4 : Choisissez la fréquence de mise à jour pour la prédiction du taux d’attrition.

Le modèle d’apprentissage automatique générera des scores de probabilité d’événement pour les utilisateurs, et ces scores seront mis à jour en fonction de la planification que vous sélectionnez ici. Vous pourrez cibler les utilisateurs en fonction de leur score de probabilité d’événement.

Sélectionnez la fréquence maximale des mises à jour que vous jugerez utile. Par exemple, si vous comptez envoyer une promotion hebdomadaire pour empêcher les utilisateurs de se désabonner, définissez la fréquence de mise à jour sur Hebdomadaire au jour et à l’heure de votre choix.

Étape 5 : Créer la prédiction

Vérifiez que les informations que vous avez fournies sont correctes, puis choisissez Créer la prédiction. Vous pouvez également enregistrer vos modifications sous forme de brouillon en sélectionnant Enregistrer comme brouillon pour revenir à cette page et créer le modèle ultérieurement. Une fois que vous avez sélectionné Créer une prédiction, le processus qui génère le modèle commence. Cela peut prendre entre 30 minutes et quelques heures en fonction du volume de données. Pour cette prédiction, vous verrez une page expliquant que la formation est en cours pour la durée du processus de création du modèle. Le modèle de Braze prend en compte les événements personnalisés, les événements d’achat, les événements d’interaction avec la campagne et les données de session.

Une fois l’opération terminée, la page passe automatiquement à l’analyse/analytique et vous recevez un e-mail vous informant que les prédictions et les résultats sont prêts. En cas d’erreur, la page revient en mode Édition avec une explication de ce qui s’est mal passé.

La prédiction sera reconstruite (“réentraînée”) automatiquement toutes les deux semaines afin de la maintenir à jour sur la base des données les plus récentes disponibles. Notez qu’il s’agit d’un processus distinct de la production des scores de risque de désabonnement des utilisateurs, qui sont le résultat de la prédiction. Ces derniers sont déterminés par la fréquence de mise à jour que vous avez choisie à l’étape 4.

Exemples de définitions d’attrition et de l’audience de prédiction

Exemples de définitions de l’attrition

• « Dans les 7 jours, effectue l’événement personnalisé “Annulation d’abonnement”. »
  
• « Dans les 30 jours, effectue l’événement personnalisé “Essai expiré”. »
  
• « Dans un délai d’un jour, effectue une désinstallation. »
  
• « Dans les 14 jours, ne réalise pas d’achat. »
  

Pour les définitions du désabonnement que nous avons présentées, il pourrait y avoir des définitions correspondantes de l’audience de prédiction :

• A commencé l’abonnement il y a plus de 2 semaines OU A commencé l’abonnement il y a moins de 2 semaines
  Vous pourriez désirer créer 2 prédictions dans ce cas, puis contacter les nouveaux utilisateurs abonnés différemment que les anciens. Vous pouvez également définir cela comme « Premier achat réalisé il y a plus de 30 jours ».
  
• Désinstallateurs
  Vous pourriez vous concentrer sur les clients qui ont acheté quelque chose il y a peu ou utilisé l’application très récemment.
  
• Les personnes « à risque de ne pas acheter » en tant que définition de l’attrition
  Vous pouvez vous concentrer sur les clients qui ont navigué ou effectué des recherches, ou qui se sont engagés avec votre application plus récemment. Peut-être que l’apparition d’une remise appropriée empêchera ce groupe plus engagé d’abandonner.

Prédictions archivées

Les prédictions archivées cesseront de mettre à jour les scores des utilisateurs. Toute prédiction non archivée continuera à mettre à jour les scores des utilisateurs selon sa planification prédéterminée. Les prédictions archivées ne sont jamais supprimées et restent dans la liste.