Créer une prévision du taux de désabonnement
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.
Le nombre de prédictions du taux d’attrition actives simultanément est limité à cinq. Avant d’acheter Predictive Churn, la limite est d’une prévision du taux d’attrition active. Une prédiction du taux d’attrition ne met pas régulièrement à jour les scores et ne vous permet pas de cibler les utilisateurs sur la base des résultats de la prédiction. Contactez votre gestionnaire de compte pour plus de détails.
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.
Veuillez sélectionner « Suivant » pour passer à l’étape suivante. Vous pouvez également sélectionner « Créer maintenant » pour utiliser tous les paramètres par défaut et passer directement à la dernière étape de la création. Vous aurez la possibilité de vérifier les paramètres avant de lancer le processus pour créer le logiciel. Vous pouvez revenir à n’importe quelle étape ultérieurement en la sélectionnant dans le suivi de 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 correspond à la période pendant laquelle l’activité d’un utilisateur répond aux critères de désabonnement. Vous pouvez le configurer pour une durée maximale de 60 jours, en fonction des données disponibles. Cette fenêtre est utilisée pour extraire des données historiques afin d’entraîner votre modèle de prédiction. Une fois la prédiction créée, vous pourrez déterminer si les données étaient suffisantes pour obtenir des résultats précis.
Une fois la prédiction créée et les scores communiqués aux utilisateurs, le score de risque de désabonnement indique la probabilité qu’un utilisateur se désabonne au cours de la période que vous avez définie 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.
Pour do, nous supposons que les utilisateurs actifs n’ont pas effectué l’action que vous spécifiez pour cette ligne avant de se désabonner. Effectuer l’action entraîne leur considération comme ayant abandonné.
Pour do not, nous considérons comme utilisateurs actifs ceux qui ont effectué cette action au cours des jours précédents, puis ont cessé de le faire.
Exemple : Si le taux de désabonnement est défini comme « n’ayant pas effectué d’achat au cours des 60 derniers jours », nous considérons comme utilisateurs actifs ceux qui ont effectué un achat au cours des 60 derniers jours. Par conséquent, toute personne n’ayant effectué aucun achat au cours des 60 derniers jours n’est pas considérée comme un utilisateur actif. Cela signifie qu’une audience de désabonnés créée à partir de cette définition ne comprendrait que les utilisateurs ayant effectué un achat au cours des 60 derniers jours. Cela peut donner l’impression que l’audience de prédiction du taux d’attrition est nettement plus réduite que la population d’origine. En effet, la plupart des utilisateurs d’un espace de travail pourraient déjà répondre à la définition d’utilisateur désabonné et ne pas être actifs dans la prédiction du taux d’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 cible est le groupe d’utilisateurs pour lequel vous souhaitez prédire le risque de désabonnement. L’audience de prédictions définit le groupe d’utilisateurs que le modèle de machine learning examine afin de tirer des enseignements du passé. Par défaut, cette option est définie sur Tous les utilisateurs, ce qui signifie que cette prédiction créera des scores de risque de désabonnement pour tous vos utilisateurs actifs (veuillez vous référer 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 dont la base d’utilisateurs comprend des chauffeurs et des passagers, et que vous créez un modèle de prédiction du taux d’attrition pour les passagers, il serait judicieux de filtrer votre audience de prédiction afin de ne retenir que les passagers. Veuillez noter que de nombreux cas d’utilisation ne nécessitent pas la sélection d’une audience de prédictions spécifique. Par exemple, si votre objectif est de cibler les utilisateurs de la région UE les plus susceptibles de se désabonner, vous pouvez appliquer votre modèle à 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 cible. Si vous spécifiez votre audience cible et que vous ne répondez pas aux critères minimaux requis pour exécuter le modèle, veuillez essayer de définir un filtre d’audience plus large ou d’utiliser l’option Tous les utilisateurs. Veuillez noter que la taille de votre groupe « tous les utilisateurs » n’est pas fixe et varie d’un modèle à l’autre, car elle tient compte de votre définition du taux de désabonnement. Par exemple, supposons que la définition du taux d’attrition soit l’absence d’achat pendant 30 jours. Dans ce cas, Braze applique le modèle aux utilisateurs qui ont effectué un achat au cours des 30 derniers jours (et prédit la probabilité qu’ils n’effectuent pas d’achat au cours des 30 prochains jours). Ces utilisateurs sont donc pris en compte dans l’indicateur « tous les utilisateurs ».
L’audience des prédictions ne peut dépasser 100 millions d’utilisateurs.
Lorsque la fenêtre de prédiction est de 14 jours ou moins, la fenêtre temporelle pour les filtres commençant par « Dernier… », tels que « Dernière application utilisée » et « Dernier achat effectué », ne peut pas dépasser la fenêtre de désabonnement spécifiée dans la définition du désabonnement. 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 examinant le 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 comprise entre le 16 et le 30 novembre afin de comprendre l’activité des utilisateurs pour déterminer leur éligibilité et leur formation.
Mode de filtrage complet
Afin de créer immédiatement une nouvelle prédiction, seul un sous-ensemble de filtres de segmentation Braze est pris en charge. Le mode de filtrage complet vous permet d’utiliser tous les filtres Braze, mais nécessite une fenêtre de désabonnement pour créer la prévision. 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 de machine learning générera des scores de probabilité d’événement pour les utilisateurs, et ces scores seront mis à jour en fonction de la planification que vous sélectionnerez ici. Vous pourrez réaliser le ciblage des 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.
La prédiction d’un aperçu ou d’une démo ne mettra jamais à jour le risque de désabonnement des utilisateurs. En outre, les mises à jour quotidiennes des prédictions nécessitent un achat supplémentaire par rapport aux mises à jour hebdomadaires ou mensuelles avec le taux d’attrition prédictif. Pour acheter cette fonctionnalité, contactez votre gestionnaire de compte.
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 de génération du modèle commence. Cela peut prendre entre 30 minutes et quelques heures en fonction du volume de données. Pour cette prédiction, une page s’affichera pour vous informer que la formation est en cours pendant toute la durée du processus de création du modèle. Le modèle Braze prend en compte les événements personnalisés, les événements d’achat, les événements d’interaction avec les campagnes et les données de session.
Une fois cette opération effectuée, la page passera automatiquement à la vue analytique et vous recevrez également un e-mail vous informant que les prédictions et les résultats sont disponibles. 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 choisir de vous concentrer sur les clients qui ont récemment consulté, recherché ou interagi avec votre application. 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.
Modifier cette page sur GitHub