Crie uma previsão de churn

Saiba como criar uma previsão de churn no dashboard da Braze.

Etapa 1: Criar uma nova previsão

Na Braze, acesse Analytics > Predictive Churn.

Uma previsão é uma instância de um modelo de machine learning treinado e todos os parâmetros e dados que ele usa. Nessa página, você verá uma lista das previsões ativas atuais, juntamente com algumas informações básicas sobre elas. Aqui, você pode renomear, arquivar e criar novas previsões. As previsões arquivadas são inativas e não atualizam as pontuações dos usuários.

Para criar uma nova previsão, escolha Create Prediction e selecione uma nova Churn Prediction.

Nota

Há um limite de cinco previsões de churn ativas simultaneamente. Antes de comprar o Predictive Churn, o limite é uma pré-visualização ativa de previsão de churn. Uma pré-visualização de previsão de churn não atualizará regularmente as pontuações nem permitirá o direcionamento de usuários com base no resultado da previsão. Fale com o gerente da sua conta para obter detalhes.

Na página Basics, dê um nome exclusivo à sua nova previsão. Você também pode fornecer uma descrição opcional para fazer anotações sobre essa previsão específica.

Selecione Forward para ir para a próxima etapa. Opcionalmente, você pode selecionar Compilar agora para usar todas as configurações padrão e pular para a última etapa de criação. Você terá a oportunidade de revisar as configurações antes de iniciar o processo de construção. Você pode retornar a qualquer etapa mais tarde selecionando-a no rastreador de progresso.

Etapa 2: Definir churn

No painel Definição de churn, use os filtros fornecidos para especificar como você define o churn de usuários para o seu negócio. Em outras palavras, o que um usuário precisa fazer em que período de tempo para que você o considere como churn?

Lembre-se de que não é necessário explicar quais comportamentos podem preceder o churn — apenas o que torna um usuário um usuário perdido. Pense nisso em termos de algo que um usuário faz uma vez (do) ou deixa de fazer (do not) e que constitui churn. Por exemplo, você pode considerar como churn os usuários que não abriram seu app em 7 dias. Você pode considerar a desinstalação ou eventos personalizados, como cancelar inscrição, desativar uma conta ou outros, para fazer com que um usuário se torne churn.

Janela de churn

A janela de churn é o período em que a atividade de um usuário atende aos critérios para churn. Você pode configurá-la para até 60 dias, dependendo dos dados disponíveis. Essa janela é usada para puxar dados históricos para treinar sua previsão. Uma vez que a previsão é construída, você verá se havia dados suficientes para resultados precisos.

Após a construção da previsão e os usuários receberem pontuações, o Score de Risco de Churn mostra quão provável é que um usuário churne dentro do período que você definiu na janela de churn.

Aqui está um exemplo de uma definição simples baseada em sessões inativas nos últimos 7 dias.

Para esse caso, selecionamos do not e start a session. Você pode combinar outros filtros com AND e OR conforme achar adequado para criar a definição de que precisa. Interessado em algumas definições potenciais de churn a serem consideradas? Você pode encontrar alguma inspiração na seção a seguir sobre Exemplos de definições de churn.

Nota

Para do, assumimos que os usuários ativos não realizaram a ação que você especifica para esta linha antes de se tornarem churn. A realização da ação faz com que eles se tornem churn.

Para do not, consideramos usuários ativos aqueles que realizaram essa ação nos dias anteriores e, em seguida, pararam.

Exemplo: Se churn é definido como “não iniciou uma sessão nos últimos 60 dias”, consideramos usuários ativos aqueles que iniciaram uma sessão nos últimos 60 dias. Como resultado, qualquer pessoa que não iniciou uma sessão nos últimos 60 dias não é considerada um usuário ativo. Isso significa que um público de churn criado a partir dessa definição de churn incluiria apenas usuários que iniciaram uma sessão nos últimos 60 dias. Isso pode fazer com que o público preditivo de churn resultante pareça significativamente menor do que a população original — a maioria dos usuários em um espaço de trabalho pode já atender à definição de churn e, portanto, não estar ativa na previsão de churn.

Abaixo da definição, você verá estimativas de quantos usuários (no passado, que churnaram e que não churnaram de acordo com sua definição) estão disponíveis. Você também verá os valores mínimos necessários. A Braze deve ter esse número mínimo de usuários disponíveis nos dados históricos para que a previsão tenha dados suficientes para aprender.

Etapa 3: Filtrar sua população de previsão

Sua população de previsão é o grupo de usuários para os quais você deseja prever o risco de churn. A população de previsão define o grupo de usuários que o modelo de machine learning analisa para aprender com o passado. Por padrão, isso está definido como Todos os usuários, o que significa que esta previsão criará pontuações de risco de churn para todos os seus usuários ativos (consulte a nota anterior para saber quem é considerado ativo para um modelo de churn).

Dependendo do seu caso de uso, você pode querer usar filtros para especificar os usuários que deseja avaliar para o modelo. Para fazer isso, selecione Definir minha própria população de previsão e escolha seus filtros de público. Por exemplo, se você é um app de viagem por aplicativo com motoristas e passageiros em sua base de usuários, e está construindo um modelo de churn para passageiros, você vai querer filtrar sua população de previsão apenas para passageiros. Tenha em mente que muitos casos de uso não exigem que você selecione uma população de previsão específica. Por exemplo, se seu caso de uso é direcionar usuários na região da UE que são mais propensos a churn, você pode executar seu modelo em todos os usuários e, em seguida, simplesmente incluir um filtro para a região da UE no Segment da Campaign.

A Braze mostrará o tamanho estimado da sua população de previsão. Se você especificar seu público desejado e não atender ao mínimo necessário para executar o modelo, tente especificar um filtro mais amplo ou use a opção Todos os usuários. Observe que o tamanho do seu grupo “todos os usuários” não é estático e varia de modelo para modelo, pois leva em conta sua definição de churn. Por exemplo, digamos que a definição de churn é não iniciar uma sessão em 30 dias; nesse caso, a Braze executa o modelo em usuários que iniciaram uma sessão nos últimos 30 dias (e prevê a probabilidade de que eles não iniciem uma sessão nos próximos 30 dias), então esses são os usuários refletidos na métrica “todos os usuários”.

Nota

A população de previsão não pode exceder 100 milhões de usuários.

Quando a janela de previsão é de 14 dias ou menos, a janela de tempo para filtros que começam com “Last…”, como “Last Used App” e “Last placed an order”, não pode exceder a janela de churn especificada na definição de churn. Por exemplo, se sua definição de churn tiver uma janela de 14 dias, a janela de tempo para os filtros “Last…” não poderá exceder 14 dias.

A janela de churn é avaliada olhando para o número de dias a partir do dia em que o modelo foi executado pela última vez. Então, se a janela de churn é de 15 dias e o modelo foi executado pela última vez em 1º de dezembro, o modelo analisa de 16 de novembro a 30 de novembro para entender a atividade do usuário para elegibilidade do público e treinamento.

Modo de filtro completo

Para construir uma nova previsão imediatamente, apenas um subconjunto de filtros de segmentação da Braze é suportado. O modo de filtro completo permite que você use todos os filtros da Braze, mas exigirá uma janela de churn para construir a previsão. Por exemplo, se a janela de churn for definida como 15 dias, serão necessários 15 dias para coletar os dados de usuários e criar a previsão ao usar filtros compatíveis apenas com o modo de filtro completo. Além disso, algumas estimativas sobre o tamanho do público não estarão disponíveis no modo de filtro completo.

Para obter uma lista de exemplos de definições de população de previsão, confira nossos exemplos de definições na seção a seguir sobre Exemplos de definições de churn.

Assim como na página anterior, o painel inferior mostrará o número estimado de usuários históricos que resultam da definição de churn e da definição da população de previsão. Essas estimativas devem atender aos requisitos mínimos mostrados para que seja possível criar uma previsão.

Etapa 4: Escolha a frequência de atualização para a previsão de churn

O modelo de machine learning gerará pontuações de probabilidade de eventos para os usuários, e essas pontuações serão atualizadas com base na programação que você selecionar aqui. Você poderá direcionar usuários com base em sua pontuação de probabilidade de eventos.

Selecione a frequência máxima de atualizações que você considera útil. Por exemplo, se for enviar uma promoção semanal para evitar que os usuários desistam, defina a frequência de atualização como Semanal no dia e hora de sua escolha.

Nota

A pré-visualização e a demonstração de previsão nunca atualizarão o risco de churn dos usuários. Além disso, as atualizações diárias para previsões exigem uma compra adicional além das atualizações semanais ou mensais com o Predictive Churn. Para adquirir essa funcionalidade, entre em contato com o gerente da sua conta.

Etapa 5: Construir previsão

Verifique se os detalhes que você forneceu estão corretos e selecione Build Prediction. Você também pode salvar suas alterações no formato de rascunho selecionando Salvar como rascunho para retornar a essa página e criar o modelo posteriormente. Depois de selecionar Build Prediction, o processo que gera o modelo começará. Isso pode levar de 30 minutos a algumas horas, dependendo do volume de dados. Para esta previsão, você verá uma página explicando que o treinamento está em andamento durante a duração do processo de construção do modelo. O modelo da Braze leva em conta eventos personalizados, eventos de compra, eventos de eCommerce, eventos de interação de Campaign e dados de sessão.

Depois que terminar, a página mudará automaticamente para a visualização de análise de dados, e você também receberá um e-mail informando que a previsão e os resultados estão prontos. No caso de um erro, a página retornará ao modo de edição com uma explicação do que deu errado.

A previsão será reconstruída (“retreinada”) novamente a cada duas semanas automaticamente para mantê-la atualizada com os dados mais recentes disponíveis. Note que esse é um processo separado de quando as pontuações de risco de churn dos usuários, o resultado da previsão, são produzidas. Este último é determinado pela frequência de atualização que você escolheu na etapa 4.

Exemplos de definições de churn e população de previsão

Exemplos de definições de churn

• “Dentro de 7 dias, faça o evento personalizado ‘Cancelamento de inscrição’“
  
• “Dentro de 30 dias, faça o evento personalizado ‘Período de teste expirou’“
  
• “Em um dia, faça a desinstalação.”
  
• “Dentro de 14 dias, não faça uma compra.”
  

Para as definições de churn que descrevemos, pode haver algumas definições de população de previsão correspondentes:

• Iniciou a inscrição há mais de duas semanas OU iniciou a inscrição há menos de duas semanas
  Nesse caso, talvez você queira criar duas previsões e enviar mensagens aos novos assinantes de forma diferente dos assinantes de longo prazo. Você também poderia definir isso como “Primeira compra feita há mais de 30 dias”.
  
• Desinstaladores
  Você pode se concentrar nos clientes que compraram algo no passado recente ou que usaram o app muito recentemente.
  
• Aqueles que correm o risco de não comprar como uma definição de churn
  Você pode querer se concentrar em clientes que têm navegado ou pesquisado, ou interagido com seu app mais recentemente. Talvez a intervenção correta de desconto impeça esse grupo mais engajado de churn.

Previsões arquivadas

As previsões arquivadas deixarão de atualizar as pontuações dos usuários. Qualquer previsão arquivada que for desarquivada continuará atualizando as pontuações dos usuários em sua programação predeterminada. As previsões arquivadas nunca são excluídas e permanecem na lista.