sap predictive analytics для прогнозирования …...2019/04/23 · Для...

INTERNAL

Partner logo

Сергей Абдуракипов, SAP

Month 00, 2019

SAP Predictive Analyticsдля прогноза оттока клиентов

2INTERNAL© 2019 SAP SE or an SAP affiliate company. All rights reserved. ǀ

▪ SAP Predictive Analytics

▪ Задача прогнозирования оттока клиентов

▪ Как построить модель в SAP Predictive Analytics

▪ Результаты моделирования оттока клиентов телеком компании

▪ Экономический эффект от модели

Содержание

SAP Predictive Analytics


Решение SAP Predictive Analytics

SAP Predictive Analytics – Специализированное решение для построения

математических аналитических моделей

➢ Выполнение многих действий аналитика автоматизировано

➢ Итерационный процесс улучшения качества модели

➢ Интерпретируемость результата

➢ Более 500 успешных проектов в мире

➢ Быстрое решение задачи, быстрая адаптация модели

➢ Промышленное решение

Результат:


Инструменты Data Mining

o Отбор атрибутов

o Выбор алгоритма

o Ручная подготовка данныхo Выбросы

o Пропуски

o Нелинейности

o Мультиколлинеарность

o Проверка распределений

Автоматизированное

моделирование SAP

o Использует все атрибуты

o Ориентирован на результат

o Полностью автоматизированный процесс:o Автоматизированное создание наборов данных

o Автоматическое кодирование данных

o Внедрение

Построение модели – недели труда

статистика

Построение модели – часы и минуты

работы бизнес-аналитика

Выбор переменных

Подготовка данных

Построение модели

Тестирование

Понимание

Применение

Построение модели

Понимание

Применение

SAP Predictive Analytics меняет правила

Задача оттока клиентов


Зачем прогнозировать отток клиентов?

• Отток является одной из самых больших проблем,

стоящих перед большинство компаний

• Согласно Harvard Business Review, найти нового

клиента стоит от 5 до 25 раз дороже, чем сохранить

существующего. Другими словами, существующие

клиенты на вес золота!

• Предотвращение оттока клиентов является важной

бизнес-функцией

Создав модель для прогнозирования оттока клиентов с помощью алгоритмов

машинного обучения, в идеале, мы можем устранить проблему неудовлетворенных

клиентов в зародыше и поддерживать текущие доходы компании


Постановка задачи

• Набор данных включал 7 тысяч уникальных записей о клиентах телекоммуникационной / интернет-

компании. Каждая запись содержала информацию о клиенте, которая включала такие признаки как:

o Услуги - на какие услуги подписан клиент (интернет, телефон, кабельное ТВ и т. д.)

o Ежемесячный счет

o Срок пребывания - как долго он был клиентом

o Основная демографическая информация - пенсионеры, имеют ли они иждивенцев и т.д.

• ~75% данных обучение и ~25 % данных тестирование

• Для целей нашего исследования целевой переменной было: ушел ли клиент или нет в течение

последнего месяца (клиент разорвал договор) – задача классификации

• Результат: вероятность оттока клиента, наиболее значимые предикторы оттока и их диапазоны

влияния согласно модели

SAP Predictive AnalyticsКак построить качественную модель за минуту


Создание модели

классификации


Выбираем датасет


Выбор типа переменных


Выбор целевой переменной

Исключение переменных


Процесс обучения


Формирование отчета по модели

Результаты моделирования

оттока клиентов


Метрики качества модели SAP Predictive Analytics

Модель, построенная в SAP Predictive Analytics Automated обеспечивает хорошие

показатели качества AUC ROC = 0.78, при этом полнота определения оттока 80%,

что важно с точки зрения бизнеса

ROC – кривая

Площадь под кривой – мера качества классификатора

AUC ROC = 0.78

Чувств

ите

льно

сть

1-специфичность

Полнота = 80%, точность = 54 %

Полнота гораздо важнее точности!

Потеря клиента несет значительно

большие убытки, чем программа

лояльности / скидка для клиента


Мы сравнили эффективность нашей модели с

популярными open source реализациями

моделей машинного обучения «из коробки»:

▪ Метод опорных векторов

▪ Логистическая регрессия

▪ Случайные лес

▪ Градиентный бустинг

Сравнение с популярными open source реализациями

Модель, построенная в SAP Predictive Analytics,

опережает все четыре бейзлайн-модели


Результаты. Значимость признаков

Наиболее значимыми факторами, влияющими на отток, являются величина месячных и

общих расходов на обслуживание, длительность пребывания в статусе клиента

Месячный счетОбщие расходы

Срок пребыванияИнтернет услуги

Тип договораБезопасность


Результаты. Веса признаков

Модель является интерпретируемой в том смысле, что весовые коэффициенты

модели характеризуют вклад предиктора в вероятность оттока


Результаты. Оценка значимости интервалов

Из анализа интервалов значимости можно сделать вывод, чем дольше человек

является клиентом компании, тем менее он склонен к оттоку. Граница

составляет 21 месяц



Обнаружены диапазоны месячной оплаты, при которых наблюдается повышение

или снижение вероятности оттока клиента, что позволяет выработать рекомендации

по акциям и программам лояльности



Обнаружены диапазоны общих затрат, при которых наблюдается повышение / снижение

вероятности оттока клиента, что позволяет выработать рекомендации по акциям и

программам лояльности

Расчет экономического эффекта


Экономический эффект от модели. Предположения

Для целей нашего анализа мы сделали 3 предположения:

• Для каждого клиента, покинувшего компанию, компания заменит этого клиента другим за 10-

30 тыс. рублей. Маркетинг, реклама, прочие акции - стоимость складывается.

• Мы могли бы удержать каждого покупателя, который с большой вероятности склонен к оттоку,

вложив в повышение его лояльности 6 тыс. рублей. Это может быть за счет скидок,

улучшения обслуживания (например, увеличения скорости интернета) или предоставления

скидок

• Согласно базовой модели мы будем тратить по 6 тыс. рублей на всех клиентов для

повышения их лояльности и предотвращения оттока


Цены ошибок!Максимизация выгоды


Экономический эффект от модели

Модель позволяет экономить в общей сложности 18 млн руб., обойдя наивную модель,

когда мы повышаем лояльность всех клиентов - 10,5 млн. руб.

Кривая выгоды


Заключение

• Инструмент SAP Predictive Analytics успешно применен для решения задачи

прогнозирования оттока клиентов. Модель построена в автоматическом

режиме с минимальным участием аналитика

• Модель SAP Predictive Analytics «из коробки» победила среди набора

популярных моделей из open source библиотек (логистическая регрессия,

градиентный бустинг и др.)

• Модель показывает отличное значение полноты = 81%

• В целом, наша модель позволяет сэкономить в общей сложности около 18

млн. руб., обойдя «наивную» модель, когда мы повышаем лояльность всех

клиентов, что экономит 10 млн. руб.

Partner logo

Contact information:

Sergey Abdurakipov

Title

Address

Phone number

Thank you.

sap predictive analytics для прогнозирования …...2019/04/23 · Для...

Documents