Túlélési elemzés az üzletben: ügyfélelvándorlás előrejelzése Pythonban

Szegmentálás: hol van a valódi különbség?

A szerződéstípus szerinti bontás mutatja meg a legerősebb összefüggést: a havi szerződéssel rendelkező ügyfelek görbéje esik a leggyorsabban, az éves és a kétéves szerződéseké jóval lassabban.

Itt érdemes megállni egy pillanatra, mert ez a fajta eredmény könnyen félreértelmezhető. Nem arról van szó, hogy a hosszabb szerződés megtartja az ügyfelet: sokkal inkább arról, hogy aki hosszabb szerződést választ, az eleve elkötelezettebb. A görbe egy összefüggést mutat, nem egy beavatkozás hatását.

Cox-regresszió: több változó egyszerre

A Kaplan-Meier egy változó szerint tud bontani. A Cox-féle arányos kockázati modell ennél többet ad: egyszerre több magyarázó változó hatását becsüli meg, regressziószerű együtthatókkal, amelyek egymással összevethetők.

A print_summary() kimenetében az együttható előjele a lényeg: a pozitív érték növeli, a negatív csökkenti a kockázatot, vagyis a célesemény bekövetkezésének esélyét az adott pillanatban. A exp(coef) oszlop ezt közvetlenül értelmezhető formában adja meg, például hogy egy adott szerződéstípus hányszorosára változtatja a felmondás kockázatát a referenciacsoporthoz képest.

A concordance_index_ a modell rangsorolási képességét mutatja: azt, hogy milyen arányban rendezi helyes sorrendbe két ügyfelet aszerint, melyik hagyja el előbb a szolgáltatást. A 0,5 a véletlen szintje, az 1 a tökéletes.

Egyedi előrejelzéshez a modell két hasznos metódust ad:

A teljes, futtatható példa Jupyter notebook formában itt érhető el.

Hogyan lesz az eredményből döntés?

A modell kimenete önmagában még nem üzleti érték. Négy dolog kell hozzá.

1. Kit szólítunk meg és mikor. A túlélési elemzés előnye pont az, hogy nem csak rangsort ad, hanem időzítést. Ha a görbe egy adott ügyfélcsoportnál a nyolcadik és a tizenkettedik hónap között esik a legmeredekebben, akkor a megtartási ajánlat ott a leghatékonyabb, nem a szerződés végén.
2. Mennyit érdemes rá költeni. A várható élettartamból és a havi díjból becsülhető az ügyfélérték, ebből pedig az, hogy mekkora kedvezmény térül meg még.
3. A modell tényleg jó-e. Itt ugyanazok a csapdák lesnek, mint bármelyik prediktív modellnél. Ha az adatba beszivárgott olyan információ, ami a valóságban csak a felmondás után áll rendelkezésre, akkor a modell szép eredményt ad és semmit nem ér. A gyakori modellkiértékelési hibák ennél a feladatnál különösen könnyen előjönnek, mert az időbeli szerkezet becsapós.
4. Ki fog cselekedni az eredmény alapján. Egy churn-modell akkor hoz pénzt, ha van olyan folyamat, ami a jelzést kezeli. Ez nem technikai kérdés, de a projekt sikerén ez dönt a legtöbbet, és ezért is érdemes egy ilyen prediktív projektet már a tervezéskor a döntésből visszafelé felépíteni.

Eszközök

Pythonban három könyvtár jön szóba. A lifelines a legkönnyebben induló, a Kaplan-Meier és a Cox-modell mellett parametrikus modelleket és diagnosztikát is ad, és a dokumentációja kiváló. A scikit-survival akkor jobb, ha a túlélési elemzést gépi tanulási keretbe illesztjük, mert a scikit-learn API-jára épül, és van benne random forest és gradient boosting alapú túlélési modell is. A pysurvival neurális hálós megközelítést is kínál.

Kezdéshez a lifelines elég, és a fenti példa is ezzel készült.

Gyakori kérdések

Mi a különbség a túlélési elemzés és egy churn-osztályozó között? Az osztályozó azt becsüli, elpártol-e az ügyfél egy adott időszakban, a túlélési elemzés pedig azt, hogy mikor, és milyen eséllyel marad meg az egyes időpontokig. Az utóbbi a cenzorált eseteket is fel tudja használni, és időzítést is ad, nem csak rangsort.

Mit jelent a cenzorált adat? Azt az esetet, ahol a vizsgált esemény az adatgyűjtés végéig nem következett be, tehát csak annyit tudunk, hogy az élettartam legalább ennyi volt. Egy churn-adatban az aktív ügyfelek mind ilyenek, és jellemzően ők vannak többségben.

Kell hozzá sok adat? A Kaplan-Meier néhány száz megfigyeléssel is értelmes görbét ad, a Cox-modellnél viszont a bevont változók száma és az események (nem cenzorált esetek) száma számít. Az ökölszabály szerint eseményenként legalább tíz megfigyelést érdemes tartani változónként.

Az együtthatók ok-okozati összefüggést mutatnak? Nem. A Cox-modell összefüggéseket mutat, és a szerződéstípus példája jól szemlélteti, mennyire félrevezető lehet ezt hatásként értelmezni. Beavatkozás hatását csak kísérlettel vagy kifejezetten kauzális módszerekkel lehet megbecsülni.

Használható-e ez prediktív karbantartásra? Igen, a szerkezet ugyanaz: a célesemény a meghibásodás, az időtartam a gép vagy alkatrész üzemideje, a cenzorált eset pedig a még működő egység. A gyakorlati különbség az, hogy ott jellemzően több szenzoradat van, és az időben változó magyarázó változók kezelése is előjön.