🔹Názov projektu: HOPERO – Churn prediction
🔹Trvanie projektu: Apríl 2025 – Jún 2025
🔹Partner: PredictiveDataScience
Hlavnou úlohou bolo vytvoriť prototyp modelu predikcie odchodu zákazníkov pre služby spoločnosti KROS. Cieľom bolo identifikovať zákazníkov, u ktorých je vyššie riziko ukončenia predplatného, aby bolo možné retenčné aktivity cieliť skôr a na základe dát, nie iba manuálnych predpokladov.
Ako sme to riešili
Prototyp sa zameriava na dve hlavné produktové oblasti. Využíva historické transakčné dáta spolu s dostupnými informáciami o používaní produktov, ako sú aktivita dokumentov alebo používanie systému. Odchod zákazníka (churn) je definovaný na základe obdobia platnosti služby: zákazník je považovaný za odídeného vtedy, keď sa jeho posledné zaplatené obdobie služby už skončilo. Model je trénovaný iba na informáciách, ktoré by boli dostupné pred bodom predikcie, čo je dôležité na zabránenie úniku dát a na to, aby bolo hodnotenie čo najbližšie reálnemu scenáru budúcej predikcie.
Výzvou nebolo iba natrénovať klasifikátor, ale aj pripraviť dáta konzistentným a spoľahlivým spôsobom. Dáta boli normalizované a spracované do jednotných časových intervalov. Zákazníci s príliš krátkou transakčnou históriou boli odfiltrovaní a okná príznakov boli navrhnuté tak, aby využívali nedávne správanie pred dátumom predikcie, nie informácie z obdobia po tom, ako zákazník už odišiel.
Prototyp bol navrhnutý ako kompletný pipeline od exportu databázy až po vyhodnotenie modelu a výstup predikcií. Riešenie sa zameriavalo na niekoľko kľúčových oblastí:
🔹Export a príprava dát: Boli pripravené skripty na obnovenie kópie databázy KROS v prostredí Docker, export potrebných tabuliek do formátu CSV a zlúčenie väčších dátových súborov z tabuliek používania do formátu vhodného na modelovanie.
🔹Vytvorenie označenia odchodu zákazníka: Zákazníci boli označení ako odídení alebo aktívni na základe dátumu ukončenia ich servisného obdobia, pričom zdrojom pravdy bola história transakcií.
🔹Tvorba príznakov s dôrazom na elimináciu úniku dát: Príznaky boli vypočítané iba z pevne definovaného historického obdobia pred bodom predikcie. Zahŕňali údaje z dostupných inštancií aj údaje o správaní používateľov v systéme.
🔹Tréning modelu a vyhodnotenie: Klasifikačný model náhodného lesa bol trénovaný samostatne pre rôzne dátové súbory. Vyhodnotenie zahŕňalo štandardné metriky klasifikácie, plochu pod ROC krivkou, konfúznu maticu, analýzu dôležitosti príznakov a vizuálne prehľady výkonnosti.
🔹Výstupy predikcií: Proces ukladá výsledky natrénovaného modelu a generuje pravdepodobnosti odchodu pre jednotlivých zákazníkov, čím sú výsledky použiteľné na následnú analýzu alebo prioritizáciu retenčných aktivít.
“Spoluprácu sme si užili, ukázala, ako možno transformovať transakčné a prevádzkové dáta systému KROS na praktické ukazovatele rizika odchodu zákazníkov, využiteľné v budúcich aktivitách zameraných na ich udržanie.“
JAKUB KOPÁL
Research Engineer
Čo sme dodali
Spolupráca viedla k vytvoreniu funkčného prototypu na predikciu odchodu zákazníkov (churn) pre zákazníkov spoločnosti KROS. Dodaný kód pripravuje dáta zo snapshotu databázy, trénuje a vyhodnocuje modely špecifické pre jednotlivé produkty, ukladá znovupoužiteľné modelové artefakty a exportuje pravdepodobnosti odchodu na úrovni zákazníka. Vyhodnotený model dosiahol skóre ROC AUC 0.80. Vďaka tomu je prototyp užitočným nástrojom včasného varovania, pričom rozhodovací prah možno prispôsobiť v závislosti od retenčných priorít spoločnosti KROS. Riešenie poskytuje spoločnosti KROS praktický základ pre use-casy zamerané na udržanie zákazníkov a ďalší vývoj modelov.
“Spolupráca s KInIT-tom nám ukázala, ako z bežných transakčných dát vyťažiť skutočne praktickú hodnotu. V súčasnosti máme vyhodnotené prvotné kolo pilotného overenia. Model identifikoval približne 250 zákazníkov s vyšším rizikom odchodu, z ktorých bola realizovaná cielená komunikácia na vzorke 24 zákazníkov. V 5 prípadoch došlo k následnej konverzii do tržieb. Na základe charakteru identifikovaných zákazníkov a absencie akejkoľvek inej plánovanej komunikácie možno predpokladať, že bez využitia predikčného modelu by títo zákazníci s vysokou pravdepodobnosťou neboli včas oslovení, a došlo by k ich odchodu bez možnosti intervencie. Tieto výsledky naznačujú praktickú využiteľnosť predikčného prístupu a jeho potenciál generovať merateľnú obchodnú hodnotu.”
Ing. VERONIKA MOŽJEŠÍKOVÁ
Dátová analytička
KROS
Project team members
