Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: Научного журнала «Студенческий» № 21(149)

Рубрика журнала: Информационные технологии

Скачать книгу(-и): скачать журнал часть 1, скачать журнал часть 2, скачать журнал часть 3, скачать журнал часть 4, скачать журнал часть 5

Библиографическое описание:
Филимонова Е.В. ПРОГНОЗИРОВАНИЕ ОТТОКА КЛИЕНТОВ КОММЕРЧЕСКОГО САЙТА ИГРОВОЙ НАПРАВЛЕННОСТИ // Студенческий: электрон. научн. журн. 2021. № 21(149). URL: https://sibac.info/journal/student/149/216886 (дата обращения: 29.03.2024).

ПРОГНОЗИРОВАНИЕ ОТТОКА КЛИЕНТОВ КОММЕРЧЕСКОГО САЙТА ИГРОВОЙ НАПРАВЛЕННОСТИ

Филимонова Елена Владимировна

магистрант, кафедра искусственного интеллекта и системного анализа, Донецкий национальный технический университет,

Украина, г. Донецк

CUSTOMER CHURN FORECASTING FOR THE COMMERCIAL GAMING SITE

 

Helen Filimonova

master, Department of Artificial Intelligence and System Analysis, Donetsk National Technical University,

Ukraine, Donetsk

 

АННОТАЦИЯ

Данная работа посвящена решению задачи построения системы прогнозирования оттока клиентов коммерческого сайта с использованием машинного обучения. Приведено описание методики выбора времени отсутствия клиента, по истечении которого его можно считать ушедшим. Описаны этапы решения задачи прогнозирования путем построения системы двухклассовой автоматической классификации клиентов.

ABSTRACT

This article is about solving the problem of building of the customer churn forecast system for the commercial site. It gives the description of the method of the customer time absence selection after which they are considered as gone away.  It describes the stages of the solution of the churn forecasting problem using machine learning and data mining.

 

Ключевые слова: отток клиентов; прогнозирование; машинное обучение.

Keywords: customer churn; forecast system; machine learning.

 

Отток лояльных клиентов наряду с привлечением новых составляют на сегодняшний день две основные проблемы любого бизнеса. В общем случае отток клиентов – это их потеря, выраженная в отсутствии покупок или платежей в течение определенного периода времени [1]. Лояльные клиенты приносят бизнесу гораздо больше прибыли чем новые, они более предсказуемы в своих будущих покупках и позволяют более четко определять направления развития бизнеса, прогнозировать объемы продаж и уровень дохода. Именно поэтому в последние годы проблеме удержания клиентов уделяется все большее внимание: анализируются мотивы их ухода и разрабатываются стратегии удержания. Предсказание оттока позволяет заблаговременно начать удержание склонных к оттоку клиентов посредством персонифицированных предложений, скидок и акций, тем самым предотвращая уход части клиентов по крайней мере на некоторое время.

Серьезность и важность этой задачи спровоцировали попытки ее решения средствами анализа данных и искусственного интеллекта – наиболее современных подходов к решению сложных нетривиальных задач. Задача прогнозирования оттока относится к задачам предиктивной аналитики, целью которой является формирование прогноза на основании имеющихся исторических данных о действиях клиентов (их покупках и активности на сайте) и их персональных данных [2].

В данной работе рассматривается задача прогнозирования оттока клиентов коммерческого сайта по продаже скинов для кибер-спортивных игр Dota2 и CS:GO. Особенностью данной задачи является то, что получение скинов невозможно без покупки кейсов на сайте за реальные деньги, т.е. невозможно без платежей, а поскольку скины клиенты получают случайным образом, то количество купленных кейсов может меняться от одного до нескольких десятков.  При этом каждый клиент с разной периодичностью заходит на сайт в поисках новых скинов: некоторые постоянные игроки заходят каждый день, а другие один-два раза в месяц. Эти условия делают задачу прогнозирования оттока еще более сложной, чем прогнозирование оттока клиентов интернет-магазинов и тематических сайтов.

Первая задача, которую необходимо решить перед построением системы прогнозирования оттока – определение периода времени отсутствия определенных действий клиента, через который клиент может считаться ушедшим. В работе рассматривались два параметра, с помощью которых можно оценить уход клиентов:

-  количество дней после окончания последней сессии;

- количество дней после совершения последнего платежа.

В таблице 1 приведены результаты расчетов % клиентов, которые не вернулись на сайт спустя некоторое количество дней отсутствия.

Таблица 1.

% ушедших клиентов

Количество дней отсутствия

% ушедших клиентов после последней сессии

% ушедших клиентов после последнего платежа

10

76,9%

69,4%

20

84,7%

71,6%

30

89,8%

73,5%

40

93,1%

75,0%

50

95,9%

76,4%

60

97,6%

77,7%

 

Полученные результаты показывают, что использование количества дней после последнего платежа является проблематичным, поскольку увеличение процента клиентов является очень плавным и даже для 60 дней охватывает только три четверти клиентов. Использование количества дней после последней сессии является более предпочтительным, поскольку имеет более четкую динамику и охватывает большее количество клиентов. В качестве порогового значения для определения ухода клиентов выберем 30 дней, поскольку только 10% клиентов возвращаются на сайт после этого периода отсутствия.

В данной работе задача прогнозирования фактически сведена к задаче двухклассовой классификации клиентов, где первый класс – клиенты, которые продолжат быть активными и в дальнейшем, второй класс – клиенты, которые уйдут в ближайшее время. Поскольку решается такая задача средствами машинного обучения, то в работе большое внимание было уделено построению словаря признаков – перечню параметров, позволяющих отделить клиентов одного класса от клиентов другого. Так как основной единицей отсчета является платеж клиента, то на основании анализа исторических данных было принято решение о формировании словаря признаков по пяти последним платежам клиентов и действиях в интервалах между ними. В качестве признаков использовалась информация о:

- размере платежей, расстоянии между ними, динамике увеличения их размера;

- стоимости и количестве купленных кейсов после каждого из платежей;

- количестве и длительности сессий между платежами и действиях пользователей на сайте во время этих сессий;

- действиях с полученными скинами и взаимосвязи этих действий со стоимостью полученных скинов.

В результате анализа данных был сформирован словарь из 84 признаков.

Для обучения системы прогнозирования оттока клиентов был выбран алгоритм Random Forest, поскольку наряду с высокой эффективностью он не требует нормализации всех признаков и устойчив к выбросам.

В экспериментах на тестовых данных реализованный алгоритм показал эффективность 97,5%, а на реальных данных клиентов сайта – 92,9%.

 

Список литературы:

  1. Storbacka K., Strandvik T., Gronroos C. Managing customer relationships for profit // International Journal of Service Industry Management. – Vol 5. – № 5. – 1994. – рр. 21-28.
  2. Добровольное удержание. Как сохранить клиентов с помощью машинного обучения? [электронный ресурс]. — Режим доступа. — URL: https://sber.pro/publication/dobrovolnoe-uderzhanie-kak-sokhranit-klientov-s-pomoshchiu-mashinnogo-obucheniia (дата обращения 20.05.2021)

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом
CAPTCHA
Этот вопрос задается для того, чтобы выяснить, являетесь ли Вы человеком или представляете из себя автоматическую спам-рассылку.