ประเมินโอกาสสูญเสียลูกค้า: Churn Prediction ด้วยข้อมูลและการใช้งานจริง

ประเมินโอกาสสูญเสียลูกค้า: Churn Prediction ด้วยข้อมูลและการใช้งานจริง

สวัสดีค่ะเพื่อนๆ (*^▽^*) จากบทความในเมื่อสัปดาห์ที่แล้ว ในเรื่อง นักการตลาดกับ AI: Confusion Matrix และหลักการประเมินประสิทธิภาพ ML ที่ได้มีการยกตัวอย่างในเรื่องของการประเมินประสิทธิภาพ ML Model ที่ใช้ Predict Churn หรือโอกาสในการที่ลูกค้าจะเลิกใช้งาน หรือไม่ซื้อสินค้าของเราต่อ พบว่ามีหลายท่านที่หลังไมค์เข้ามาสอบถามว่า แล้วการประเมิน Churn เนี่ย มีหลักการอย่างไร และข้อมูลที่เขามีอยู่เพียงพอที่จะนำมาวิเคราะห์ และประเมินได้หรือไม่?

เลยเป็นที่มีของบทความนี้ค่ะ ที่นิกจะพาทุกท่านไปลองใช้ข้อมูลจากธุรกิจค้าปลีก ในการประเมินโอกาสที่เกิดการสูญเสียลูกค้าขึ้น ซึ่งที่เลือกใช้ธุรกิจค้าปลีก หรือ Retail เป็นตัวอย่างเพราะว่าธุรกิจนี้ น่าจะเป็นหนึ่งในอุตสาหกรรมที่มีความใกล้ชิดกับทุกคน และสามารถทำให้เห็นภาพ ตลอดจนสามารถนำไปประยุกต์ใช้ในธุรกิจอื่นๆ ได้ง่ายค่ะ,,,, Let’s go (☞゚ヮ゚)☞

Churn คืออะไร? ทำไมถึงสำคัญ?

คำว่า “Churn” ในบริบททางธุรกิจและในสิ่งที่บทความนี้ Focus จะหมายถึง การสูญเสียลูกค้าหรือการที่ลูกค้ายกเลิกใช้บริการหรือไม่ซื้อผลิตภัณฑ์ของแบรนด์นั้นต่อ ซึ่งรวมถึงการที่ลูกค้าเหล่าที่ Churn ไปแล้วจะไม่มีการติดต่อ ตลอดจนไม่ทำธุรกิจกับแบรนด์ หรือบริษัทนั้นอีกต่อไป ซึ่งเหตุการณ์นี้สามารถเกิดขึ้นได้จากเหตุผลหลายประการด้วยกันค่ะ ยกตัวอย่างเช่น Services หรือผลิตภัณฑ์ของแบรนด์ไม่สามารถตอบสนองความต้องการของลูกค้าได้อย่างเหมาะสมอีกต่อไป หรือการที่มีราคาสูงเกินคุณค่าที่ส่งมอบให้ลูกค้า หรือการมีคุณภาพที่ไม่เหมาะสมกับราคา รวมถึง Services ที่ไม่ตอบโจทย์ หรือมีสาเหตุมาจากปัจจัยภายนอก เช่น การแข่งขันในเรื่องราคา และคุณภาพจากคู่แข่ง

การสูญเสียลูกค้า (Churn) นี้ถือว่าเป็นสิ่งที่มีผลกระทบอย่างมากต่อธุรกิจ เนื่องจากการสร้างและรักษาลูกค้าใหม่มักต้องใช้งบประมาณและทรัพยากรมากกว่าการรักษาลูกค้าที่มีอยู่แล้ว การวิเคราะห์และการจัดการกับการสูญเสียลูกค้าจึงเป็นสิ่งสำคัญในธุรกิจและแบรนด์ โดยวิธีการลดอัตราการสูญเสียลูกค้า สามารถเริ่มต้นด้วยการทำความเข้าใจสาเหตุ และพัฒนากลยุทธ์เพื่อปรับปรุงคุณภาพและบริการที่มีอยู่ และรักษาลูกค้าให้อยู่ต่อไป ด้วยการนำเสนอ Promotion หรือแคมเปญที่เหมาะสม

หลักการและขั้นตอนของ Churn Prediction

  1. การกำหนดโครงสร้างการสร้างแบบจำลอง หรือ ML Model
  2. พิจารณาข้อมูล (Input Dataset) ที่ต้องมีข้อมูลทั้ง Dependent และ Independent หรือพูดง่ายๆ ต้องมี Features ที่จำเป็นครบถ้วน และมี Label เพื่อใช้สร้างโมเดลค่ะ
  3. การเลือก Classification Model ที่เหมาะสมกับ Dataset ของเรา
  4. ประเมินผลโมเดล (ซึ่งส่วนนี้เพื่อนๆ สามารถอ่านได้เพิ่มเติมจากบทความที่นิกพูดถึงในบทนำนะคะ ^^)

เมื่อเพื่อนๆ เห็นภาพรวมของที่มาที่ไป ความสำคัญ และภาพรวมของขั้นตอนการประเมินโอกาสสูญเสียลูกค้ากันแล้ว,, เราก็มาเริ่มทำไปพร้อมกันเลยดีกว่าค่ะ 📈🧐

ซึ่งหลักกการในการทำประเมินโอกาสสูญเสียลูกค้า สามารถทำได้หลายวิธีด้วย และหนึ่งในนั้นก็คือการใช้ ML Model หรือการทำ Predictive analytics และเมื่อเพื่อนๆ เห็นภาพรวมกันแล้ว เรามาดูวิธีเคราะห์โอกาสสูญเสียลูกค้าไปพร้อมๆ กัน ซึ่งสามาถทำได้ตามขั้นตอนดังต่อไปนี้ค่ะ^^

ประเมินโอกาสสูญเสียลูกค้า: Churn Prediction ด้วยข้อมูลและการใช้งานจริง
source: https://www.braze.com/docs/user_guide/sage_ai/predictive_suite/predictive_churn

#1 การกำหนดโครงสร้างการสร้างแบบจำลอง หรือ ML Model

ขั้นตอนนี้ ถือเป็นขั้นตอนที่สำคัญมากในการสร้าง Predictive Model โดยวิเคราะห์และเลือกใช้ Model ที่เหมาะสม ซึ่งจะต้องใช้ความเข้าใจในแต่ละโมเดล และลักษณะโครงสร้างของข้อมูลร่วมด้วย ทั้งนี้หากเพื่อนต้องการทำความเข้าใจเพิ่มเติมในการวิเคราะห์ และเตรียมข้อมูลสามารถอ่านเพิ่มเติมได้จากบทความนี้ค่ะ: CPVAI Model – Data Marketing Framework โดยการตลาดวันละตอน และแอบกระซิบว่า สำหรับนิกเอง ขั้นตอนในส่วนของการทำ Data Preparation ถือเป็นหนึ่งในขั้นตอนที่ใช้เวลานานที่สุดขั้นตอนหนึ่งเลยค่ะ 55+ ที่นี้เรามาลองมาทำความเข้าใจในรายละเอียดเพิ่มเติมกันจากข้อมูลธุรกิจค้าปลีกที่เรานำมาทำเป็นตัวอย่างในบทความนี้กัน^^

จากข้อมูลธุรกิจค้าปลีก Example Retail Dataset เราต้องตั้งคำถาม และตอบคำถามต่อไปนี้จากข้อมูลที่เรามีให้ได้ซึ่งหลักการตั้งคำถาม และกำหนดคำจำกัดความมีดังนี้ค่ะ

  1. เราจะแยกหรือกำหนดประเภทของลูกค้าสำหรับกรณีของเราอย่างไร: ยกตัวอย่างเช่น ลูกค้าเหล่านี้อาจเป็นลูกค้าที่ทำธุรกรรม หรือมีการซื้อสินค้าของธุรกิจ Retail ของเราในช่วง
    • เดือนปัจจุบัน หรือ
    • 2 เดือนที่ผ่านมา หรือ
    • 1 ปีที่ผ่านมา หรือ
    • อาจเป็นเงื่อนไขที่ซับซ้อนกว่านั้น เช่น ลูกค้าที่มีการซื้อสินค้าอย่างน้อย 3 เดือนในช่วง 1 ปีที่ผ่านมา =>> นึกภาพออกไหมคะเพื่อนๆ^^
  2. กำหนดคำจำกัดความของ Churn ที่เราต้องการ Predict: ยกตัวอย่างเช่น ลูกค้าที่มีโอกาสที่เราจะสูญเสียไป คือลูกค้าที่
    • จะไม่ทำธุรกรรมใดๆ ใน 1 เดือนถัดไป หรือ
    • จะไม่ทำธุรกรรมใดๆ ใน 2 เดือนถัดไป เป็นต้น

ซึ่งขั้นตอนนี้เป็นขั้นตอนที่สำคัญในการสร้างโมเดลการประเมินโอกาสสูญเสียลูกค้า ซึ่งเราควรใช้เวลา และความละเอียดในการทำอย่างถี่ถ้วนค่ะ😎🤓

#2 พิจารณาข้อมูล (Input Dataset)

จาก Dataset นี้ที่มีข้อมูลระหว่างเดือนตุลาคม 2022 – ธันวาคมในปีเดียวกัน ซึ่ง Dataset ที่เรามีคือชุดข้อมูลของการทำธุรกรรมของลูกค้า ซึ่งเราจะนำข้อมูลมาแบ่งเป็น Training Dataset และ Prediction Dataset โดยในแต่ละชุดข้อมูลจะประกอบไปด้วย Features ได้แก่ CustomerID และแบ่งตัวแปรออกเป็น 2 ประเภทหลักคือ Dependent Variable ซึ่งในที่นี้ก็คือ Label ที่เราพิจารณาว่าลูกค้ามีการทำธุรกรรม หรือซื้อสินค้าในส่วนเดือนกันยายน – ตุลาคมหรือไม่ ถ้ามีการซื้อให้เป็น 0 แต่ถ้ามีไม่มีการซื้อให้เป็น 1 (ที่เรากำหนดแบบนี้เพราะว่า เราพิจารณาที่ Churn เป็น Case positive — สำหรับเพื่อนๆ ที่งง ให้กลับไปอ่าน นักการตลาดกับ AI: Confusion Matrix และหลักการประเมินประสิทธิภาพ ML ที่อธิบายเรื่อง Case positive-negative เอาไว้นะคะ^^) และกำหนด Features Independent Variables ตามรายละเอียดของข้อมูลธุรกรรม ได้แก่ ลูกค้าซื้อสินค้าอะไรไปบ้าง, ความถี่ในการซื้อ (Frequency), ระยะเวลาล่าสุดที่ซื้อนับจากวันที่ปัจจุบัน (Recency), ลักษณะการชำระเงิน เป็นต้น ซึ่งในส่วนของ Indepentdent Variable ใช้ข้อมูลในช่วงเดือนกรกฎาคม – สิงหาคม ซึ่งถือเป็นการเอาข้อมูลที่มีการจัดเก็บเอาไว้ มากทำ Prediction โอกาสการเกิดเหตุการณ์สูญเสียลูกค้าค่ะ

ประเมินโอกาสสูญเสียลูกค้า: Churn Prediction ด้วยข้อมูลและการใช้งานจริง
ประเมินโอกาสสูญเสียลูกค้า: Churn Prediction ด้วยข้อมูลและการใช้งานจริง
credit: ATmart dataset Rhydham Gupta

โดยหน้าตาของผลลัพธ์การประเมินโอกาสสูญเสียลูกค้าที่ได้ออกมา จะอยู่ในรูปของความน่าจะเป็นในโอกาสของการเกิด Churn ของลูกค้าแต่ละรายที่แสดงเป็น Customer ID ตามภาพด้านล่างนี้ค่ะ

The result of Churn Prediction

#3 การเลือก Classification Model ที่เหมาะสมกับ Dataset ของเราในการทำ Churn Prediction

แล้วเราก็มาถึงขั้นตอน(เกือบ)สุดท้ายของการทำ Churn Prediction นั่นคือการเลือก ML Model ให้เหมาะสมกับชุดข้อมูลที่เรามีค่ะ 🧐😎

ซึ่งเราอาจคุณเคยกับการทำ Regression แบบต่างๆ ตลอดจนการทำ Clustering จากบทความก่อนหน้าของการตลาดวันละตอน เพราะฉะนั้นในบทความนี้ นิกเลยอยากแนะนำเพื่อนๆ ให้รู้จักกับโมเดลใหม่ ได้แก่ Decision Tree, Random Forest และ XGBoost ซึ่งสามารถทำงานได้ดีสำหรับชุดข้อมูลที่หลากหลาย โดยแต่ละโมเลมีรายละเอียดดังนี้ค่ะ

  • Random Forest: เป็นอัลกอริธึมแบบ Tree ที่ทำงานโดยการสร้างต้นไม้ตัดสินใจจำนวนมาก จากนั้นจึงทำการเฉลี่ยการคาดการณ์ของต้นไม้เหล่านั้น ซึ่งจากการทำแบบนี้มีข้อดีคือสามารถช่วยลดโอกาสการเกิด Overfitting และช่วยเพิ่ม Accuracy โดยรวมของโมเดลได้ค่ะ
  • XGBoost: ถือเป็นขั้นกว่าของการทำ Random Forest ที่อาศัยการบูสต์แบบเกรเดียนต์ (Gredient Boost –ไว้จะอธิบาบรายละเอียดในบทความต่อไปนะคะ^^) เพื่อปรับปรุงความแม่นยำของตัวโมเดล

ซึ่งจากตัวโมเดลทั้ง 2 แบบ มีสิ่งที่ต้องระมัดระวังเพิ่มเติมในเรื่องของ “ชุดข้อมูลไม่สมดุล” ซึ่งเกิดจากสิ่งที่เราต้องการพิจารณาคือโอกาสที่ลูกค้าจะ Churn ที่ถือว่ามีปริมาณน้อยมากๆ เมื่อเทียบกับชุดข้อมูลทั้งหมด ทำให้เราต้องมีการจัดการกับ Imbalance พวกนี้ด้วยการทำ Over sampling หรือ Under Sampling เป็นต้นค่ะ (☞゚ヮ゚)☞

#4 ประเมินผลโมเดล: Model Evaluation

และแล้วก็มาถึงในขั้นตอนสุดท้ายซึ่งคือการทำ Model Evaluation กันค่ะ โดย Step แรกที่นิกจะทำก็คือ Cross-validation โดยในส่วนนี้เราทำเพื่อดูว่าโมเดลของเราไม่ได้ Overfiting เป็นอันดับแรก และพิจารณา ROC Curve เพื่อดูประสิทธิภาพโดยรวมของโมเดล และต่อมาเราถึงใช้ Confusion Matrics ในการประเมิน Accuracy, Precision, Recall และ F1-score โดยละเอียดอีกครั้งค่ะ นอกจากนี้วิธีอื่นๆ ที่ได้รับความนิยมเช่นเดียวกัน ได้แก่ Gain Charts และ Lift Charts เป็นเทคนิคที่ค่อนข้างเหมาะสมในการประเมินประสิทธิภาพของ Churn Prediction Model เนื่องจากทั้ง 2 เทคนิคนี้สามารถช่วยให้พวกเราเราเข้าใจว่าโมเดลสามารถคัดเลือกกลุ่มลูกค้าที่มีความเสี่ยงสูงในการลาออกได้ดีเพียงใด (รายละเอียดจะถูกกล่าวถึงในบทความภาคต่อนะคะ 😊💡)

Panaya Sudta

Last but not Least…

จากบทความนี้ คิดว่าเพื่อนๆ นักวิเคราะห์ข้อมูล และนักการตลาดน่าจะเข้าใจถึงหลักการการสร้าง ML Model เพื่อทำการประเมินโอกาสสูญเสียลูกค้า: Churn Prediction ได้ ทั้งในส่วนของท่านที่ทำธุรกิจประเภท Retail อยู่แล้ว รวมถึงธุรกิจประเภทอื่นๆ โดยสามารถเริ่มได้จากการพิจารณาข้อมูล วิเคราะห์หาว่าข้อมูลเราเหมาะกับโมเดลไหน ตลอดจนการทำ Model Evaluation และสำหรับเพื่อนท่านไหนที่ต้องการอ่านเรื่องการทำ Model Evaluation เพิ่มเติมสามารถอ่านได้จากบทความนี้ค่ะ =>

Panaya Sudta

Hi, I am Nick,,,,Panaya Sudta (●'◡'●) Engineer during the daytime. Researcher at night. Reader in spare time. (❁´◡`❁) วิศวกร/นักวิจัย และเป็นน้องใหม่ของการตลาดวันละตอน ในการทำ Market research ค่ะ หวังเป็นอย่างยิ่งว่าจะได้แชร์มุมมองกันนะคะ

Leave a Reply

Your email address will not be published. Required fields are marked *