संक्षिप्त उत्तर: एक अकाउंट-चर्न डैशबोर्ड तब काम करता है जब आप व्याख्या-योग्य RFM-शैली की रीसेंसी और फ़्रीक्वेंसी फ़्लैग से शुरुआत करते हैं, फिर वैकल्पिक रूप से TabPy से एक ML स्कोर परत के रूप में जोड़ते हैं — जबकि इस बारे में ईमानदार रहते हुए कि तीन-स्तरीय दुनिया में चर्न धुँधला और पिछड़ता हुआ है। उस संकेत से शुरुआत करें जिसका आप बचाव कर सकते हैं।
पहले मेज़र: रीसेंसी और फ़्रीक्वेंसी
किसी भी मॉडल से पहले, संकेत को सादे मेज़र में परिभाषित करें। रीसेंसी किसी अकाउंट के अंतिम ऑर्डर के बाद से बीते दिन हैं; फ़्रीक्वेंसी एक खिड़की पर उसकी ऑर्डर गिनती या लय है। दोनों की गणना प्रति अकाउंट एक FIXED LOD अभिव्यक्ति के साथ करें — { FIXED [Account ID] : MAX([Order Date]) } एक साफ़ अंतिम-ऑर्डर तिथि देता है जिसे एक तिथि अंतर रीसेंसी में बदल देता है, दृश्य के फ़िल्टरों की परवाह किए बिना। एक मौद्रिक मेज़र (पिछले समय का राजस्व) जोड़ें और आपके पास एक पूरा RFM फ़्रेम है।
RFM की ताक़त यह है कि यह व्याख्या-योग्य है। “रीसेंसी इस अकाउंट के ऑर्डरों के बीच के सामान्य अंतराल से कहीं आगे खिंच गई है” से बना एक जोखिम-वाला फ़्लैग एक ऐसा नियम है जिसे एक बिक्री प्रबंधक समझ सकता है, उस पर भरोसा कर सकता है और कार्रवाई कर सकता है। उस फ़्लैग को एक परिकलित फ़ील्ड के रूप में बनाएँ जो वर्तमान रीसेंसी की तुलना अकाउंट की अपनी ऐतिहासिक लय से करता है, ताकि एक पाक्षिक खरीदार और एक त्रैमासिक खरीदार में से प्रत्येक को एक ही सपाट सीमा के बजाय अपनी-अपनी लय के सामने परखा जाए। यह व्याख्या-योग्य आधार पहले शिप होना चाहिए; मॉडल बाद में आता है, यदि बिल्कुल भी।
ML स्कोर और अलर्ट परत के रूप में जोड़ना
एक बार RFM दृश्य ठोस हो जाने पर, आप TabPy के माध्यम से भविष्य-सूचक उठाव जोड़ सकते हैं। एक चर्न मॉडल को Tableau के बाहर प्रशिक्षित करें — ऑर्डर इतिहास, भुगतान व्यवहार, सपोर्ट टिकट, जो भी आपके पास हो, पर — और उसे एक TabPy स्क्रिप्ट के माध्यम से कॉल करें जो प्रति अकाउंट एक चर्न संभावना लौटाती है। Tableau उस संभावना को एक फ़ील्ड के रूप में प्राप्त करता है और उसे RFM फ़्लैग के साथ दृश्य रूप देता है। दोनों दृश्य एक-दूसरे को मज़बूत करते हैं: जहाँ व्याख्या-योग्य फ़्लैग और मॉडल सहमत होते हैं, विश्वास अधिक होता है; जहाँ वे असहमत होते हैं, आपको एक ऐसा अकाउंट मिल गया है जो एक मानवीय नज़र के लायक है। उस स्कोर के पीछे का मॉडलिंग विवरण बेवरेज के लिए अकाउंट-चर्न भविष्यवाणी में रहता है; डैशबोर्ड वह सतह है जो इसे प्रतिनिधियों के सामने रखती है।
अकाउंट को एक रीसेंसी-बनाम-फ़्रीक्वेंसी स्कैटर पर प्लॉट करें, राजस्व के अनुसार आकार दें और चर्न स्कोर के अनुसार रंग दें, और उच्च-मूल्य, उच्च-जोखिम वाला कोना सप्ताह की कॉल सूची बन जाता है। Tableau Cloud पर प्रकाशित करें और Tableau Pulse को जोखिम-वाली गिनती और स्कोर की निगरानी करने दें ताकि जब कोई प्रमुख अकाउंट भटके तो प्रतिनिधियों को एक प्राकृतिक-भाषा अलर्ट मिले। Pulse को यूज़र फ़िल्टर के माध्यम से रो-लेवल सुरक्षा के साथ जोड़ें ताकि प्रत्येक प्रतिनिधि केवल अपने अकाउंट देखे — अलर्ट तभी उपयोगी होते हैं जब वे सही व्यक्ति तक पहुँचें।
यह कहाँ टूटता है
ईमानदार सीमा यह है कि तीन-स्तरीय बाज़ार में चर्न सचमुच धुँधला होता है। यदि आप वितरकों के माध्यम से बेचते हैं, तो आप अंतिम अकाउंट के ऑर्डर बिल्कुल भी न देख पाएँ; जो अकाउंट निष्क्रिय दिखता है वह किसी दूसरे रास्ते से खरीद रहा हो सकता है, और जो स्वस्थ दिखता है वह पुराना स्टॉक निपटा रहा हो सकता है। तब आपका रीसेंसी संकेत आपकी दृश्यता को माप रहा है, उनकी वफ़ादारी को नहीं। डैशबोर्ड ऐसे डेटा पर आत्मविश्वास से फ़्लैग करेगा जो संरचनात्मक रूप से अधूरा है।
दूसरी सीमा अंतराल है। जब तक रीसेंसी किसी फ़्लैग को ट्रिप करने के लिए पर्याप्त खिंच जाती है, अकाउंट शायद पहले ही जा चुका होता है — संकेत निर्णय के पीछे चलता है। एक ML स्कोर सूक्ष्मतर शुरुआती संकेतों को पढ़कर मदद करता है, पर वह केवल उतना ही वर्तमान होता है जितना उसका प्रशिक्षण डेटा और उसकी फ़ीचर पाइपलाइन; बासी फ़ीचर खिलाया गया मॉडल चुपचाप क्षीण हो जाता है। और कोई मॉडल ऊपर वाली दृश्यता खाई को हल नहीं करता। हर फ़्लैग और स्कोर को फ़ोन उठाने और पुष्टि करने के लिए एक संकेत मानें, रिश्ते पर एक तय फ़ैसले के रूप में नहीं।
निचोड़
डैशबोर्ड को प्रत्येक अकाउंट की अपनी लय के सामने परखे गए व्याख्या-योग्य RFM रीसेंसी और फ़्रीक्वेंसी फ़्लैग में टिकाएँ, फिर जहाँ यह उठाव जोड़े वहाँ एक TabPy चर्न स्कोर परत के रूप में जोड़ें और Pulse को सही प्रतिनिधि को अलर्ट करने दें। पर अपनी आँखें खुली रखें: एक तीन-स्तरीय बाज़ार में चर्न संकेत अधूरा और पिछड़ता हुआ है, इसलिए डैशबोर्ड का काम बातचीत शुरू करना है, अकाउंट को खोया हुआ घोषित करना नहीं।
Sales Intelligence ट्रैक का हिस्सा। संबंधित: बेवरेज के लिए अकाउंट-चर्न भविष्यवाणी.
अक्सर पूछे जाने वाले प्रश्न
आप Tableau में जोखिम-वाले अकाउंट को कैसे फ़्लैग करते हैं? परिकलित फ़ील्ड और LOD अभिव्यक्तियों के साथ प्रति अकाउंट रीसेंसी और फ़्रीक्वेंसी की गणना करें, फिर उन अकाउंट को फ़्लैग करें जिनकी रीसेंसी उनकी सामान्य ऑर्डरिंग लय से काफ़ी आगे खिंच गई है। यह एक सरल, व्याख्या-योग्य नियम है जो फिसलते हुए अधिकांश अकाउंट को पकड़ लेता है।
क्या Tableau एक चर्न भविष्यवाणी मॉडल चला सकता है? मूल रूप से नहीं, लेकिन आप TabPy के माध्यम से एक बाहरी मॉडल को कॉल कर सकते हैं और प्रति अकाउंट एक चर्न संभावना को एक फ़ील्ड के रूप में लौटा सकते हैं। Tableau फिर स्कोर को दृश्य रूप देता है और उसकी निगरानी करता है; मॉडल स्वयं Tableau के बाहर प्रशिक्षित और बनाए रखा जाता है।
तीन-स्तरीय बाज़ार में चर्न को परिभाषित करना कठिन क्यों है? जब आप वितरकों के माध्यम से बेचते हैं, तो आप अक्सर अंतिम अकाउंट की ऑर्डरिंग सीधे नहीं देख सकते, और एक शांत अकाउंट किसी दूसरे रास्ते से खरीद रहा हो सकता है। चर्न संकेत धुँधला और पिछड़ता हुआ होता है, इसलिए फ़्लैग को पुष्ट हानि नहीं, बल्कि जाँच के लिए संकेत मानें।