Résolution des problèmes

La prédiction du taux d’attrition (et tout modèle de machine learning) est aussi bonne que les données disponibles pour le modèle. Elle dépend également fortement de la disponibilité de certains volumes de données avec lesquelles travailler.

Erreurs potentielles

Pas assez de données pour l’entraînement

Ce message d’erreur s’affiche lorsque votre définition d’attrition est trop limitée et renvoie trop peu d’utilisateurs ayant abandonné.

Pour le résoudre, vous devrez modifier le nombre de jours ou les actions qui définissent l’attrition pour capturer plus d’utilisateurs. Assurez-vous d’utiliser les filtres AND/OR correctement pour ne pas créer de définitions trop restrictives.

Problèmes avec la taille de l’audience de prédiction

Lorsque vous créez votre audience de prédictions pour affiner le type d’utilisation sur lequel vous souhaitez que votre modèle soit entraîné, vous pouvez rencontrer ce message vous informant que votre audience de prédictions compte trop peu d’utilisateurs :

“Pas assez de désabonnés disponibles dans l’audience de prédiction sélectionnée au cours des 7 derniers jours pour créer la prédiction de manière fiable.”

Si la définition de votre audience de prédictions est trop stricte, vous risquez de ne pas disposer d’un vivier suffisamment important d’utilisateurs historiques et actifs. Pour y remédier, vous devrez soit modifier le nombre de jours et le type d’attributs utilisés dans cette définition, soit changer les actions qui définissent le désabonnement, soit les deux.

Si votre audience prédictive continue à poser problème même après avoir modifié vos définitions, il se peut que vous ayez trop peu d’utilisateurs pour supporter cette fonctionnalité optionnelle. Nous suggérons d’essayer de créer à la place une prédiction sans les couches et filtres supplémentaires.

La taille de l’audience de prédiction est trop grande

La définition d’une audience de prédictions ne peut pas dépasser 100 millions d’utilisateurs. Si un message vous indique que votre audience est trop importante, nous vous recommandons d’ajouter des couches à votre audience ou de modifier la fenêtre de temps sur laquelle elle est basée.

La prédiction a une qualité médiocre

Si votre modèle a une qualité de prédiction de 40 % ou plus, vous êtes en bonne place ! Mais si la qualité de vos prédictions tombe à 39 % ou moins, il se peut que vous deviez modifier vos définitions du taux de désabonnement et de l’audience de prédiction pour qu’elles soient plus spécifiques ou qu’elles aient des fenêtres temporelles différentes.

Si vous n’êtes pas en mesure de respecter à la fois l’exigence relative à la taille de l’audience lors de l’élaboration de vos définitions de prédictions et d’obtenir une qualité de prédiction supérieure à 40 %, cela signifie probablement que les données envoyées à Braze ne sont pas idéales pour ce cas d’utilisation, qu’il n’y a pas suffisamment d’utilisateurs pour créer un modèle ou que le cycle de vie de votre produit est plus long que ce que notre fenêtre de rétroaction de 60 jours permet actuellement de prendre en charge.

Considérations relatives aux données

Voici les questions que vous devez vous poser lorsque vous mettez en place le système Prediction du taux d’attrition. Les modèles de machine learning sont aussi juste que les données pour les entraîner. Avoir de bonnes pratiques en matière d’hygiène des données et comprendre ce qui joue sur le modèle fera une grande différence.

• Quelles sont les actions à forte valeur ajoutée qui conduisent à la rétention et à la fidélisation ?
• Avez-vous mis en place des événements personnalisés qui correspondent à ces actions spécifiques ? La prédiction du taux d’attrition fonctionne avec des événements personnalisés plutôt que des attributs personnalisés.
• Pensez-vous en termes de fenêtres temporelles pour lesquelles vous définirez l’attrition ? Vous pouvez définir l’attrition comme quelque chose qui se produit en 60 jours maximum.
• Avez-vous pris en compte les périodes de l’année qui donnent lieu à des comportements atypiques de la part des utilisateurs, telles que les vacances ? Des changements rapides dans le comportement des consommateurs auront un impact sur vos prédictions.