In der wettbewerbsintensiven Medienbranche stand unser Kunde vor einer entscheidenden Herausforderung: die Wahrscheinlichkeit von Abonnement-Abschlüssen und deren Nachhaltigkeit genauer vorherzusagen. Mit einem Propensity-Modell können Wahrscheinlichkeiten für ein bestimmten Verhaltens auf Basis historischer Daten prognostiziert werden. In diesem Fall geht es um die Wahrscheinlichkeit, ein Abonnement abzuschließen, zu verlängern oder zu kündigen. Als langjähriger Partner für Analysen und datenbezogene Fragestellungen nutzte FELD M zunächst die Rohdaten von Adobe Analytics (Clickstream Datafeed), um ein Vorhersagemodell für die beschriebene Anforderungen rund um das Abonnement zu erstellen.
Dieses Projekt verfolgte drei Hauptziele: Erstens die Entwicklung eines hochmodernen User-Score-Modells, zweitens die Verbesserung der Datenmodellierungsfähigkeiten des Kundenteams und drittens die Erstellung eines Feature-Stores sowie die Optimierung der Infrastruktur in Azure für zukünftige Anwendungsfälle.
Unser Ansatz: Anwendung von Data Science zur Erstellung eines Vorhersagemodells für den Erfolg von Abonnements
Die Zusammenarbeit mit unserem Kunden begann mit einem ausführlichen Workshop zur Zielabstimmung, gefolgt von der Einrichtung der Azure-Cloud-Infrastruktur, einschließlich wichtiger Komponenten wie einem virtuellen Netzwerk und Blob-Storage. Dieser grundlegende Schritt war entscheidend, um unseren Kunden mit der Azure Cloud vertraut zu machen.
Die Erstellung eines Django-Projekt-Frameworks und einer CI/CD-Pipeline erleichterte effiziente Arbeitsabläufe und Bereitstellungsprozesse. Für die Datenanalyse wurde eine Jupyter-Instanz verwendet, um Datentrends und -muster zu erkennen.
Unser Team entwickelte eine robuste Datenverarbeitungspipeline zur Verwaltung von Millionen von Datenpunkten und legte damit den Grundstein für ein leistungsfähiges maschinelles Lernmodell. Dieses Modell, das die Stärken von Random Forest und XGBoost nutzt, wurde iterativ verbessert, um sich an die Konzeptabweichung anzupassen und neue Kontaktpunkte von Benutzern zu integrieren.
Der Fokus auf eine kontinuierliche Bewertung des Prospensity-Modells in Verbindung mit ausgefeilten Visualisierungstechniken stellte die Genauigkeit und Effektivität des Modells sicher. Die Integration in die Systeme unseres Kunden umfasste den Export der berechneten Prospensity-Scores zu Adobe und Blob Storage.
Regelmäßiger Austausch, einschließlich wöchentlicher Meetings und Pair-Programming, war der Schlüssel zum Wissenstransfer und zur Verbesserung der Softwareentwicklungskompetenz des Kunden.
Erfolgreiche Implementierung des Propensity-Score-Modells
Der Erfolg des Projekts zeigte sich in der Bereitstellung eines hochpräzisen Propensity-Score-Modells, das den Ansatz unseres Kunden bei der Abonnementanalyse positiv veränderte. Der Propensity-Score selbst wurde unter anderem in Adobe Analytics integriert, um dort Analysen auf User-Level zu ermöglichen. Die Präzision des Modells bei der Vorhersage des Abonnementverhaltens ermöglicht gezieltere Marketinginitiativen. Über die technische Leistung hinaus hat das Projekt die Fähigkeiten der Data Scientists unseres Kunden erheblich gesteigert.
Als nächster Schritt wird der Propensity Score als Basis für die Berechnung eines Engagement-Scores verwendet, einer wichtigen Metrik in Bezug auf den Abonnenten-Lebenswert (Subscriber Lifetime Value). Langfristig kann so proaktiv auf Kündigungsraten und Kundenbindung direkt Einfluss genommen werden.
Lassen Sie uns gemeinsam herausfinden, wie wir bei Ihrem Projekt unterstützen können!
