M365Con 2027 – bezpłatna konferencja online · 11–22 Jan 2027 · 120 sessions m365con.net

Churn prediction

Concept

Predykcja odejść klientów (churn prediction) wykorzystuje modele AI do oszacowania, jak prawdopodobne jest, że klient przestanie kupować, zrezygnuje lub wycofa się, i służy jako sygnał, od czego zespół powinien zacząć.

✦ CONCEPTChurn predictionM365.FM
Title graphic: Churn prediction (Concept)

Omawiane również

W odcinku na temat Churn prediction pojawiają się też: Semantic link (Microsoft Fabric), Semantic Link Labs, Copilot in Power BI, Prep data for AI, Power BI Premium i Object-level security (OLS).

Opis

Predykcja odejść klientów (churn prediction) to technika analityki predykcyjnej, w której modele AI szacują, jak prawdopodobne jest, że klient przestanie kupować, zrezygnuje lub się wycofa. Wynik jest sygnałem, a nie wyrokiem: wskazuje, na co zespół sprzedaży, obsługi lub marketingu powinien zwrócić uwagę w pierwszej kolejności, tak aby ktoś mógł podjąć działanie, zanim klient faktycznie odejdzie. W ekosystemie Microsoft to pojęcie pojawia się w Dynamics 365, Azure i Power Platform.

W odcinkach M365.FM predykcja odejść klientów pojawia się przede wszystkim jako jeden z przypadków użycia w szerszym zestawie możliwości AI. W odcinku "The Human Side of CRM with Thomas Sandsør [MVP]" jest wymieniona wśród funkcji analityki predykcyjnej w Dynamics 365, obok oceniania leadów, segmentacji klientów, rekomendacji produktów, dynamicznego ustalania cen i prognozowania popytu. Odcinek mówi, że predykcja odejść klientów pozwala zespołowi działać, zanim straci klienta, a analityka predykcyjna w ogóle pomaga kierować działania do właściwych osób i wykrywać klientów, którzy mogą odejść.

W odcinku "Azure AI Infrastructure Architecture for C-Level Leaders" predykcja odejść klientów znajduje się w wierszu Azure Machine Learning w przeglądzie usług Azure AI. Tam Azure Machine Learning jest opisane jako usługa do trenowania i rozwoju modeli ML, a predykcja odejść klientów jest wymieniona jako przypadek użycia obok konserwacji predykcyjnej, wykrywania oszustw i prognozowania popytu. Przedstawia to predykcję odejść klientów jako zadanie budowy modelu: historyczne dane o klientach służą do wytrenowania modelu, który następnie ocenia klientów w przyszłości.

Odcinek "Segment Customers with Dynamics 365 Customer Insights" łączy predykcję odejść klientów z segmentacją i aktywacją. Wymienia ją wśród słów kluczowych przy budowie dynamicznych segmentów na podstawie danych behawioralnych i transakcyjnych, razem z oceną zaangażowania i sygnałami dosprzedaży. Deklarowanym celem jest aktywowanie tych segmentów w Marketing, Sales i Power Automate, zastępując ogólne listy ukierunkowaniem opartym na intencjach i działającym w czasie rzeczywistym. W tym kontekście sygnał odejścia to nie tylko liczba na pulpicie; może zasilić segment, który uruchamia działanie kontynuacyjne.

W odcinku "Build Intelligent Power Apps with AI Builder" predykcja odejść klientów jest wymieniona w scenariuszach Sales/RevOps, razem z oceną leadów i następną najlepszą akcją w aplikacjach opartych na modelu. Ten sam odcinek wymienia typowe pułapki modeli AI, które dotyczą bezpośrednio modeli odejść: nieuporządkowane dane treningowe, którym zaradzić ma przewodnik etykietowania, deduplikacja, zrównoważone klasy i podział na zbiór walidacyjny, oraz modele "jednorazowe", którym zaradzić ma harmonogram ponownego trenowania i obserwacja dryfu.

Razem odcinki opisują typowy schemat decyzji. Zespół wybiera, gdzie model będzie działał (np. Azure Machine Learning do niestandardowego trenowania albo możliwości AI wbudowane w Dynamics 365 i AI Builder), decyduje, które dane opisują zachowania i transakcje klientów, i określa, co się dzieje, gdy klient zostaje oznaczony, np. segment, przepływ pracy w Power Automate lub podpowiedź dla sprzedawcy. Jakość danych i bieżące ponowne trenowanie to powtarzające się ostrzeżenia, ponieważ wynik predykcji odejścia jest tylko tak przydatny, jak dane i utrzymanie, na których się opiera.

Overview compiled with AI from M365.FM episodes and the facts on this page. You can improve it with the edit button below.

TypConcept

Często zadawane pytania

Questions marked with AI were written with AI from the facts on this page.

Co robi predykcja odejść klientów? (AI)

Wykorzystuje modele AI do oszacowania, jak prawdopodobne jest, że klient przestanie kupować, zrezygnuje lub się wycofa. Oszacowanie pokazuje zespołowi, od czego zacząć, aby mógł podjąć działanie, zanim straci klienta.

Gdzie w ekosystemie Microsoft według odcinków pojawia się predykcja odejść klientów? (AI)

Odcinki wspominają o niej w analityce predykcyjnej Dynamics 365, w Azure Machine Learning jako przypadku użycia przy trenowaniu modeli, w segmentacji Dynamics 365 Customer Insights oraz w scenariuszach Sales/RevOps w AI Builder.

Jakie pułapki wymieniają odcinki w przypadku modeli AI, takich jak predykcja odejść klientów? (AI)

Odcinek o AI Builder wymienia nieuporządkowane dane treningowe i modele "jednorazowe" oraz sugeruje przewodnik etykietowania, deduplikację, zrównoważone klasy, podział na zbiór walidacyjny i regularny harmonogram ponownego trenowania.

Słownik

Community wiki

Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.

Eksperci i firmy w tym temacie

Nikt jeszcze nie wskazał tego tematu. Dodaj go do swojego profilu.

Maintained by Mirko Peters (Microsoft MVP) · Last updated: