Poistumaennustemallin luominen ja hyvyys poistumariskissä olevien nykyasiakkaiden arviointiin

Abstract

Tämän opinnäytetyön tarkoituksena oli tutustua yritysliiketoiminnan haasteisiin ja miten tekoälyratkaisuilla niitä voi käsitellä. Opinnäytetyön jälkimmäisessä osassa käytiin läpi poistumaennustemallin luonti opinnäytetyön toimeksiantajalle, työnantajalleni digimarkkinointiyritys Fonecta Oy:lle.

Työn ensimmäinen osa oli kirjallisuuskatsaus, missä perehdyttiin yritysten asiakaspoistumaan, asiakaspitoon ja ristiinmyynnin liiketoiminnallisiin vaikutuksiin. Tässä osuudessa esiteltiin myös yleinen ennustemallien rakenne ja mallin luomiseen vaadittavat työvaiheet. Kirjallisuuskatsauksessa lopuksi esiteltiin vaihtoehtoinen ratkaisu poistumaennustemallin korvaajaksi. Esiteltyjä liiketoimintahaasteita pyrittiin käsittelemään laajalti ja monipuolisesti. Näiden lisäksi opinnäytetyössä tutustuttiin tarkemmin tekoälyyn ja sen käyttämiseen markkinointitoimenpiteissä. Lisäksi perehdyttiin koneoppimisen määritelmiin, kuvailevaan ja ennustavaan analytiikkaan sekä esiteltiin tunnetuimmat ennustemalleissa käytetyt luokittelualgoritmit XGBoost, Random Forest, Decision Tree sekä Logistic Regression.

Opinnäytetyön jälkimmäisessä osassa luotiin poistumaennustemalleja neljällä eri koneoppimisalgoritmilla. Luoduista malleista valittiin XGBoost ja luotu malli ajastettiin pyörimään kerran kuukaudessa. Poistumaennustemallin avulla oli tarkoitus löytää isoimmassa poistumariskissä olevat yritykset, priorisoida ne laskevaan järjestykseen ja saada yritykset jaettua asiakkuudenhoitotiimiin käsittelyyn, jotta yritykset saadaan kuljetettua yhteydenoton kautta uudelle laskutuskaudelle. Aiempi poistumaennustemalli ei enää soveltunut hyvin kohderyhmien luomiseen, koska tuotteet ovat vaihtuneet paperisista puhelinluetteloista digitaaliseen maailmaan. Aiempaan ennustemalliin verrattuna uudessa mallissa oli myös uusia datapisteitä eri palveluiden käyttö- ja hakudatoista. Ennustemallin luominen alkoi datapisteiden keräämisosuudella ja datan käsittelyllä Alteryx-ohjelmassa. Lähdedata koostui yritysten tilaustiedoista, demografiadatasta sekä jo mainituista palveluiden käyttö- ja hakumääräluvuista. Ennustemallit luotiin Alteryxin lisäosalla Alteryx Intelligence Suitella. Poistumaennustemalli otettiin käyttöön keväällä 2022 ja poistumaennustemallin käyttö loppui järjestelmävaihdoksen myötä joulukuussa 2023.

The aim of this thesis was to introduce concepts customer churn, customer retention, and cross-selling briefly. Also, how to use machine learning algorithms in creating a customer churn model. Customer churn is a constant issue for businesses, and reducing churn is an important task for companies even though it cannot be completely reduced at any point. Additionally increasing customer retention plays an increasingly important role for companies, and its importance over customer churn is considered.

This thesis presents a brief history into artificial intelligence and machine learning algorithms for classification purposes. The algorithms presented were XGBoost, Random Forest, Decision Tree and Logistic Regression. Their impact for reducing customer churn and increasing customer retention was discussed.

Lastly, in this thesis I explain how I created four customer churn models, and how I chose XGBoost model as the best model for my employer Fonecta Oy, a digital marketing company. The created customer churn model was in use from May 2022 until December 2023. Model was created with Alteryx and its additional module Alteryx Intelligence Suite.