Solving Customer Churn with Tableau

บทความนี้จะพาผู้อ่านไปร่วมกันวิเคราะห์ข้อมูลการยกเลิกใช้บริการของลูกค้าผ่านโปรแกรม Tableau กันครับ โดยเนื้อหาหลักในบทความนี้เป็นการเรียนรู้มาจากคอร์ส Case Study: Analyzing Customer Churn in Tableau ของ DataCamp

What is Customer Churn?

Customer churn คือ เปอร์เซ็นต์หรืออัตราที่ลูกค้าขาประจำหยุดซื้อสินค้าหรือยกเลิกการใช้บริการ มีชื่อเรียกอีกอย่างหนึ่งว่า Churn rate ซึ่งมีสูตรคำนวณง่าย ๆ ดังนี้

Churn rate = customers lost / total number of customers

Churn rate = 10 / 100

10 / 100 = 10%

Churn rate เป็นหนึ่งในตัวชี้วัดที่สำคัญในการทำธุรกิจ ยิ่งตัวเลขมีค่าสูงเท่าไหร่ ยิ่งแสดงถึงความสามารถในการรักษาฐานลูกค้าเก่าไว้ได้ไม่ดี ปัญหานี้เปรียบได้กับถังน้ำที่รั่ว ซึ่งเราสามารถเติมน้ำเพิ่มลงไปในถังได้ (น้ำที่เติมเข้าไปในที่นี้ก็หมายถึงลูกค้ารายใหม่) แต่รายได้รวมของบริษัทคงจะไม่มีทางเพิ่มขึ้นได้เลยถ้าฐานลูกค้าเก่ายังคงหนีหายออกไปเรื่อย ๆ แบบนี้ อีกอย่างหนึ่งคือการรักษาฐานลูกค้าเดิมนั้นง่ายกว่าการหาใหม่ ทำให้หลาย ๆ บริษัทได้ให้ความสำคัญที่จะลดตัวเลขนี้ลง

Data Analysis Process

กระบวนการการวิเคราะห์ข้อมูลด้วยโปรแกรม Tableau ประกอบไปด้วย

1. Data Check

2. Explore Data

3. Analyze & Visualize Data

4. Dashboarding

5. Communicate Insights

เราจะเริ่มต้นด้วยการตรวจสอบข้อมูลหรือการทำ Data Check เพื่อให้แน่ใจว่าข้อมูลนั้นพร้อมกับการนำไปใช้ต่อ เช่น การตรวจหาข้อมูลซ้ำ หรือการตรวจหาข้อมูลที่หายไป

ถัดมาจะเข้าสู่ขั้นตอนการสำรวจข้อมูลหรือ Data Exploration โดยในขั้นตอนนี้เราจะต้องตั้งคำถามขึ้นมาก่อนเพื่อเป็นแนวทางในการสำรวจข้อมูล ยกตัวอย่างเช่น รายได้ที่เพิ่มขึ้นมีผลต่อกำไรที่เพิ่มขึ้นด้วยหรือไม่ ? และเราจะเริ่มสร้างแผนภาพแรกของเราในขั้นตอนนี้

หลังจากนั้นคือขั้นตอนการวิเคราะห์และแสดงข้อมูลเป็นภาพหรือ Analyze & Visualize Data หัวใจของขั้นตอนนี้ก็คือการเลือกการแสดงภาพให้เหมาะสมกับข้อมูลที่เราต้องการจะสื่อ ซึ่งจะช่วยทำให้เราสามารถเข้าใจถึงข้อมูลเชิงลึกและรายละเอียดต่าง ๆ ได้มากขึ้น

ขั้นตอนต่อไปจะเป็นการนำสิ่งที่วิเคราะห์ได้มาประกอบกันและแสดงผลให้อยู่ในรูปแบบของแดชบอร์ด (Dashboard) เพื่อให้เข้าใจข้อมูลได้ง่ายและชัดเจนยิ่งขึ้น

สุดท้ายจะเป็นการสื่อสารข้อมูลเชิงลึกที่วิเคราะห์ออกมาได้หรือ Communicate Insights ให้กับผู้ที่มีส่วนเกี่ยวข้องต่อไป

• • •

เกริ่นกันมาพอสมควรแล้ว มาเริ่มต้นเข้าสู่การวิเคราะห์ข้อมูลกันดีกว่าครับ

The Problem

สมมุติให้เราทำงานเป็นที่ปรึกษาและถูกว่าจ้างโดย Databel ซึ่งเป็นบริษัทผู้ให้บริการโทรคมนาคมเจ้าหนึ่ง หน้าที่ของเราคือการค้นหาว่าทำไมลูกค้าถึงมีการยกเลิกหรือหยุดใช้บริการไป

The Data

ข้อมูลที่เราจะนำมาวิเคราะห์กันเป็นชุดข้อมูลจำลองประกอบไปด้วย 29 คอลัมน์ โดยแต่ละแถวจะแทนลูกค้าแต่ละราย ข้อมูลถูกสุ่มเลือกมาจากช่วงเวลาใดเวลาหนึ่งซึ่งไม่ได้ระบุมาให้ นั่นแสดงว่าเราจะทำการวิเคราะห์กันแบบไม่ใช้วันและเวลามาเกี่ยวข้อง

Dimension

Measures

สามารถดาวน์โหลดชุดข้อมูลได้จาก ที่นี่

• Databel - Data

• Metadata sheet

Let's start analyzing

Data check time

เริ่มต้นกันด้วยการตรวจสอบข้อมูลผ่านโปรแกรม Tableau โดยเราจะสร้างฟิล์ดคำนวณ (calculated field) ขึ้นมาใหม่ 2 ตัว แล้วเพิ่มเข้าไปในเวิร์กชีตเปล่าเพื่อเปรียบเทียบกันว่าจำนวนนับของ Customer ID กับจำนวนนับแบบไม่ซ้ำของ Customer ID มีค่าเท่ากันหรือไม่

Number of Customers

COUNT([Customer ID])

Number of Unique Customers

COUNTD([Customer ID])

จะเห็นได้ว่าจำนวนของ Number of Customers มีค่าเท่ากับ Number of Unique Customers แสดงว่าข้อมูลในแต่ละแถวเป็นข้อมูลของลูกค้าแต่ละรายที่ไม่ซ้ำกันเลย ซึ่งสามารถนำไปวิเคราะห์ต่อได้ !

Calculating churn

ถัดมาเราจะแปลงข้อมูลในคอลัมน์ Churn Label ที่เดิมเป็น "Yes" หรือ "No" (ลูกค้ายกเลิกใช้บริการใช่หรือไม่ใช่) ไปเป็น 1 หรือ 0 แทน เพื่อนำไปคำนวณเป็น churn rate ต่อไป โดยการสร้างฟิล์ดคำนวณดังต่อไปนี้

Churned

IF [Churn Label] = "Yes" THEN 1 ELSE 0 END

Number of Churned Customers

SUM([Churned])

Churn rate

[Number of Churned Customers] / [Number of Customers]

นำ Churn rate มาแสดงผลในรูปแบบเปอร์เซ็นต์พบว่าได้ค่า 26.86% ถือเป็นตัวเลขที่ค่อนข้างสูง ซึ่งถัดไปเราจะไปทำความเข้าใจถึงประเภทของลูกค้าที่มีการยกเลิกใช้บริการกันต่อ !

Investigating churn reasons

ในขั้นตอนนี้เราจะมาสำรวจกันต่อถึงสาเหตุต่าง ๆ ที่ทำให้ลูกค้ายกเลิกใช้บริการไป ซึ่งเราจะสร้างเป็นแผนภูมิแท่ง (bar chart) แสดงสาเหตุต่าง ๆ เรียงลำดับตามจำนวนเปอร์เซ็นต์ของลูกค้าที่ยกเลิกใช้บริการจากมากไปน้อย

พบว่าสาเหตุของการที่ลูกค้ายกเลิกใช้บริการ 5 อันดับแรก ได้แก่

1. Competitor made better offer

2. Competitor had better devices

3. Attitude of support person

4. Don't know

5. Competitor offered more data

Digging deeper in churn categories

ข้อมูลในคอลัมน์ Churn Reasons นั้นถูกจัดหมวดหมู่เข้าด้วยกันเป็นคอลัมน์ Churn Category เช่น สาเหตุที่ทำให้ลูกค้ายกเลิกใช้บริการได้แก่ "Extra data charges" และ "Price too high" รวมไปถึงสาเหตุอื่น ๆ ที่เกี่ยวข้องกับเรื่องราคาจะถูกจัดหมวดหมู่เป็น "Price" เป็นต้น ซึ่งเราจะแสดงข้อมูลหมวดหมู่เหล่านี้ให้ออกมาอยู่ในภาพเดียว

จะเห็นว่าเกือบครึ่งหนึ่งของจำนวนลูกค้าทั้งหมดที่ยกเลิกใช้บริการนั้น มีสาเหตุมาจากในเรื่องของคู่แข่ง (Competitor)

Use maps to your advantage

Databel ได้ให้ข้อมูลเพิ่มเติมว่าคู่แข่งมีการปล่อยโปรโมชั่นอย่างหนักในบางรัฐ ทำให้เกิดความกังวลว่าจะเกิดผลกระทบต่อลูกค้าของเขาหรือไม่ ซึ่งเราจะทำการสร้างแผนที่ (map) ใน Tableau เพื่อสำรวจดู churn rate ในแต่ละรัฐกัน

แน่นอนว่าเราต้องนำ Churn rate ไปแสดงบนแผนที่ แต่การแสดงเฉพาะค่าเปอร์เซ็นต์นั้นอาจทำให้เกิดการบิดเบือนข้อเท็จจริงได้ เช่น หากพบว่ามี churn rate เกิดขึ้นที่รัฐหนึ่งถึง 50% ตัวเลขนี้แทบจะไม่มีความหมายทางสถิติเลย ถ้าในรัฐนั้นมีลูกค้าอยู่เพียง 2 คน ซึ่งเราจะแก้ไขปัญหานี้ด้วยการเพิ่มฟิล์ด Number of Customers และ Number of Churned Customers ไว้ใน Tooltip ด้วย

จากแผนที่เราสังเกตเห็นได้ชัดว่ามี churn rate เกิดขึ้นที่รัฐแคลิฟอร์เนียสูงถึง 63.24% ซึ่งเรายังไม่สามารถเข้าใจได้ในทันทีว่าทำไมถึงเป็นเช่นนั้น จึงเป็นหนึ่งเรื่องที่เราต้องชี้ให้ Databel เห็นถึงประเด็นนี้ด้วย

• • •

มาถึงตรงนี้แล้วมองย้อนกลับไปที่ 5 ขั้นตอนกระบวนการวิเคราะห์ข้อมูลของเรา จะเห็นว่าเราเพิ่งเดินทางมาถึงขั้นตอนที่ 2 (Explore Data) เอง แต่ทั้งนี้เราก็ได้มีการนำข้อมูลมาแสดงเป็นภาพกันบ้างแล้ว ทำให้เราจะไม่เสียเวลามากนักกับขั้นตอนที่ 3 (Analyze & Visualize Data) ในการเลือกการแสดงภาพให้เหมาะสม โดยจะปล่อยให้เป็นหน้าที่ของโปรแกรม Tableau แทน และก็เข้าใจได้หากจะควบรวมขั้นตอนที่ 2 และ 3 เข้าด้วยกัน

Insights discovered so far

ทีนี้มาดูกันว่าเราได้ข้อมูลเชิงลึกอะไรมาบ้างจากการสำรวจข้อมูลก่อนหน้านี้

1. Churn rate ของบริษัท Databel อยู่ที่ 27% โดยประมาณ

2. สาเหตุส่วนใหญ่ที่ลูกค้ายกเลิกใช้บริการ (ประมาณ 45%) มาจากเรื่องของคู่แข่ง

3. Churn rate ในรัฐแคลิฟอร์เนียมีค่าสูงผิดปกติ (มากกว่า 60%)

แต่ยังเร็วเกินไปที่เราจะนำมาใช้เป็นข้อสรุป เนื่องจากยังมีข้อมูลอีกหลายคอลัมน์ที่รอการวิเคราะห์อยู่ ซึ่งถัดไปเราจะไปวิเคราะห์ข้อมูลประชากรกัน

Analyzing demographics

จะขอเริ่มต้นจากการดู churn rate ของกลุ่มลูกค้าผู้สูงอายุ (ข้อมูลคอลัมน์ Senior) โดยจะนำมาแสดงเป็นตารางข้อความ (text table)

ดูเหมือนว่า churn rate ของกลุ่มลูกค้าผู้สูงอายุจะมีค่าสูงกว่าค่าเฉลี่ย (26.86%) ราว ๆ 10% ซึ่งเป็นข้อมูลเชิงลึกที่น่าสนใจทีเดียว

Age bins

จึงต้องไปวิเคราะห์ว่าข้อมูล churn rate ของกลุ่มลูกค้าในแต่ละช่วงอายุนั้นเป็นอย่างไรต่อ ซึ่งเราเลือกที่จะสร้างเป็นแผนภูมิผสม (combo chart) โดยแผนภูมิแรกจะเป็นแผนภูมิแท่งแสดงจำนวนลูกค้าในแต่ละช่วงอายุ (กำหนดแต่ละช่วงอายุด้วยการสร้าง Bins) ส่วนอีกอันหนึ่งเป็นแผนภูมิเส้น (line chart) แสดง churn rate

จะเห็นว่ากลุ่มลูกค้าที่มีอายุตั้งแต่ 70 ปีขึ้นไป มีอัตราการยกเลิกใช้บริการสูงที่สุด แต่ลูกค้าในกลุ่มนี้ก็มีจำนวนคนน้อยกว่าลูกค้าในกลุ่มอายุอื่น ๆ ด้วยเช่นกัน

Inspecting groups

นอกจากนี้ทาง Databel ยังมีข้อเสนอในการทำสัญญาให้บริการแบบกลุ่มให้กับลูกค้าที่อาศัยอยู่ในครัวเรือนเดียวกัน ซึ่งประโยชน์ที่ลูกค้ากลุ่มนี้จะได้รับก็คือส่วนลดค่าบริการ ในขณะที่ Databel ก็จะได้ฐานลูกค้าเพิ่ม

งานของเราคือการวิเคราะห์ว่าลูกค้าในกลุ่มนี้จ่ายค่าบริการรายเดือนถูกกว่าลูกค้าบุคคลจริงหรือไม่และมีผลกระทบต่อ churn rate อย่างไร

เห็นได้ชัดว่าลูกค้าที่ทำสัญญาแบบกลุ่มตั้งแต่ 2 คนขึ้นไป จ่ายค่าบริการรายเดือนได้ถูกกว่าลูกค้าบุคคล แต่แผนภูมินี้ก็ยังไม่ได้บอกอะไรกับเรามากนัก

Parameters

แผนภูมิก่อนหน้านี้ให้ข้อมูลกับเราแค่ในเรื่องของค่าบริการที่ลูกค้าแต่ละกลุ่มจ่ายไป ซึ่งจะเป็นการดีกว่าถ้าจะแสดงข้อมูลอื่นเพิ่มด้วย เช่น จำนวนของลูกค้าทั้งหมด จำนวนของลูกค้าที่ยกเลิกใช้บริการ ฯลฯ

แต่แทนที่เราจะสร้างเป็นแผนภูมิแยกออกมาหลาย ๆ อัน เราจะใช้วิธีการสร้างพารามิเตอร์แบบไดนามิกไว้ให้ผู้ใช้งานปรับเปลี่ยนมุมมองได้เอง

• สร้างพารามิเตอร์ใหม่ชื่อ Pick Metric เปลี่ยน Data type เป็น "String" และเปลี่ยน Allowable values เป็น "list" และพิมพ์รายการต่อไปนี้เข้าไปในตาราง Value

  - Number of Customers

  - Number of Churned Customers

  - Avg Monthly Charge

  - Avg Customer Service Calls

• สร้างฟิล์ดคำนวณขึ้นมาใหม่ชื่อ Metric

CASE [Pick Metric]
WHEN "Number of Customers" THEN [Number of Customers]
WHEN "Number of Churned Customers" THEN [Number of Churned Customers]
WHEN "Avg Monthly Charge" THEN AVG([Monthly Charge])
WHEN "Avg Customer Service Calls" THEN AVG([Customer Service Calls])
END

• แทนที่ฟิล์ด Monthly Charge ในแผนภูมิก่อนหน้านี้ด้วยฟิล์ด Metric ที่เพิ่งสร้างขึ้นมาใหม่ แล้วคลิกขวาที่พารามิเตอร์ Pick Metric เลือก Show Parameter เพียงเท่านี้แผนภูมิของเราก็มีตัวเลือกสำหรับปรับเปลี่ยนมุมมองได้แล้ว

จะเห็นได้ว่า churn rate ของลูกค้าที่ทำสัญญาแบบกลุ่มมีค่าต่ำอย่างมีนัยสำคัญ (น้อยกว่า 10%) แต่ลูกค้าส่วนใหญ่ซึ่งมีจำนวนถึง 5,166 คน หรือมากกว่า 75% นั้นเป็นแบบลูกค้าบุคคล

Unlimited plan

Databel มีข้อสันนิษฐานว่าลูกค้าที่ไม่ได้ใช้บริการแพ็กเกจอินเทอร์เน็ตแบบไม่จำกัด มีแนวโน้มที่จะยกเลิกใช้บริการมากกว่า หน้าที่ของเราจึงต้องพิสูจน์ข้อสันนิษฐานนี้

เริ่มต้นจากการสร้างตารางข้อความอย่างง่ายเพื่อแสดงค่า churn rate ของทั้งลูกค้าที่ใช้และไม่ได้ใช้บริการแพ็กเกจอินเทอร์เน็ตแบบไม่จำกัด

ผิดคาด ! กลายเป็นว่าลูกค้าที่ใช้บริการแพ็กเกจอินเทอร์เน็ตแบบไม่จำกัด มีแนวโน้มการยกเลิกใช้บริการมากกว่า อย่างไรเราลองไปสำรวจปริมาณการใช้งานข้อมูลต่อเดือนเพิ่มเติมกันดีกว่า โดยจะทำการจัดกลุ่มของปริมาณการใช้งานข้อมูลต่อเดือนขึ้นมา 3 กลุ่ม ได้แก่

• น้อยกว่า 5 GB

• 5-10 GB และ

• มากกว่า 10 GB

ซึ่งจะสร้างเป็นฟิล์ดคำนวณขึ้นมาใหม่ชื่อ Grouped Monthly GB Download

IF [Avg Monthly GB Download] < 5 THEN "<5"
ELSEIF [Avg Monthly GB Download] <= 10 THEN "5-10"
ELSE ">10"
END

และเราจะนำมาแสดงผลเป็นแผนภูมิแท่งเพื่อเปรียบเทียบ churn rate ของลูกค้าที่ใช้กับไม่ได้ใช้บริการแพ็กเกจอินเทอร์เน็ตแบบไม่จำกัด ไปพร้อมกับแสดงปริมาณการใช้งานข้อมูลต่อเดือนด้วย

ผลปรากฏว่ากลุ่มลูกค้าที่ใช้บริการแพ็กเกจอินเทอร์เน็ตแบบไม่จำกัด แต่มีการใช้งานข้อมูลน้อยกว่า 5 GB ต่อเดือน มีแนวโน้มที่จะยกเลิกการใช้บริการมากกว่า

International calls

มีข้อสงสัยเพิ่มเติมจาก Databel เกี่ยวกับพฤติกรรมของกลุ่มลูกค้าที่ใช้บริการโทรไปต่างประเทศว่า การเสียค่าใช้จ่ายสมัครซื้อแพ็กเกจนี้ส่งผลกับความภักดีของลูกค้าหรือไม่ อย่างไร

ซึ่งเราจะสร้างเป็นตารางไฮไลต์ (highlight table) แสดง churn rate ของกลุ่มลูกค้าที่สมัครบริการโทรไปต่างประเทศ โดยให้คอลัมน์ของตารางแยกประเภทของกลุ่มลูกค้า – Intl Plan ส่วนแถวให้แยกสถานะของการใช้งานการโทร – Intl Active

จากตารางไฮไลต์เห็นได้ชัดว่ากลุ่มลูกค้าที่สมัครบริการโทรไปต่างประเทศแต่ไม่มีการใช้งานจริงนั้นมี churn rate ที่สูงมาก แต่ก็ยังไม่เลวร้ายมากเนื่องจากจำนวนของลูกค้าในกลุ่มนี้ไม่สูงนัก (177 คน)

Advice to Databel

จากข้อมูล churn rate ที่สูงมากในกลุ่มลูกค้าที่สมัครบริการโทรไปต่างประเทศแต่ไม่มีการใช้งานจริง เราสามารถให้คำแนะนำกับ Databel ให้แจ้งไปยังลูกค้ากลุ่มดังกล่าวเพื่อเสนอให้ปรับลดแพ็กเกจไปยังแพ็กเกจที่มีค่าบริการที่ต่ำกว่าเดิมได้ ซึ่งจะเป็นการช่วยเพิ่มความพึงพอใจกับลูกค้าและลดปัญหาลูกค้ายกเลิกการใช้บริการได้อีกด้วย

Contract type

ยังเหลือข้อมูลอีกสามคอลัมน์ที่เรายังไม่ได้สำรวจกัน นั่นก็คือ Payment Method (รูปแบบการชำระเงิน) Contract Type (ประเภทของสัญญา) และ Account Length (in months) (จำนวนเดือนที่เป็นลูกค้ากับทาง Databel)

โดยเราจะสร้างแผนภูมิการกระจาย (scatter plot) แสดงข้อมูลระหว่างค่าเฉลี่ยของ Account Length (in months) กับ Churn Rate และจะเพิ่มรายละเอียดของข้อมูลกันด้วย Contract Type และ Payment Method

น่าสนใจ ! กลุ่มลูกค้าประเภทสมาชิกรายเดือน (Month-to-Month) มีแนวโน้มที่จะยกเลิกการใช้บริการมากกว่ากลุ่มอื่น

ขอเจาะดูรายละเอียดเพิ่มเติมด้วยการทำให้ขนาดของข้อมูลแต่ละจุดมีความแตกต่างกันตาม Number of Churned Customers

จุดที่เราสนใจคือวงกลมที่มีขนาดใหญ่ที่สุดบนแผนภูมินี้ ซึ่งในที่นี้ก็คือกลุ่มลูกค้าประเภทสมาชิกรายเดือน (Month-to-Month) และชำระเงินด้วยการหักบัญชีเงินฝากอัตโนมัติ (Direct Debit) โดยมีตัวเลขของผู้ที่ยกเลิกใช้บริการสูงถึง 1,141 คนจากทั้งหมด 1,796 คน แน่นอนว่าต้องแนะนำให้ทาง Databel จัดการอะไรสักอย่างกับเรื่องนี้

• • •

มาถึงส่วนสุดท้ายของการวิเคราะห์ข้อมูลกันแล้ว ต่อไปเราจะนำข้อมูลเชิงลึกที่เราสำรวจได้มารวมเป็นแดชบอร์ด 2-5 อัน และจะนำมาประกอบกันเป็นเรื่องราว (story)

Dashboarding best practices

เป้าหมายของการสร้างแดชบอร์ดคือการให้ข้อมูลกับผู้ที่เกี่ยวข้องได้อย่างเหมาะสม ไม่ให้ข้อมูลที่เยอะจนเกินไป

• จัดวางข้อมูลสำคัญไว้ในตำแหน่งบนซ้าย ซึ่งเป็นตำแหน่งที่ผู้ชมมองเห็นบ่อยที่สุด (most-viewed spot)

• จำกัดจำนวนแผนภูมิในแดชบอร์ดให้อยู่ที่ 2-3 ภาพ

• เพิ่มการโต้ตอบในแดชบอร์ดเพื่อให้ผู้ใช้งานสามารถสำรวจข้อมูลเพิ่มเติมได้ด้วยตัวเอง

• ควรนำเสนอข้อมูลแบบเจาะจงกับกลุ่มเป้าหมาย

Overview dashboard

แดชบอร์ดอันแรกที่เราจะสร้างนั้นจะเป็นภาพรวมของการวิเคราะห์ข้อมูล ซึ่งจะประกอบไปด้วยตัวเลขชี้วัดหรือ KPIs เช่น จำนวนของลูกค้าทั้งหมด และ churn rate เป็นต้น พร้อมกับเพิ่มสาเหตุที่ลูกค้ายกเลิกใช้บริการเข้าไปด้วย จะช่วยอธิบายว่าทำไมลูกค้าถึงหยุดใช้บริการของ Databel นอกจากนี้ประเภทของสัญญาก็ส่งผลกระทบกับ churn rate พอสมควร เราจึงจะเพิ่มเข้าไปในแดชบอร์ดนี้ด้วย

Age brackets & groups

ถัดมาเราจะสร้างแดชบอร์ดอันที่สองกัน ซึ่งจะแสดงข้อมูลเชิงลึกเกี่ยวกับช่วงอายุของลูกค้าและการทำสัญญาแบบกลุ่ม โดยเราจะใช้พารามิเตอร์แบบไดนามิกที่สร้างไว้แล้วก่อนหน้านี้มาช่วยทำให้แผนภูมิของเรามีตัวเลือกสำหรับปรับเปลี่ยนมุมมองของข้อมูลได้

เสร็จแล้วลองเปลี่ยนตัวเลือก Contract Type เป็น "Month-to-Month" และ Account Length (in months) เป็น "12 เดือนหรือต่ำกว่า" กันดู

จะพบว่าลูกค้าที่ทำสัญญาเป็นแบบรายเดือนและไม่ได้ทำสัญญาแบบกลุ่ม (ลูกค้าบุคคล) และมีระยะเวลาการเป็นสมาชิกเพียง 12 เดือนหรือน้อยกว่านั้นมี churn rate สูงถึง 58% ถ้าสามารถย้ายลูกค้ากลุ่มนี้ไปทำสัญญาแบบรายปีหรือรายสองปีได้ น่าจะเป็นการช่วยลดการยกเลิกใช้บริการของลูกค้าได้อีกทางหนึ่ง

Payment method and contract type

แดชบอร์ดอันต่อไปจะใช้แผนภูมิการกระจายของประเภทสัญญาและรูปแบบการชำระเงินกัน แต่จะรวมตัวชี้วัดอีกสองตัวที่เกี่ยวกับการโทรเข้าบริการลูกค้าสัมพันธ์ (Customer Service Calls) เข้าไปด้วยเนื่องจากเรายังไม่ได้ทำการสำรวจข้อมูลในส่วนนี้ ได้แก่

Customer Service Calls

และ

Avg Customer Service Calls

SUM([Customer Service Calls]) / [Number of Customers]

เสร็จแล้วลองมาดูตัวเลขการโทรเข้าบริการลูกค้าสัมพันธ์ของกลุ่มลูกค้าที่มีจำนวนการยกเลิกใช้บริการสูงที่สุดกัน ซึ่งในที่นี้ก็คือกลุ่มลูกค้าประเภทสมาชิกรายเดือน (Month-to-Month) และชำระเงินด้วยการหักบัญชีเงินฝากอัตโนมัติ (Direct Debit)

พบว่าค่าเฉลี่ยของการโทรเข้าบริการลูกค้าสัมพันธ์อยู่ที่ 1.47 ครั้งต่อลูกค้าหนึ่งคน ซึ่งถือว่าเป็นตัวเลขที่สูงพอสมควร ดังนั้นทาง Databel ควรจะเข้ามาตรวจสอบในส่วนนี้เพิ่ม เป็นไปได้ว่าอาจจะมีปัญหาเกี่ยวกับวิธีการชำระเงินรูปแบบนี้

International and data plan

แดชบอร์ดอันสุดท้ายควรครอบคลุมข้อมูลเชิงลึกของการใช้บริการแพ็กเกจอินเทอร์เน็ตและการโทรไปต่างประเทศ โดยเราจะเพิ่มข้อมูลเกี่ยวกับค่าบริการส่วนเกินเข้าไปด้วย

Avg Extra Data Charges

SUM([Extra Data Charges]) / [Number of Customers]

Avg Extra Intl Charges

SUM([Extra International Charges]) / [Number of Customers]

จะเห็นได้ว่าลูกค้าที่ไม่ได้สมัครแพ็กเกจอินเทอร์เน็ตแบบไม่จำกัดและถึงแม้มีการใช้งานข้อมูลไม่มากนัก (น้อยกว่า 5 GB ต่อเดือน) ก็ยังต้องเสียค่าบริการส่วนเกินจำนวนหนึ่งอยู่ดี

Story time!

ได้เวลานำแดชบอร์ดทั้งหมดมาประกอบกันเป็นเรื่องราวแล้ว โดยเราจะวางแดชบอร์ด Overview ไว้เป็นลำดับแรก และเชื่อมโยงกับแดชบอร์ดอื่น ๆ ด้วย Story Point

คลิกที่นี่เพื่อเข้าชมการแสดงภาพข้อมูลแบบอินเทอร์แอคทีฟบน Tableau Public

ข้อมูลเชิงลึกทั้งหมดก็จะถูกรวมเป็นเรื่องเดียวกันและเป็นอันเสร็จสิ้นขั้นตอนที่ 4 จาก 5 กระบวนการการวิเคราะห์ข้อมูล เพียงเท่านี้เราก็พร้อมจะนำเสนอผลลัพธ์ให้กับทาง Databel ซึ่งเป็นขั้นตอนสุดท้ายของกระบวนการกันแล้ว

---

ทั้งหมดนี้ก็เป็นการวิเคราะห์ข้อมูลด้วยโปรแกรม Tableau ตั้งแต่เริ่มต้นไปจนจบผ่านตัวอย่างกรณีศึกษาการยกเลิกใช้บริการของลูกค้า ซึ่งเราได้เรียนรู้ทักษะที่สำคัญที่สุดของนักวิเคราะห์ข้อมูล (data analyst) นั่นคือการนำความรู้และทักษะที่มีมาปรับใช้เพื่อรับมือกับปัญหาทางธุรกิจด้วยข้อมูลเชิงลึกที่สามารถนำไปปฏิบัติได้จริง 👍