Kako izgraditi proaktivni preemptivni agent za sprečavanje…

U ovom tutorialu, izgradit ćemo potpuno funkcionalnog preemptivnog agenta za sprečavanje odustajanja koji proaktivno identificira korisnike koji su u riziku i sastavlja personalizirane emailove za ponovnu angažiranost prije nego što otkažu pretplatu. Umjesto čekanja da se odustajanje dogodi, dizajnirajmo agentni ciklus u kojem ćemo promatrati neaktivnost korisnika, analizirati obrasce ponašanja, strategizirati nagrade i generirati emailove spremne za slanje koristeći Gemini. Vodit ćemo cijeli proces korak po korak, osiguravajući da svaki komponent, od simulacije podataka do odobrenja menadžera, radi bez problema.

Postavljanje okruženja i uvoz biblioteka

Prvi korak u izgradnji našeg agenta je postavljanje okruženja i uvoz svih potrebnih biblioteka. Ovo uključuje inicijalizaciju Gemini API-ja i pripremu osnovnih alata za rad. Naš cilj je osigurati da se okruženje učini što čišćim i efikasnijim kako bismo mogli fokusirati na razvoj agenta.

“`python
import os
import time
import json
import random
from datetime import datetime, timedelta
from typing import List, Dict, Any
import textwrap

try:
import google.generativeai as genai
except ImportError:
!pip install -q -U google-generativeai
import google.generativeai as genai

from google.colab import userdata
import getpass
“`

Konfiguracija Gemini API-ja

Konfiguracija Gemini API-ja je ključna za korištenje njegovih mogućnosti. Ovaj korak uključuje postavljanje API ključa i provjeru autentičnosti. Ako ključ nije dostupan, korisnik će biti upitan da ga unese.

“`python
def setup_gemini():
print(“— 🔐 Security Check —“)
try:
api_key = userdata.get(‘GEMINI_API_KEY’)
except:
print(“Please enter your Google Gemini API Key:”)
api_key = getpass.getpass(“API Key: “)
if not api_key:
raise ValueError(“API Key is required to run the agent.”)
genai.configure(api_key=api_key)
return genai.GenerativeModel(‘gemini-pro’)
“`

Simulacija baze podataka korisnika

Kako bismo testirali naš agent, potrebno je simulirati bazu podataka korisnika. Ovo uključuje stvaranje korisničkih profila s različitim razinama neaktivnosti kako bismo generirali realistične scenarije odustajanja.

“`python
class MockCustomerDB:
def init(self):
self.today = datetime.now()
self.users = self._generate_mock_users()

def _generate_mock_users(self) -> List[Dict]:
profiles = [
{“id”: “U001”, “name”: “Sarah Connor”, “plan”: “Enterprise”, “last_login_days_ago”: 2, “top_features”: [“Reports”, “Admin Panel”], “total_spend”: 5000},
{“id”: “U002”, “name”: “John Smith”, “plan”: “Basic”, “last_login_days_ago”: 25, “top_features”: [“Image Editor”], “total_spend”: 50},
{“id”: “U003”, “name”: “Emily Chen”, “plan”: “Pro”, “last_login_days_ago”: 16, “top_features”: [“API Access”, “Data Export”], “total_spend”: 1200},
{“id”: “U004”, “name”: “Marcus Aurelius”, “plan”: “Enterprise”, “last_login_days_ago”: 45, “top_features”: [“Team Management”], “total_spend”: 8000}
]
return profiles

def fetch_at_risk_users(self, threshold_days=14) -> List[Dict]:
return [u for u in self.users if u[‘last_login_days_ago’] >= threshold_days]
“`

Analiza ponašanja korisnika

Nakon što smo postavili okruženje i simulirali bazu podataka, sljedeći korak je analiza ponašanja korisnika. Ovo uključuje identifikaciju korisnika koji su u riziku od odustajanja i analizu njihovih obrazaca ponašanja.

Identifikacija korisnika u riziku

Korisnici se smatraju u riziku ako nisu prijavljeni u zadnjih 14 dana. Ovaj prag se može prilagoditi ovisno o specifičnim potrebama tvrtke.

“`python
def identify_at_risk_users(db: MockCustomerDB, threshold_days=14) -> List[Dict]:
return db.fetch_at_risk_users(threshold_days)
“`

Analiza obrazaca ponašanja

Analiza obrazaca ponašanja uključuje pregled prethodnih interakcija korisnika s platformom. Ovo nam pomaže da razumijemo zašto su korisnici postali neaktivni i kako bismo ih mogli ponovo angažirati.

“`python
def analyze_behavior_patterns(user: Dict) -> str:
patterns = []
if user[‘last_login_days_ago’] > 30:
patterns.append(“User has not logged in for over a month.”)
if user[‘total_spend’] < 100: patterns.append("User has low total spend.") if len(user['top_features']) < 2: patterns.append("User uses few features.") return " ".join(patterns) ```

Strategiziranje nagrada i generiranje emailova

Nakon što smo identificirali korisnike u riziku i analizirali njihove obrasce ponašanja, sljedeći korak je strategiziranje nagrada i generiranje personaliziranih emailova za ponovnu angažiranost.

Strategiziranje nagrada

Strategiziranje nagrada uključuje određivanje vrsta nagrada koje će biti najefikasnije za ponovnu angažiranost korisnika. Ovo može uključivati popuste, besplatne probe ili dodatne funkcionalnosti.

“`python
def strategize_incentives(user: Dict) -> str:
if user[‘total_spend’] < 100: return "Offer a 20% discount on their next purchase." elif user['last_login_days_ago'] > 30:
return “Provide a free trial of our premium features.”
else:
return “Offer additional features for free for the next month.”
“`

Generiranje emailova

Generiranje emailova uključuje korištenje Gemini API-ja za stvaranje personaliziranih emailova spremnih za slanje. Ovo osigurava da su emailovi privlačni i relevantni za svakog korisnika.

“`python
def generate_email_draft(user: Dict, incentive: str, behavior_patterns: str) -> str:
prompt = f”””
You are a customer success manager at a tech company. Write a personalized email to {user[‘name’]} who is at risk of churn.
Their last login was {user[‘last_login_days_ago’]} days ago, and they have spent a total of ${user[‘total_spend’]} on our platform.
Here are some behavior patterns: {behavior_patterns}.
Offer them the following incentive: {incentive}.
“””
model = setup_gemini()
response = model.generate_content(prompt)
return response.text
“`

Zaključak

Izgradnja proaktivnog preemptivnog agenta za sprečavanje odustajanja korisnika je proces koji uključuje nekoliko ključnih koraka. Od postavljanja okruženja i uvoza biblioteka do analize ponašanja korisnika i generiranja personaliziranih emailova, svaki korak je važan za osiguravanje uspješne implementacije. Korištenje alata poput Gemini API-ja omogućava stvaranje privlačnih i relevantnih emailova koji mogu značajno smanjiti stopu odustajanja.

FAQ

Što je proaktivni preemptivni agent za sprečavanje odustajanja?

Proaktivni preemptivni agent za sprečavanje odustajanja je alat koji proaktivno identificira korisnike koji su u riziku od odustajanja i generira personalizirane emailove za ponovnu angažiranost prije nego što otkažu pretplatu.

Kako se postavlja okruženje za izgradnju agenta?

Postavljanje okruženja uključuje uvoz svih potrebnih biblioteka i konfiguraciju API-ja. Ovo osigurava da su svi alati dostupni i spremni za korištenje tijekom izgradnje agenta.

Kako se identificiraju korisnici u riziku?

Korisnici se smatraju u riziku ako nisu prijavljeni u zadnjih 14 dana. Ovaj prag se može prilagoditi ovisno o specifičnim potrebama tvrtke.

Kako se generiraju personalizirani emailovi?

Generiranje emailova uključuje korištenje alata poput Gemini API-ja za stvaranje privlačnih i relevantnih emailova spremnih za slanje. Ovo osigurava da su emailovi personalizirani za svakog korisnika.

Koliko je učinkovit ovaj pristup sprečavanju odustajanja?

Učinkovitost ovog pristupa može varirati ovisno o specifičnim potrebama tvrtke i kvaliteti generiranih emailova. No, proaktivni pristup obično pokazuje bolje rezultate u smanjenju stope odustajanja u usporedbi s reaktivnim pristupom.