Mashinani o'rganishdan foydalangan holda Mijozning xulq-atvori va demografik ma'lumotlari asosida kompaniyani tark etishi (ketishi) ehtimolini bashorat qilish

Usullari. ScienceSoft ma'lumotlar tahlili bo'limi boshlig'i Aleks Bekkerning ta'kidlashicha, almashtirish ahamiyati, ELI5 Python paketi va SHAP (SHapley Additive Explanations) kabi usullardan eng mos va
foydali xususiyatlarni aniqlash mumkin.
Barcha usullarning ishlash printsipi modellar o'z bashoratlarini qanday qilishlarini tushuntirishdan iborat (model qaysi xususiyatlar asosida ma'lum bir xulosaga kelgan.) Modelning talqin qilinishi bu
sohadagi eng muhim masalalardan biridir va ma'lumotlar olimlari hal qilish uchun echimlarni ishlab chiqishda davom etadilar. bu. AI va ma'lumotlar fanining yutuqlari va tendentsiyalari haqidagi maqolamizda sharhlash haqida ko'proq o'qishingiz mumkin .
O'zgartirish ahamiyati xususiyat ahamiyatini aniqlash usullaridan biridir - bu xususiyat prognozlarga ta'sir qiladi. U allaqachon o'qitilgan modellar bo'yicha hisoblangan. O'zgartirish muhimligi shunday amalga oshiriladi: ma'lumot olimi bitta ustundagi ma'lumotlar nuqtalarining tartibini o'zgartiradi, modelni olingan ma'lumotlar to'plami bilan ta'minlaydi va bu o'zgarish uning aniqligini qay darajada kamaytirishini aniqlaydi. Natijalarga eng katta ta'sir ko'rsatadigan xususiyatlar eng muhimi.
O'zgartirish muhimligini amalga oshirishning yana bir usuli - ma'lumotlar to'plamidan xususiyatni olib tashlash va modelni qayta tayyorlash.
O'zgartirish ahamiyatini ELI5 - ochiq manba Python kutubxonasi yordamida amalga oshirish mumkin , bu ML tasniflagichlarini (algoritmlarini) vizualizatsiya qilish, disk raskadrovka qilish va ularning natijalarini sharhlash imkonini beradi.
ELI5 hujjatlariga ko'ra , bu usul ko'p sonli ustunlar (xususiyatlar) bo'lmagan ma'lumotlar to'plamlarida eng yaxshi ishlaydi.
SHAP (SHapley Additive Explanations) tizimidan foydalangan holda , mutaxassislar "har qanday mashinani o'rganish modeli" qarorlarini sharhlashlari mumkin. SHAP shuningdek, har bir xususiyatga ma'lum bir bashorat uchun muhimlik qiymatini belgilaydi.
Mijozlarni segmentatsiyalash. Rivojlanayotgan kompaniyalar va mahsulot assortimentini
kengaytirayotganlar odatda oldindan belgilangan va tanlangan xususiyatlardan foydalangan holda mijozlarini segmentlarga ajratadilar. Mijozlarni hayot aylanish bosqichi, ehtiyojlari, foydalanilgan
yechimlari, jalb qilish darajasi, pul qiymati yoki asosiy ma'lumotlarga ko'ra kichik guruhlarga bo'lish mumkin. Har bir mijoz toifasi umumiy xulq-atvor namunalariga ega bo'lganligi sababli, har bir segmentni ifodalovchi ma'lumotlar to'plamida maxsus tayyorlangan ML modellaridan foydalanish
orqali bashorat qilishning aniqligini oshirish mumkin. _
Masalan, HubSpot mijozning shaxsiyati, hayot aylanish bosqichi, tegishli mahsulotlar, mintaqa, til va hisobning umumiy daromadi kabi segmentatsiya mezonlaridan foydalanadi. "Bu kabi segmentlarning kombinatsiyasi biz hisob egalik huquqini qanday shakllantiramiz va CSM [mijozlarni qo'llab-quvvatlash menejeri] yoki sotuvchining biznes kitobini aniqlaymiz", deydi Maykl.
Bundan tashqari, mijozlar qiymati to'g'risida bilimga ega bo'lgan xodimlar o'zlarining saqlash faoliyatiga ustuvor ahamiyat berishlari mumkin.
Ma'lumotlarni tayyorlash, xususiyatlarni tanlash va mijozlarni segmentatsiyalash bosqichlaridan so'ng, bashorat qilishdan oldin foydalanuvchi xatti-harakatlarini kuzatish uchun qancha vaqt ketishini
aniqlash vaqti keladi.
Kuzatuv oynasini tanlash (mijoz voqealari tarixi). Bashoratli modellashtirish - ma'lum bir vaqt nuqtasidan oldin tugaydigan davr (oyna) davomida olib borilgan kuzatishlar va xuddi shu vaqt nuqtasidan keyin boshlanadigan davr haqidagi bashoratlar o'rtasidagi munosabatni o'rganishdir.

Avvalgi davr kuzatuv , mustaqil , tushuntirish oynasi yoki mijoz voqealari tarixi deb ataladi (aniqlik uchun oxirgi ta'rifdan foydalanamiz). Kuzatishdan keyingi keyingi davr ishlash , bog'liqlik yoki javob oynasi deb ataladi . Boshqacha qilib aytganda, biz kelajakda, ishlash oynasida voqealarni (foydalanuvchi chalg'itadi yoki qoladi) bashorat qilamiz. To'g'ri hodisalar tarixi va kuzatish oynalarini aniqlash juda muhimdir

Spotify’ning mashinani o‘rganish bo‘yicha muhandisi, kichik Guilherme Dinis o‘zining magistrlik dissertatsiyasida bepul rejaga ro‘yxatdan o‘tgan yangi Spotify foydalanuvchilarining ro‘yxatdan o‘tganidan keyin ikkinchi hafta davomida chiqib ketish yoki faol qolish-qolmasligini aniqlash uchun xatti-harakatlarini o‘rgandi.
U voqea tarixi sifatida foydalanishning birinchi haftasini tanladi. Foydalanuvchilarni churnerlar va faol foydalanuvchilar sifatida tasniflash uchun Guilherme ikkinchi haftada oqim harakati mavjudligin tekshirdi. Agar foydalanuvchilar musiqa tinglashni davom ettirsalar, ular musiqa tinglamaydiganlar sifatida tasniflanadi."Kuzatuv [hodisalar tarixi] va faollashtirish oynalarini [ishlash oynasi] nisbatan kichik saqlash sabablari bir xil foydalanuvchilar populyatsiyasi bo'yicha ichki oldingi tadqiqotlarga asoslangan bo'lib, ular ro'yxatdan o'tgandan keyin ikki hafta o'tgach, yuqori ishlamay qolish ehtimolini ko'rsatdi", deb tushuntirdi muhandis.
Shunday qilib, voqealar tarixining uzoq umr ko'rish va ishlash oynasini aniqlash uchun foydalanuvchilaringiz odatda qachon ishlamay qolishini hisobga olishingiz kerak. Bu Spotify misolidagi kabi ikkinchi hafta yoki yillik obunaning 11-oyi bo'lishi mumkin. Ammo, ehtimol, siz bu obunachi bir oy ichida ishlamay qolishi mumkinligini bilishni xohlamaysiz. Negaki, sizda qayta ishlash uchun juda oz vaqt bo'ladi.
Kuzatishlar va bashoratlar uchun vaqtni muvozanatlash aslida qiyin vazifadir. Misol uchun, agar kuzatuv oynasi bir oy bo'lsa, yillik obuna bo'lgan mijoz uchun ishlash oynasi 11 oy bo'ladi.
Ko'rinishidan, voqealar tarixini qisqacha va uzoq vaqt ishlash oynalarini yaratish biznes uchun eng
foydali bo'ladi. Siz kuzatuvga oz vaqt ajratasiz va qayta jalb qilish uchun etarli vaqtingiz bor. Afsuski, bu har doim ham shunday ishlamaydi. Qisqa voqea tarixi ishonchli bashorat qilish uchun etarli bo'lmasligi mumkin, shuning uchun bu parametrlar bilan tajriba o'tkazish uning o'zaro kelishuvlari bilan
takrorlanadigan davomiy jarayonga aylanishi mumkin. Asosan, siz model uchun asosli bashorat qilish uchun etarli bo'lgan voqealar tarixini belgilashingiz kerak, ammo baribir potentsial buzilishni bartaraf etish uchun etarli vaqtingiz bor.