कैसे हमने प्राकृतिक आपदा की तरह इसे देखते हुए मंथन की भविष्यवाणी की

कभी-कभी, किसी समस्या को हल करने के लिए, आपको बस उसे एक अलग दृष्टिकोण से देखने की आवश्यकता होती है। भले ही पिछले 10 वर्षों में समान समस्याओं को अलग-अलग प्रभावों के साथ एक ही तरीके से हल किया गया हो, लेकिन यह सच नहीं है कि यह विधि एकमात्र है।

ग्राहक मंथन जैसा कोई विषय है. यह बात अपरिहार्य है, क्योंकि किसी भी कंपनी के ग्राहक कई कारणों से उसके उत्पादों या सेवाओं का उपयोग बंद कर सकते हैं। बेशक, किसी कंपनी के लिए मंथन एक स्वाभाविक है, लेकिन सबसे वांछनीय कार्रवाई नहीं है, इसलिए हर कोई इस मंथन को कम करने की कोशिश करता है। इससे भी बेहतर, किसी विशेष श्रेणी के उपयोगकर्ताओं या किसी विशिष्ट उपयोगकर्ता के लिए मंथन की संभावना की भविष्यवाणी करें और उन्हें बनाए रखने के लिए कुछ कदम सुझाएं।

यदि संभव हो तो कम से कम निम्नलिखित कारणों से विश्लेषण करना और ग्राहक को बनाए रखने का प्रयास करना आवश्यक है:

• नए ग्राहकों को आकर्षित करना प्रतिधारण प्रक्रियाओं से अधिक महंगा है. नए ग्राहकों को आकर्षित करने के लिए, एक नियम के रूप में, आपको कुछ पैसे (विज्ञापन) खर्च करने की आवश्यकता होती है, जबकि मौजूदा ग्राहकों को विशेष शर्तों के साथ एक विशेष प्रस्ताव के साथ सक्रिय किया जा सकता है;
• ग्राहकों द्वारा छोड़े जाने के कारणों को समझना उत्पादों और सेवाओं को बेहतर बनाने की कुंजी है.

मंथन की भविष्यवाणी करने के लिए मानक दृष्टिकोण हैं। लेकिन एआई चैंपियनशिप में से एक में, हमने इसके लिए वेइबुल वितरण को आज़माने का फैसला किया। इसका उपयोग अक्सर उत्तरजीविता विश्लेषण, मौसम पूर्वानुमान, प्राकृतिक आपदा विश्लेषण, औद्योगिक इंजीनियरिंग और इसी तरह के लिए किया जाता है। वेइबुल वितरण एक विशेष वितरण फ़ंक्शन है जिसे दो मापदंडों द्वारा मानकीकृत किया गया है и .

विकिपीडिया

सामान्य तौर पर, यह एक दिलचस्प बात है, लेकिन बहिर्प्रवाह की भविष्यवाणी के लिए और सामान्य तौर पर फिनटेक में, इसका उपयोग अक्सर नहीं किया जाता है। कट के नीचे हम आपको बताएंगे कि हमने (डेटा माइनिंग लेबोरेटरी) यह कैसे किया, साथ ही "एआई इन बैंक्स" श्रेणी में आर्टिफिशियल इंटेलिजेंस चैम्पियनशिप में स्वर्ण पदक भी जीता।

सामान्यतः मंथन के बारे में

आइए थोड़ा समझें कि ग्राहक मंथन क्या है और यह इतना महत्वपूर्ण क्यों है। किसी व्यवसाय के लिए ग्राहक आधार महत्वपूर्ण है। नए ग्राहक इस आधार पर आते हैं, उदाहरण के लिए, किसी विज्ञापन से किसी उत्पाद या सेवा के बारे में जानकर, कुछ समय तक रहते हैं (सक्रिय रूप से उत्पादों का उपयोग करते हैं) और कुछ समय बाद इसका उपयोग बंद कर देते हैं। इस अवधि को "ग्राहक जीवनचक्र" कहा जाता है - एक शब्द जो उन चरणों का वर्णन करता है जिनसे ग्राहक गुजरता है जब वह किसी उत्पाद के बारे में सीखता है, खरीदारी का निर्णय लेता है, भुगतान करता है, उपयोग करता है और एक वफादार उपभोक्ता बन जाता है, और अंततः उत्पाद का उपयोग करना बंद कर देता है। उत्पाद किसी न किसी कारण से. तदनुसार, मंथन ग्राहक के जीवन चक्र का अंतिम चरण है, जब ग्राहक सेवाओं का उपयोग करना बंद कर देता है, और किसी व्यवसाय के लिए इसका मतलब है कि ग्राहक ने लाभ या कोई भी लाभ लाना बंद कर दिया है।

प्रत्येक बैंक ग्राहक एक विशिष्ट व्यक्ति होता है जो अपनी आवश्यकताओं के लिए विशेष रूप से एक या दूसरा बैंक कार्ड चुनता है। यदि आप अक्सर यात्रा करते हैं, तो मील वाला कार्ड आपके काम आएगा। बहुत कुछ ख़रीदता है - हैलो, कैशबैक कार्ड। वह विशिष्ट दुकानों में बहुत कुछ खरीदता है - और इसके लिए पहले से ही एक विशेष भागीदार प्लास्टिक मौजूद है। बेशक, कभी-कभी कार्ड का चयन "सबसे सस्ती सेवा" मानदंड के आधार पर किया जाता है। सामान्य तौर पर, यहां पर्याप्त चर हैं।

और एक व्यक्ति बैंक भी स्वयं चुनता है - क्या ऐसे बैंक से कार्ड चुनने का कोई मतलब है जिसकी शाखाएँ केवल मास्को और क्षेत्र में हैं, जब आप खाबरोवस्क से हैं? भले ही ऐसे बैंक का कार्ड कम से कम 2 गुना अधिक लाभदायक हो, फिर भी आस-पास बैंक शाखाओं की उपस्थिति एक महत्वपूर्ण मानदंड है। हां, 2019 पहले ही आ चुका है और डिजिटल हमारा सब कुछ है, लेकिन कुछ बैंकों के साथ कई मुद्दों को केवल एक शाखा में ही हल किया जा सकता है। साथ ही, फिर से, आबादी का कुछ हिस्सा स्मार्टफोन पर किसी एप्लिकेशन की तुलना में भौतिक बैंक पर अधिक भरोसा करता है, इसे भी ध्यान में रखा जाना चाहिए।

परिणामस्वरूप, किसी व्यक्ति के पास बैंक उत्पादों (या स्वयं बैंक) को अस्वीकार करने के कई कारण हो सकते हैं। मैंने नौकरियाँ बदल दीं, और कार्ड टैरिफ वेतन से बदलकर "केवल नश्वर लोगों के लिए" हो गया, जो कम लाभदायक है। मैं दूसरे शहर में चला गया जहाँ कोई बैंक शाखाएँ नहीं हैं। मुझे शाखा में अयोग्य ऑपरेटर के साथ बातचीत पसंद नहीं आई। यानी, उत्पाद का उपयोग करने की तुलना में खाता बंद करने के और भी अधिक कारण हो सकते हैं।

और ग्राहक न केवल अपना इरादा स्पष्ट रूप से व्यक्त कर सकता है - बैंक में आ सकता है और एक बयान लिख सकता है, बल्कि अनुबंध समाप्त किए बिना उत्पादों का उपयोग बंद कर सकता है। ऐसी समस्याओं को समझने के लिए मशीन लर्निंग और एआई का उपयोग करने का निर्णय लिया गया।

इसके अलावा, ग्राहक मंथन किसी भी उद्योग में हो सकता है (दूरसंचार, इंटरनेट प्रदाता, बीमा कंपनियां, सामान्य तौर पर, जहां भी ग्राहक आधार और आवधिक लेनदेन होता है)।

हमने क्या किया है

सबसे पहले, एक स्पष्ट सीमा का वर्णन करना आवश्यक था - किस समय से हम यह मानना ​​शुरू करते हैं कि ग्राहक चला गया है। उस बैंक के दृष्टिकोण से जिसने हमें हमारे काम के लिए डेटा प्रदान किया था, ग्राहक की गतिविधि स्थिति द्विआधारी थी - वह या तो सक्रिय है या नहीं। "गतिविधि" तालिका में एक ACTIVE_FLAG ध्वज था, जिसका मान या तो "0" या "1" ("निष्क्रिय" और "सक्रिय") हो सकता था। और सब कुछ ठीक हो जाएगा, लेकिन एक व्यक्ति ऐसा है कि वह इसे कुछ समय के लिए सक्रिय रूप से उपयोग कर सकता है, और फिर एक महीने के लिए सक्रिय सूची से बाहर हो सकता है - वह बीमार हो गया, छुट्टी पर दूसरे देश चला गया, या यहां तक ​​​​कि परीक्षण करने भी गया दूसरे बैंक का कार्ड. या हो सकता है कि लंबी अवधि की निष्क्रियता के बाद, बैंक की सेवाओं का उपयोग फिर से शुरू कर दें

इसलिए, हमने निष्क्रियता की अवधि को एक निश्चित निरंतर अवधि कहने का निर्णय लिया, जिसके दौरान इसके लिए ध्वज "0" पर सेट किया गया था।

अलग-अलग अवधि की निष्क्रियता की अवधि के बाद ग्राहक निष्क्रिय से सक्रिय की ओर बढ़ते हैं। हमारे पास अनुभवजन्य मूल्य "निष्क्रियता की अवधि की विश्वसनीयता" की डिग्री की गणना करने का अवसर है - यानी, संभावना है कि कोई व्यक्ति अस्थायी निष्क्रियता के बाद फिर से बैंक उत्पादों का उपयोग शुरू कर देगा।

उदाहरण के लिए, यह ग्राफ़ कई महीनों की निष्क्रियता (ACTIVE_FLAG=1) के बाद ग्राहकों की गतिविधि (ACTIVE_FLAG=0) को फिर से शुरू करने को दर्शाता है।

यहां हम उस डेटा सेट को थोड़ा स्पष्ट करेंगे जिसके साथ हमने काम करना शुरू किया था। इसलिए, बैंक ने निम्नलिखित तालिकाओं में 19 महीनों की समग्र जानकारी प्रदान की:

• "गतिविधि" - मासिक ग्राहक लेनदेन (कार्ड द्वारा, इंटरनेट बैंकिंग और मोबाइल बैंकिंग में), जिसमें पेरोल और टर्नओवर की जानकारी शामिल है।
• "कार्ड" - विस्तृत टैरिफ शेड्यूल के साथ ग्राहक के पास मौजूद सभी कार्डों के बारे में डेटा।
• "समझौते" - ग्राहक के समझौतों (खुले और बंद दोनों) के बारे में जानकारी: ऋण, जमा, आदि, प्रत्येक के मापदंडों को दर्शाते हुए।
• "ग्राहक" - जनसांख्यिकीय डेटा (लिंग और आयु) और संपर्क जानकारी की उपलब्धता का एक सेट।

काम के लिए हमें "मानचित्र" को छोड़कर सभी तालिकाओं की आवश्यकता थी।

यहां एक और कठिनाई थी - इस डेटा में बैंक ने यह नहीं बताया कि कार्ड पर किस तरह की गतिविधि हुई। यानी, हम समझ सकते हैं कि लेन-देन हुआ था या नहीं, लेकिन हम उनका प्रकार निर्धारित नहीं कर सकते थे। इसलिए, यह स्पष्ट नहीं था कि ग्राहक नकदी निकाल रहा था, वेतन प्राप्त कर रहा था, या खरीदारी पर पैसा खर्च कर रहा था। हमारे पास खाते की शेष राशि का डेटा भी नहीं था, जो उपयोगी होता।

नमूना स्वयं निष्पक्ष था - इस खंड में, 19 महीनों में, बैंक ने ग्राहकों को बनाए रखने और बहिर्प्रवाह को कम करने के लिए कोई प्रयास नहीं किया।

तो, निष्क्रियता की अवधि के बारे में।

मंथन की परिभाषा तैयार करने के लिए निष्क्रियता की अवधि का चयन करना होगा। किसी समय पर एक मंथन पूर्वानुमान तैयार करना , आपके पास एक अंतराल पर कम से कम 3 महीने का ग्राहक इतिहास होना चाहिए . हमारा इतिहास 19 महीने तक सीमित था, इसलिए हमने यदि उपलब्ध हो तो 6 महीने की निष्क्रियता की अवधि लेने का निर्णय लिया। और उच्च-गुणवत्ता वाले पूर्वानुमान के लिए न्यूनतम अवधि के लिए, हमें 3 महीने लगे। हमने ग्राहक डेटा व्यवहार के विश्लेषण के आधार पर अनुभवजन्य रूप से 3 और 6 महीने के आंकड़े लिए।

हमने मंथन की परिभाषा इस प्रकार तैयार की: ग्राहक मंथन का महीना यह ACTIVE_FLAG=0 के साथ पहला महीना है, जहां इस महीने से ACTIVE_FLAG फ़ील्ड में कम से कम छह लगातार शून्य हैं, दूसरे शब्दों में, वह महीना जिसमें ग्राहक 6 महीने के लिए निष्क्रिय था।

छोड़े गए ग्राहकों की संख्या

शेष ग्राहकों की संख्या

मंथन की गणना कैसे की जाती है?

ऐसी प्रतियोगिताओं में, और सामान्य तौर पर व्यवहार में, बहिर्प्रवाह की भविष्यवाणी अक्सर इसी तरह से की जाती है। ग्राहक अलग-अलग समय पर उत्पादों और सेवाओं का उपयोग करता है, उसके साथ बातचीत पर डेटा को एक निश्चित लंबाई n की विशेषताओं के वेक्टर के रूप में दर्शाया जाता है। अक्सर इस जानकारी में ये शामिल होते हैं:

• उपयोगकर्ता की विशेषता बताने वाला डेटा (जनसांख्यिकीय डेटा, विपणन खंड)।
• बैंकिंग उत्पादों और सेवाओं के उपयोग का इतिहास (ये ग्राहक क्रियाएं हैं जो हमेशा हमारे लिए आवश्यक अंतराल के एक विशिष्ट समय या अवधि से जुड़ी होती हैं)।
• बाहरी डेटा, यदि इसे प्राप्त करना संभव था - उदाहरण के लिए, सामाजिक नेटवर्क से समीक्षाएँ।

और उसके बाद, वे प्रत्येक कार्य के लिए अलग-अलग मंथन की परिभाषा निकालते हैं। फिर वे एक मशीन लर्निंग एल्गोरिदम का उपयोग करते हैं, जो ग्राहक के जाने की संभावना की भविष्यवाणी करता है कारकों के वेक्टर पर आधारित . एल्गोरिदम को प्रशिक्षित करने के लिए, निर्णय पेड़ों के समूह के निर्माण के लिए प्रसिद्ध रूपरेखाओं में से एक का उपयोग किया जाता है, एक्सजीबूस्ट, लाइटजीबीएम, कैटबॉस्ट या उसमें संशोधन.

एल्गोरिथ्म स्वयं खराब नहीं है, लेकिन जब मंथन की भविष्यवाणी की बात आती है तो इसमें कई गंभीर नुकसान हैं।

• उसके पास तथाकथित "स्मृति" नहीं है. मॉडल का इनपुट सुविधाओं की एक निर्दिष्ट संख्या है जो वर्तमान समय बिंदु के अनुरूप है। मापदंडों में परिवर्तन के इतिहास के बारे में जानकारी संग्रहीत करने के लिए, विशेष विशेषताओं की गणना करना आवश्यक है जो समय के साथ मापदंडों में परिवर्तन की विशेषता रखते हैं, उदाहरण के लिए, पिछले 1,2,3, XNUMX, XNUMX महीनों में बैंक लेनदेन की संख्या या राशि। यह दृष्टिकोण केवल अस्थायी परिवर्तनों की प्रकृति को आंशिक रूप से प्रतिबिंबित कर सकता है।
• निश्चित पूर्वानुमान क्षितिज. मॉडल केवल पूर्वनिर्धारित अवधि के लिए ग्राहक मंथन की भविष्यवाणी करने में सक्षम है, उदाहरण के लिए, एक महीने पहले पूर्वानुमान। यदि किसी अलग अवधि के लिए पूर्वानुमान की आवश्यकता होती है, उदाहरण के लिए, तीन महीने, तो आपको प्रशिक्षण सेट को फिर से बनाने और एक नए मॉडल को फिर से प्रशिक्षित करने की आवश्यकता है।

हमारा दृष्टिकोण

हमने तुरंत निर्णय लिया कि हम मानक तरीकों का उपयोग नहीं करेंगे। हमारे अलावा, चैंपियनशिप में 497 और लोगों ने पंजीकरण कराया, जिनमें से प्रत्येक के पास काफी अनुभव था। इसलिए ऐसी परिस्थितियों में किसी मानक योजना के अनुसार कुछ करने का प्रयास करना अच्छा विचार नहीं है।

और हमने ग्राहक मंथन समय की संभाव्यता वितरण की भविष्यवाणी करके बाइनरी वर्गीकरण मॉडल के सामने आने वाली समस्याओं को हल करना शुरू कर दिया। इसी तरह का दृष्टिकोण देखा जा सकता है यहां, यह आपको शास्त्रीय दृष्टिकोण की तुलना में अधिक लचीले ढंग से मंथन की भविष्यवाणी करने और अधिक जटिल परिकल्पनाओं का परीक्षण करने की अनुमति देता है। वितरण के एक परिवार के रूप में बहिर्प्रवाह समय का मॉडलिंग करते हुए, हमने वितरण को चुना वेइबुल उत्तरजीविता विश्लेषण में इसके व्यापक उपयोग के लिए। ग्राहक के व्यवहार को एक प्रकार की उत्तरजीविता के रूप में देखा जा सकता है।

यहां मापदंडों के आधार पर वेइबुल संभाव्यता घनत्व वितरण के उदाहरण दिए गए हैं и :

यह समय के साथ तीन अलग-अलग ग्राहकों के मंथन का संभाव्यता घनत्व कार्य है। समय महीनों में प्रस्तुत किया गया है. दूसरे शब्दों में, यह ग्राफ़ दिखाता है कि किसी ग्राहक के अगले दो महीनों में कब मंथन करने की सबसे अधिक संभावना है। जैसा कि आप देख सकते हैं, वितरण वाले ग्राहक में वेइबुल (2, 0.5) और वेइबुल वाले ग्राहकों की तुलना में पहले छोड़ने की अधिक संभावना होती है। (3,1) वितरण।

परिणाम एक मॉडल है, जो प्रत्येक ग्राहक के लिए, प्रत्येक के लिए है
महीना वेइबुल वितरण के मापदंडों की भविष्यवाणी करता है, जो समय के साथ बहिर्वाह की संभावना की घटना को सबसे अच्छी तरह से दर्शाता है। और अधिक विस्तार में:

• प्रशिक्षण सेट पर लक्ष्य विशेषताएँ किसी विशिष्ट ग्राहक के लिए किसी विशिष्ट माह में मंथन तक शेष समय हैं।
• यदि किसी ग्राहक के लिए कोई मंथन दर नहीं है, तो हम मानते हैं कि मंथन का समय वर्तमान माह से लेकर हमारे इतिहास के अंत तक के महीनों की संख्या से अधिक है।
• प्रयुक्त मॉडल: LSTM परत के साथ आवर्ती तंत्रिका नेटवर्क।
• हानि फ़ंक्शन के रूप में, हम वेइबुल वितरण के लिए नकारात्मक लॉग-संभावना फ़ंक्शन का उपयोग करते हैं।

इस विधि के लाभ इस प्रकार हैं:

• संभाव्यता वितरण, बाइनरी वर्गीकरण की स्पष्ट संभावना के अलावा, विभिन्न घटनाओं की लचीली भविष्यवाणी की अनुमति देता है, उदाहरण के लिए, क्या कोई ग्राहक 3 महीने के भीतर बैंक की सेवाओं का उपयोग करना बंद कर देगा। साथ ही, यदि आवश्यक हो, तो इस वितरण पर विभिन्न मैट्रिक्स का औसत निकाला जा सकता है।
• LSTM आवर्तक तंत्रिका नेटवर्क में मेमोरी होती है और यह संपूर्ण उपलब्ध इतिहास का प्रभावी ढंग से उपयोग करता है। जैसे-जैसे कहानी का विस्तार या परिष्कृतीकरण होता है, सटीकता बढ़ती जाती है।
• समयावधियों को छोटी अवधियों में विभाजित करते समय दृष्टिकोण को आसानी से बढ़ाया जा सकता है (उदाहरण के लिए, जब महीनों को सप्ताहों में विभाजित किया जाता है)।

लेकिन एक अच्छा मॉडल बनाने के लिए यह पर्याप्त नहीं है; आपको इसकी गुणवत्ता का उचित मूल्यांकन भी करना होगा।

गुणवत्ता का मूल्यांकन कैसे किया गया?

हमने मीट्रिक के रूप में लिफ्ट कर्व को चुना। इसका उपयोग ऐसे मामलों के लिए व्यवसाय में किया जाता है क्योंकि इसकी स्पष्ट व्याख्या, इसका अच्छी तरह से वर्णन किया गया है यहां и यहां. यदि आप इस मीट्रिक का अर्थ एक वाक्य में वर्णित करते हैं, तो यह होगा "एल्गोरिदम पहली बार में कितनी बार सर्वोत्तम भविष्यवाणी करता है" बेतरतीब ढंग से %।"

प्रशिक्षण मॉडल

प्रतिस्पर्धा की स्थितियों ने कोई विशिष्ट गुणवत्ता मीट्रिक स्थापित नहीं की जिसके द्वारा विभिन्न मॉडलों और दृष्टिकोणों की तुलना की जा सके। इसके अलावा, मंथन की परिभाषा भिन्न हो सकती है और समस्या कथन पर निर्भर हो सकती है, जो बदले में, व्यावसायिक लक्ष्यों से निर्धारित होती है। इसलिए, यह समझने के लिए कि कौन सी विधि बेहतर है, हमने दो मॉडलों को प्रशिक्षित किया:

1. एन्सेम्बल डिसीजन ट्री मशीन लर्निंग एल्गोरिदम का उपयोग करके आमतौर पर इस्तेमाल किया जाने वाला बाइनरी वर्गीकरण दृष्टिकोण (लाइटजीबीएम);
2. वेइबुल-एलएसटीएम मॉडल

परीक्षण सेट में 500 पूर्व-चयनित ग्राहक शामिल थे जो प्रशिक्षण सेट में नहीं थे। क्लाइंट द्वारा विभाजित क्रॉस-वैलिडेशन का उपयोग करके मॉडल के लिए हाइपर-पैरामीटर का चयन किया गया था। प्रत्येक मॉडल को प्रशिक्षित करने के लिए सुविधाओं के समान सेट का उपयोग किया गया था।

इस तथ्य के कारण कि मॉडल में मेमोरी नहीं है, इसके लिए विशेष सुविधाएँ ली गईं, जो पिछले तीन महीनों में मापदंडों के औसत मूल्य के लिए एक महीने के लिए मापदंडों में परिवर्तन का अनुपात दिखाती हैं। पिछले तीन महीनों की अवधि में मूल्यों में परिवर्तन की दर की विशेषता क्या है। इसके बिना, रैंडम फ़ॉरेस्ट-आधारित मॉडल वेइबुल-एलएसटीएम के सापेक्ष नुकसान में होगा।

वेइबुल वितरण के साथ LSTM एक संयोजन निर्णय वृक्ष दृष्टिकोण से बेहतर क्यों है

यहां कुछ तस्वीरों में ही सब कुछ साफ हो गया है।

शास्त्रीय एल्गोरिदम और वेइबुल-एलएसटीएम के लिए लिफ्ट कर्व की तुलना

क्लासिकल एल्गोरिदम और वेइबुल-एलएसटीएम के लिए महीने के हिसाब से लिफ्ट कर्व मीट्रिक की तुलना

सामान्य तौर पर, LSTM लगभग सभी मामलों में शास्त्रीय एल्गोरिदम से बेहतर है।

मंथन भविष्यवाणी

वेइबुल वितरण के साथ एलएसटीएम कोशिकाओं के साथ आवर्ती तंत्रिका नेटवर्क पर आधारित एक मॉडल अग्रिम में मंथन की भविष्यवाणी कर सकता है, उदाहरण के लिए, अगले एन महीनों के भीतर ग्राहक मंथन की भविष्यवाणी कर सकता है। n = 3 के मामले पर विचार करें। इस मामले में, प्रत्येक महीने के लिए, तंत्रिका नेटवर्क को सही ढंग से यह निर्धारित करना होगा कि ग्राहक अगले महीने से शुरू होकर nवें महीने तक चला जाएगा या नहीं। दूसरे शब्दों में, उसे सही ढंग से यह निर्धारित करना होगा कि ग्राहक n महीने के बाद भी रहेगा या नहीं। इसे पहले से पूर्वानुमान माना जा सकता है: उस क्षण की भविष्यवाणी करना जब ग्राहक छोड़ने के बारे में सोचना शुरू ही कर रहा था।

आइए आउटफ्लो से पहले वेइबुल-एलएसटीएम 1, 2 और 3 महीने के लिए लिफ्ट कर्व की तुलना करें:

हम पहले ही ऊपर लिख चुके हैं कि जो ग्राहक कुछ समय से सक्रिय नहीं हैं उनके लिए जो पूर्वानुमान लगाए जाते हैं वे भी महत्वपूर्ण होते हैं। इसलिए, यहां हम ऐसे मामलों को नमूने में जोड़ेंगे जब दिवंगत ग्राहक पहले से ही एक या दो महीने से निष्क्रिय है, और जांच करेंगे कि वेइबुल-एलएसटीएम ऐसे मामलों को मंथन के रूप में सही ढंग से वर्गीकृत करता है या नहीं। चूँकि ऐसे मामले नमूने में मौजूद थे, हम उम्मीद करते हैं कि नेटवर्क उन्हें अच्छी तरह से संभालेगा:

ग्राहक प्रतिधारण

दरअसल, यह मुख्य बात है जो की जा सकती है, हाथ में यह जानकारी होना कि अमुक ग्राहक उत्पाद का उपयोग बंद करने की तैयारी कर रहे हैं। ऐसे मॉडल के निर्माण की बात करते हुए जो ग्राहकों को बनाए रखने के लिए उन्हें कुछ उपयोगी पेशकश कर सके, यह तब तक नहीं किया जा सकता जब तक आपके पास ऐसे ही प्रयासों का इतिहास न हो जिनका अंत अच्छा हो।

हमारे पास ऐसी कोई कहानी नहीं थी, इसलिए हमने इसे इस तरह तय किया।'

1. हम एक ऐसा मॉडल बना रहे हैं जो प्रत्येक ग्राहक के लिए दिलचस्प उत्पादों की पहचान करता है।
2. हर महीने हम क्लासिफायर चलाते हैं और संभावित रूप से छोड़ने वाले ग्राहकों की पहचान करते हैं।
3. हम कुछ ग्राहकों को बिंदु 1 के मॉडल के अनुसार उत्पाद प्रदान करते हैं, और अपने कार्यों को याद रखते हैं।
4. कुछ महीनों के बाद, हम देखते हैं कि इनमें से कौन से संभावित ग्राहक चले गए और कौन से बने रहे। इस प्रकार, हम एक प्रशिक्षण नमूना बनाते हैं।
5. हम चरण 4 में प्राप्त इतिहास का उपयोग करके मॉडल को प्रशिक्षित करते हैं।
6. वैकल्पिक रूप से, हम प्रक्रिया को दोहराते हैं, चरण 1 के मॉडल को चरण 5 में प्राप्त मॉडल से प्रतिस्थापित करते हैं।

ऐसे प्रतिधारण की गुणवत्ता का परीक्षण नियमित ए/बी परीक्षण द्वारा किया जा सकता है - हम संभावित रूप से छोड़ने वाले ग्राहकों को दो समूहों में विभाजित करते हैं। हम एक को अपने रिटेंशन मॉडल के आधार पर उत्पाद पेश करते हैं, और दूसरे को हम कुछ भी नहीं देते हैं। हमने एक ऐसे मॉडल को प्रशिक्षित करने का निर्णय लिया जो हमारे उदाहरण के बिंदु 1 पर पहले से ही उपयोगी हो सकता है।

हम विभाजन को यथासंभव व्याख्या योग्य बनाना चाहते थे। ऐसा करने के लिए, हमने कई विशेषताओं का चयन किया जिनकी आसानी से व्याख्या की जा सकती है: लेनदेन की कुल संख्या, वेतन, कुल खाता कारोबार, आयु, लिंग। सत्यापन सेट और प्रशिक्षण सेट के बीच डेटा रिसाव से बचने के लिए प्रसंस्करण की जटिलता के कारण "मानचित्र" तालिका की विशेषताओं को गैर-सूचनात्मक के रूप में ध्यान में नहीं रखा गया था, और तालिका 3 "अनुबंध" की विशेषताओं को ध्यान में नहीं रखा गया था।

गॉसियन मिश्रण मॉडल का उपयोग करके क्लस्टरिंग की गई। अकाइक सूचना मानदंड ने हमें 2 ऑप्टिमा निर्धारित करने की अनुमति दी। पहला इष्टतम 1 क्लस्टर से मेल खाता है। दूसरा इष्टतम, कम स्पष्ट, 80 समूहों से मेल खाता है। इस परिणाम के आधार पर, हम निम्नलिखित निष्कर्ष निकाल सकते हैं: पूर्व में दी गई जानकारी के बिना डेटा को समूहों में विभाजित करना बेहद मुश्किल है। बेहतर क्लस्टरिंग के लिए, आपको ऐसे डेटा की आवश्यकता है जो प्रत्येक क्लाइंट का विस्तार से वर्णन करे।

इसलिए, प्रत्येक व्यक्तिगत ग्राहक को एक अलग उत्पाद पेश करने के लिए पर्यवेक्षित शिक्षण की समस्या पर विचार किया गया। निम्नलिखित उत्पादों पर विचार किया गया: "सावधि जमा", "क्रेडिट कार्ड", "ओवरड्राफ्ट", "उपभोक्ता ऋण", "कार ऋण", "बंधक"।

डेटा में एक और प्रकार का उत्पाद शामिल है: "चालू खाता"। लेकिन इसकी कम सूचना सामग्री के कारण हमने इस पर विचार नहीं किया। उन उपयोगकर्ताओं के लिए जो बैंक ग्राहक हैं, अर्थात्। अपने उत्पादों का उपयोग बंद नहीं किया, यह अनुमान लगाने के लिए एक मॉडल बनाया गया कि कौन सा उत्पाद उनके लिए दिलचस्प हो सकता है। लॉजिस्टिक रिग्रेशन को मॉडल के रूप में चुना गया था, और पहले 10 प्रतिशत के लिए लिफ्ट मूल्य का उपयोग गुणवत्ता मूल्यांकन मीट्रिक के रूप में किया गया था।

मॉडल की गुणवत्ता का आकलन चित्र में किया जा सकता है।

ग्राहकों के लिए उत्पाद अनुशंसा मॉडल परिणाम

संपूर्ण

इस दृष्टिकोण ने हमें आरएआईएफ-चैलेंज 2017 एआई चैंपियनशिप में "बैंकों में एआई" श्रेणी में पहला स्थान दिलाया।

जाहिर है, मुख्य बात यह थी कि समस्या को एक अपरंपरागत दृष्टिकोण से देखा जाए और उस पद्धति का उपयोग किया जाए जो आमतौर पर अन्य स्थितियों के लिए उपयोग की जाती है।

हालाँकि उपयोगकर्ताओं का भारी बहिर्प्रवाह सेवाओं के लिए एक प्राकृतिक आपदा हो सकता है।

इस पद्धति को केवल बैंकों के लिए ही नहीं, बल्कि किसी अन्य क्षेत्र के लिए भी ध्यान में रखा जा सकता है, जहां बहिर्प्रवाह को ध्यान में रखना महत्वपूर्ण है। उदाहरण के लिए, हमने इसका उपयोग अपने स्वयं के बहिर्वाह की गणना करने के लिए किया - रोस्टेलकॉम की साइबेरियाई और सेंट पीटर्सबर्ग शाखाओं में।

"डेटा माइनिंग लेबोरेटरी" कंपनी "खोज पोर्टल "स्पुतनिक"

स्रोत: www.habr.com