ನೈಸರ್ಗಿಕ ವಿಕೋಪದಂತೆ ಅದನ್ನು ಸಮೀಪಿಸುವ ಮೂಲಕ ನಾವು ಮಂಥನವನ್ನು ಹೇಗೆ ಊಹಿಸಿದ್ದೇವೆ

ಕೆಲವೊಮ್ಮೆ, ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ನೀವು ಅದನ್ನು ಬೇರೆ ಕೋನದಿಂದ ನೋಡಬೇಕು. ಕಳೆದ 10 ವರ್ಷಗಳಲ್ಲಿ ಇದೇ ರೀತಿಯ ಸಮಸ್ಯೆಗಳನ್ನು ವಿಭಿನ್ನ ಪರಿಣಾಮಗಳೊಂದಿಗೆ ಒಂದೇ ರೀತಿಯಲ್ಲಿ ಪರಿಹರಿಸಲಾಗಿದೆಯಾದರೂ, ಈ ವಿಧಾನವು ಒಂದೇ ಒಂದು ಎಂಬುದು ಸತ್ಯವಲ್ಲ.

ಗ್ರಾಹಕರ ಮಂಥನದಂತಹ ವಿಷಯವಿದೆ. ವಿಷಯ ಅನಿವಾರ್ಯವಾಗಿದೆ, ಏಕೆಂದರೆ ಯಾವುದೇ ಕಂಪನಿಯ ಗ್ರಾಹಕರು, ಅನೇಕ ಕಾರಣಗಳಿಗಾಗಿ, ಅದರ ಉತ್ಪನ್ನಗಳು ಅಥವಾ ಸೇವೆಗಳನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸಬಹುದು. ಸಹಜವಾಗಿ, ಕಂಪನಿಗೆ, ಮಂಥನವು ನೈಸರ್ಗಿಕವಾಗಿದೆ, ಆದರೆ ಹೆಚ್ಚು ಅಪೇಕ್ಷಣೀಯ ಕ್ರಮವಲ್ಲ, ಆದ್ದರಿಂದ ಪ್ರತಿಯೊಬ್ಬರೂ ಈ ಮಂಥನವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಾರೆ. ಇನ್ನೂ ಉತ್ತಮ, ನಿರ್ದಿಷ್ಟ ವರ್ಗದ ಬಳಕೆದಾರರಿಗೆ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರರಿಗೆ ಮಂಥನದ ಸಂಭವನೀಯತೆಯನ್ನು ಊಹಿಸಿ ಮತ್ತು ಅವುಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು ಕೆಲವು ಹಂತಗಳನ್ನು ಸೂಚಿಸಿ.

ಸಾಧ್ಯವಾದರೆ, ಕನಿಷ್ಠ ಈ ಕೆಳಗಿನ ಕಾರಣಗಳಿಗಾಗಿ ಕ್ಲೈಂಟ್ ಅನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಉಳಿಸಿಕೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸುವುದು ಅವಶ್ಯಕ:

• ಹೊಸ ಗ್ರಾಹಕರನ್ನು ಆಕರ್ಷಿಸುವುದು ಧಾರಣ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ದುಬಾರಿಯಾಗಿದೆ. ಹೊಸ ಗ್ರಾಹಕರನ್ನು ಆಕರ್ಷಿಸಲು, ನಿಯಮದಂತೆ, ನೀವು ಸ್ವಲ್ಪ ಹಣವನ್ನು (ಜಾಹೀರಾತು) ಖರ್ಚು ಮಾಡಬೇಕಾಗುತ್ತದೆ, ಆದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಗ್ರಾಹಕರನ್ನು ವಿಶೇಷ ಷರತ್ತುಗಳೊಂದಿಗೆ ವಿಶೇಷ ಕೊಡುಗೆಯೊಂದಿಗೆ ಸಕ್ರಿಯಗೊಳಿಸಬಹುದು;
• ಗ್ರಾಹಕರು ಏಕೆ ಹೋಗುತ್ತಾರೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳನ್ನು ಸುಧಾರಿಸಲು ಪ್ರಮುಖವಾಗಿದೆ.

ಮಂಥನವನ್ನು ಊಹಿಸಲು ಪ್ರಮಾಣಿತ ವಿಧಾನಗಳಿವೆ. ಆದರೆ AI ಚಾಂಪಿಯನ್‌ಶಿಪ್ ಒಂದರಲ್ಲಿ, ಇದಕ್ಕಾಗಿ ನಾವು ವೈಬುಲ್ ವಿತರಣೆಯನ್ನು ಪ್ರಯತ್ನಿಸಲು ನಿರ್ಧರಿಸಿದ್ದೇವೆ. ಬದುಕುಳಿಯುವ ವಿಶ್ಲೇಷಣೆ, ಹವಾಮಾನ ಮುನ್ಸೂಚನೆ, ನೈಸರ್ಗಿಕ ವಿಪತ್ತು ವಿಶ್ಲೇಷಣೆ, ಕೈಗಾರಿಕಾ ಎಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಮುಂತಾದವುಗಳಿಗೆ ಇದನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ವೈಬುಲ್ ವಿತರಣೆಯು ಎರಡು ನಿಯತಾಂಕಗಳಿಂದ ಪ್ಯಾರಾಮೀಟರ್ ಮಾಡಲಾದ ವಿಶೇಷ ವಿತರಣಾ ಕಾರ್ಯವಾಗಿದೆ и .

ವಿಕಿಪೀಡಿಯ

ಸಾಮಾನ್ಯವಾಗಿ, ಇದು ಆಸಕ್ತಿದಾಯಕ ವಿಷಯವಾಗಿದೆ, ಆದರೆ ಹೊರಹರಿವುಗಳನ್ನು ಮುನ್ಸೂಚಿಸಲು, ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಫಿನ್ಟೆಕ್ನಲ್ಲಿ, ಇದನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುವುದಿಲ್ಲ. "ಎಐ ಇನ್ ಬ್ಯಾಂಕ್ಸ್" ವಿಭಾಗದಲ್ಲಿ ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಚಾಂಪಿಯನ್‌ಶಿಪ್‌ನಲ್ಲಿ ಏಕಕಾಲದಲ್ಲಿ ಚಿನ್ನವನ್ನು ಗೆದ್ದ ನಾವು (ಡೇಟಾ ಮೈನಿಂಗ್ ಲ್ಯಾಬೊರೇಟರಿ) ಇದನ್ನು ಹೇಗೆ ಮಾಡಿದ್ದೇವೆ ಎಂಬುದನ್ನು ಕಟ್‌ನ ಕೆಳಗೆ ನಾವು ನಿಮಗೆ ಹೇಳುತ್ತೇವೆ.

ಸಾಮಾನ್ಯವಾಗಿ ಮಂಥನದ ಬಗ್ಗೆ

ಗ್ರಾಹಕರ ಮಂಥನ ಎಂದರೇನು ಮತ್ತು ಅದು ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ ಎಂಬುದರ ಕುರಿತು ಸ್ವಲ್ಪ ಅರ್ಥಮಾಡಿಕೊಳ್ಳೋಣ. ವ್ಯವಹಾರಕ್ಕೆ ಗ್ರಾಹಕರ ನೆಲೆ ಮುಖ್ಯವಾಗಿದೆ. ಹೊಸ ಗ್ರಾಹಕರು ಈ ನೆಲೆಗೆ ಬರುತ್ತಾರೆ, ಉದಾಹರಣೆಗೆ, ಜಾಹೀರಾತಿನಿಂದ ಉತ್ಪನ್ನ ಅಥವಾ ಸೇವೆಯ ಬಗ್ಗೆ ಕಲಿತ ನಂತರ, ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ (ಉತ್ಪನ್ನಗಳನ್ನು ಸಕ್ರಿಯವಾಗಿ ಬಳಸಿ) ಮತ್ತು ಸ್ವಲ್ಪ ಸಮಯದ ನಂತರ ಅದನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸಿ. ಈ ಅವಧಿಯನ್ನು "ಗ್ರಾಹಕ ಜೀವನಚಕ್ರ" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ - ಗ್ರಾಹಕನು ಉತ್ಪನ್ನದ ಬಗ್ಗೆ ತಿಳಿದುಕೊಂಡಾಗ, ಖರೀದಿ ನಿರ್ಧಾರವನ್ನು ಮಾಡಿದಾಗ, ಪಾವತಿಸಿದಾಗ, ಬಳಸಿದಾಗ ಮತ್ತು ನಿಷ್ಠಾವಂತ ಗ್ರಾಹಕರಾಗುವಾಗ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಉತ್ಪನ್ನವನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸಿದಾಗ ಅವನು ಹಾದುಹೋಗುವ ಹಂತಗಳನ್ನು ವಿವರಿಸುವ ಪದ. ಒಂದು ಕಾರಣಕ್ಕಾಗಿ ಅಥವಾ ಇನ್ನೊಂದು ಕಾರಣಕ್ಕಾಗಿ. ಅಂತೆಯೇ, ಕ್ಲೈಂಟ್ ಸೇವೆಗಳನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸಿದಾಗ ಕ್ಲೈಂಟ್ನ ಜೀವನ ಚಕ್ರದ ಅಂತಿಮ ಹಂತವಾಗಿದೆ, ಮತ್ತು ವ್ಯವಹಾರಕ್ಕಾಗಿ ಕ್ಲೈಂಟ್ ಲಾಭ ಅಥವಾ ಯಾವುದೇ ಪ್ರಯೋಜನವನ್ನು ತರುವುದನ್ನು ನಿಲ್ಲಿಸಿದೆ ಎಂದರ್ಥ.

ಪ್ರತಿ ಬ್ಯಾಂಕ್ ಕ್ಲೈಂಟ್ ತನ್ನ ಅಗತ್ಯಗಳಿಗಾಗಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ಒಂದು ಅಥವಾ ಇನ್ನೊಂದು ಬ್ಯಾಂಕ್ ಕಾರ್ಡ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ನಿರ್ದಿಷ್ಟ ವ್ಯಕ್ತಿ. ನೀವು ಆಗಾಗ್ಗೆ ಪ್ರಯಾಣಿಸುತ್ತಿದ್ದರೆ, ಮೈಲುಗಳಿರುವ ಕಾರ್ಡ್ ಸೂಕ್ತವಾಗಿ ಬರುತ್ತದೆ. ಬಹಳಷ್ಟು ಖರೀದಿಸುತ್ತದೆ - ಹಲೋ, ಕ್ಯಾಶ್‌ಬ್ಯಾಕ್ ಕಾರ್ಡ್. ಅವರು ನಿರ್ದಿಷ್ಟ ಮಳಿಗೆಗಳಲ್ಲಿ ಬಹಳಷ್ಟು ಖರೀದಿಸುತ್ತಾರೆ - ಮತ್ತು ಇದಕ್ಕಾಗಿ ಈಗಾಗಲೇ ವಿಶೇಷ ಪಾಲುದಾರ ಪ್ಲಾಸ್ಟಿಕ್ ಇದೆ. ಸಹಜವಾಗಿ, ಕೆಲವೊಮ್ಮೆ "ಅಗ್ಗದ ಸೇವೆ" ಮಾನದಂಡದ ಆಧಾರದ ಮೇಲೆ ಕಾರ್ಡ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ, ಇಲ್ಲಿ ಸಾಕಷ್ಟು ಅಸ್ಥಿರಗಳಿವೆ.

ಮತ್ತು ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಬ್ಯಾಂಕ್ ಅನ್ನು ಸ್ವತಃ ಆರಿಸಿಕೊಳ್ಳುತ್ತಾನೆ - ನೀವು ಖಬರೋವ್ಸ್ಕ್ನಿಂದ ಬಂದಾಗ ಮಾಸ್ಕೋ ಮತ್ತು ಪ್ರದೇಶದಲ್ಲಿ ಮಾತ್ರ ಶಾಖೆಗಳನ್ನು ಹೊಂದಿರುವ ಬ್ಯಾಂಕ್ನಿಂದ ಕಾರ್ಡ್ ಅನ್ನು ಆಯ್ಕೆಮಾಡುವುದರಲ್ಲಿ ಏನಾದರೂ ಅರ್ಥವಿದೆಯೇ? ಅಂತಹ ಬ್ಯಾಂಕಿನಿಂದ ಕಾರ್ಡ್ ಕನಿಷ್ಠ 2 ಪಟ್ಟು ಹೆಚ್ಚು ಲಾಭದಾಯಕವಾಗಿದ್ದರೂ ಸಹ, ಹತ್ತಿರದ ಬ್ಯಾಂಕ್ ಶಾಖೆಗಳ ಉಪಸ್ಥಿತಿಯು ಇನ್ನೂ ಪ್ರಮುಖ ಮಾನದಂಡವಾಗಿದೆ. ಹೌದು, 2019 ಈಗಾಗಲೇ ಬಂದಿದೆ ಮತ್ತು ಡಿಜಿಟಲ್ ನಮ್ಮ ಸರ್ವಸ್ವವಾಗಿದೆ, ಆದರೆ ಕೆಲವು ಬ್ಯಾಂಕ್‌ಗಳೊಂದಿಗಿನ ಹಲವಾರು ಸಮಸ್ಯೆಗಳನ್ನು ಶಾಖೆಯಲ್ಲಿ ಮಾತ್ರ ಪರಿಹರಿಸಬಹುದು. ಜೊತೆಗೆ, ಮತ್ತೊಮ್ಮೆ, ಜನಸಂಖ್ಯೆಯ ಕೆಲವು ಭಾಗವು ಸ್ಮಾರ್ಟ್‌ಫೋನ್‌ನಲ್ಲಿನ ಅಪ್ಲಿಕೇಶನ್‌ಗಿಂತ ಭೌತಿಕ ಬ್ಯಾಂಕ್ ಅನ್ನು ಹೆಚ್ಚು ನಂಬುತ್ತದೆ, ಇದನ್ನು ಸಹ ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ.

ಪರಿಣಾಮವಾಗಿ, ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಬ್ಯಾಂಕ್ ಉತ್ಪನ್ನಗಳನ್ನು (ಅಥವಾ ಬ್ಯಾಂಕ್ ಸ್ವತಃ) ನಿರಾಕರಿಸಲು ಹಲವು ಕಾರಣಗಳನ್ನು ಹೊಂದಿರಬಹುದು. ನಾನು ಉದ್ಯೋಗಗಳನ್ನು ಬದಲಾಯಿಸಿದೆ ಮತ್ತು ಕಾರ್ಡ್ ಸುಂಕವು ಸಂಬಳದಿಂದ "ಕೇವಲ ಮನುಷ್ಯರಿಗೆ" ಕಡಿಮೆ ಲಾಭದಾಯಕವಾಗಿದೆ. ನಾನು ಬ್ಯಾಂಕ್ ಶಾಖೆಗಳಿಲ್ಲದ ಮತ್ತೊಂದು ನಗರಕ್ಕೆ ತೆರಳಿದೆ. ಶಾಖೆಯಲ್ಲಿ ಅನರ್ಹ ಆಪರೇಟರ್‌ನೊಂದಿಗಿನ ಸಂವಹನ ನನಗೆ ಇಷ್ಟವಾಗಲಿಲ್ಲ. ಅಂದರೆ, ಉತ್ಪನ್ನವನ್ನು ಬಳಸುವುದಕ್ಕಿಂತ ಖಾತೆಯನ್ನು ಮುಚ್ಚಲು ಇನ್ನೂ ಹೆಚ್ಚಿನ ಕಾರಣಗಳಿರಬಹುದು.

ಮತ್ತು ಕ್ಲೈಂಟ್ ತನ್ನ ಉದ್ದೇಶವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಕ್ತಪಡಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ - ಬ್ಯಾಂಕ್ಗೆ ಬಂದು ಹೇಳಿಕೆಯನ್ನು ಬರೆಯಿರಿ, ಆದರೆ ಒಪ್ಪಂದವನ್ನು ಮುಕ್ತಾಯಗೊಳಿಸದೆ ಉತ್ಪನ್ನಗಳನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸಿ. ಅಂತಹ ಸಮಸ್ಯೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು AI ಅನ್ನು ಬಳಸಲು ನಿರ್ಧರಿಸಲಾಯಿತು.

ಇದಲ್ಲದೆ, ಯಾವುದೇ ಉದ್ಯಮದಲ್ಲಿ (ಟೆಲಿಕಾಂ, ಇಂಟರ್ನೆಟ್ ಪೂರೈಕೆದಾರರು, ವಿಮಾ ಕಂಪನಿಗಳು, ಸಾಮಾನ್ಯವಾಗಿ, ಗ್ರಾಹಕರ ನೆಲೆ ಮತ್ತು ಆವರ್ತಕ ವಹಿವಾಟು ಇರುವಲ್ಲೆಲ್ಲಾ) ಗ್ರಾಹಕರ ಮಂಥನ ಸಂಭವಿಸಬಹುದು.

ನಾವೇನು ​​ಮಾಡಿದ್ದೇವೆ

ಮೊದಲನೆಯದಾಗಿ, ಸ್ಪಷ್ಟವಾದ ಗಡಿಯನ್ನು ವಿವರಿಸುವುದು ಅಗತ್ಯವಾಗಿತ್ತು - ಯಾವ ಸಮಯದಿಂದ ನಾವು ಕ್ಲೈಂಟ್ ಅನ್ನು ಬಿಟ್ಟಿದ್ದೇವೆ ಎಂದು ಪರಿಗಣಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ. ನಮ್ಮ ಕೆಲಸಕ್ಕೆ ಡೇಟಾವನ್ನು ಒದಗಿಸಿದ ಬ್ಯಾಂಕಿನ ದೃಷ್ಟಿಕೋನದಿಂದ, ಕ್ಲೈಂಟ್‌ನ ಚಟುವಟಿಕೆಯ ಸ್ಥಿತಿ ಬೈನರಿಯಾಗಿದೆ - ಅವನು ಸಕ್ರಿಯವಾಗಿರುತ್ತಾನೆ ಅಥವಾ ಇಲ್ಲ. "ಚಟುವಟಿಕೆ" ಕೋಷ್ಟಕದಲ್ಲಿ ACTIVE_FLAG ಫ್ಲ್ಯಾಗ್ ಇತ್ತು, ಅದರ ಮೌಲ್ಯವು "0" ಅಥವಾ "1" ಆಗಿರಬಹುದು ("ನಿಷ್ಕ್ರಿಯ" ಮತ್ತು "ಸಕ್ರಿಯ" ಕ್ರಮವಾಗಿ). ಮತ್ತು ಎಲ್ಲವೂ ಚೆನ್ನಾಗಿರುತ್ತದೆ, ಆದರೆ ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಅದನ್ನು ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಸಕ್ರಿಯವಾಗಿ ಬಳಸಬಹುದು, ಮತ್ತು ನಂತರ ಒಂದು ತಿಂಗಳ ಕಾಲ ಸಕ್ರಿಯ ಪಟ್ಟಿಯಿಂದ ಹೊರಗುಳಿಯಬಹುದು - ಅವನು ಅನಾರೋಗ್ಯಕ್ಕೆ ಒಳಗಾದನು, ರಜೆಯ ಮೇಲೆ ಬೇರೆ ದೇಶಕ್ಕೆ ಹೋದನು, ಅಥವಾ ಪರೀಕ್ಷಿಸಲು ಹೋದನು ಮತ್ತೊಂದು ಬ್ಯಾಂಕ್‌ನಿಂದ ಕಾರ್ಡ್. ಅಥವಾ ದೀರ್ಘಾವಧಿಯ ನಿಷ್ಕ್ರಿಯತೆಯ ನಂತರ, ಬ್ಯಾಂಕಿನ ಸೇವೆಗಳನ್ನು ಮತ್ತೆ ಬಳಸಲು ಪ್ರಾರಂಭಿಸಿ

ಆದ್ದರಿಂದ, ನಿಷ್ಕ್ರಿಯತೆಯ ಅವಧಿಯನ್ನು ನಿರ್ದಿಷ್ಟ ನಿರಂತರ ಅವಧಿ ಎಂದು ಕರೆಯಲು ನಾವು ನಿರ್ಧರಿಸಿದ್ದೇವೆ, ಅದರ ಧ್ವಜವನ್ನು "0" ಗೆ ಹೊಂದಿಸಲಾಗಿದೆ.

ವಿಭಿನ್ನ ಉದ್ದಗಳ ನಿಷ್ಕ್ರಿಯತೆಯ ಅವಧಿಗಳ ನಂತರ ಗ್ರಾಹಕರು ನಿಷ್ಕ್ರಿಯದಿಂದ ಸಕ್ರಿಯಕ್ಕೆ ಚಲಿಸುತ್ತಾರೆ. ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯದ "ನಿಷ್ಕ್ರಿಯತೆಯ ಅವಧಿಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆ" ಮಟ್ಟವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ನಮಗೆ ಅವಕಾಶವಿದೆ - ಅಂದರೆ, ತಾತ್ಕಾಲಿಕ ನಿಷ್ಕ್ರಿಯತೆಯ ನಂತರ ವ್ಯಕ್ತಿಯು ಬ್ಯಾಂಕ್ ಉತ್ಪನ್ನಗಳನ್ನು ಮತ್ತೆ ಬಳಸಲು ಪ್ರಾರಂಭಿಸುವ ಸಂಭವನೀಯತೆ.

ಉದಾಹರಣೆಗೆ, ಈ ಗ್ರಾಫ್ ಹಲವಾರು ತಿಂಗಳ ನಿಷ್ಕ್ರಿಯತೆಯ ನಂತರ (ACTIVE_FLAG=1) ಕ್ಲೈಂಟ್‌ಗಳ ಚಟುವಟಿಕೆಯ ಪುನರಾರಂಭವನ್ನು ತೋರಿಸುತ್ತದೆ (ACTIVE_FLAG=0).

ನಾವು ಕೆಲಸ ಮಾಡಲು ಪ್ರಾರಂಭಿಸಿದ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಇಲ್ಲಿ ನಾವು ಸ್ವಲ್ಪ ಸ್ಪಷ್ಟಪಡಿಸುತ್ತೇವೆ. ಆದ್ದರಿಂದ, ಬ್ಯಾಂಕ್ ಈ ಕೆಳಗಿನ ಕೋಷ್ಟಕಗಳಲ್ಲಿ 19 ತಿಂಗಳುಗಳ ಒಟ್ಟು ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಿದೆ:

• “ಚಟುವಟಿಕೆ” - ವೇತನದಾರರ ಪಟ್ಟಿ ಮತ್ತು ವಹಿವಾಟಿನ ಮಾಹಿತಿ ಸೇರಿದಂತೆ ಮಾಸಿಕ ಗ್ರಾಹಕ ವಹಿವಾಟುಗಳು (ಕಾರ್ಡ್‌ಗಳ ಮೂಲಕ, ಇಂಟರ್ನೆಟ್ ಬ್ಯಾಂಕಿಂಗ್ ಮತ್ತು ಮೊಬೈಲ್ ಬ್ಯಾಂಕಿಂಗ್‌ನಲ್ಲಿ).
• “ಕಾರ್ಡ್‌ಗಳು” - ವಿವರವಾದ ಸುಂಕದ ವೇಳಾಪಟ್ಟಿಯೊಂದಿಗೆ ಕ್ಲೈಂಟ್ ಹೊಂದಿರುವ ಎಲ್ಲಾ ಕಾರ್ಡ್‌ಗಳ ಡೇಟಾ.
• “ಒಪ್ಪಂದಗಳು” - ಕ್ಲೈಂಟ್‌ನ ಒಪ್ಪಂದಗಳ ಬಗ್ಗೆ ಮಾಹಿತಿ (ತೆರೆದ ಮತ್ತು ಮುಚ್ಚಲಾಗಿದೆ): ಸಾಲಗಳು, ಠೇವಣಿಗಳು, ಇತ್ಯಾದಿ, ಪ್ರತಿಯೊಂದರ ನಿಯತಾಂಕಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ.
• “ಗ್ರಾಹಕರು” - ಜನಸಂಖ್ಯಾ ಡೇಟಾದ ಒಂದು ಸೆಟ್ (ಲಿಂಗ ಮತ್ತು ವಯಸ್ಸು) ಮತ್ತು ಸಂಪರ್ಕ ಮಾಹಿತಿಯ ಲಭ್ಯತೆ.

ಕೆಲಸಕ್ಕಾಗಿ ನಮಗೆ "ನಕ್ಷೆ" ಹೊರತುಪಡಿಸಿ ಎಲ್ಲಾ ಕೋಷ್ಟಕಗಳು ಬೇಕಾಗುತ್ತವೆ.

ಇಲ್ಲಿ ಮತ್ತೊಂದು ತೊಂದರೆ ಇತ್ತು - ಈ ಡೇಟಾದಲ್ಲಿ ಕಾರ್ಡ್‌ಗಳಲ್ಲಿ ಯಾವ ರೀತಿಯ ಚಟುವಟಿಕೆ ನಡೆದಿದೆ ಎಂಬುದನ್ನು ಬ್ಯಾಂಕ್ ಸೂಚಿಸಿಲ್ಲ. ಅಂದರೆ, ವಹಿವಾಟುಗಳಿವೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ನಾವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು, ಆದರೆ ನಾವು ಇನ್ನು ಮುಂದೆ ಅವುಗಳ ಪ್ರಕಾರವನ್ನು ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಆದ್ದರಿಂದ, ಕ್ಲೈಂಟ್ ಹಣವನ್ನು ಹಿಂತೆಗೆದುಕೊಳ್ಳುತ್ತಿದ್ದಾರೆಯೇ, ಸಂಬಳವನ್ನು ಪಡೆಯುತ್ತಿದ್ದಾರೆಯೇ ಅಥವಾ ಖರೀದಿಗೆ ಹಣವನ್ನು ಖರ್ಚು ಮಾಡುತ್ತಾರೆಯೇ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ. ನಮ್ಮ ಬಳಿ ಖಾತೆಯ ಬ್ಯಾಲೆನ್ಸ್‌ಗಳ ಡೇಟಾ ಇರಲಿಲ್ಲ, ಅದು ಉಪಯುಕ್ತವಾಗುತ್ತಿತ್ತು.

ಮಾದರಿಯು ನಿಷ್ಪಕ್ಷಪಾತವಾಗಿದೆ - ಈ ಮಾದರಿಯಲ್ಲಿ, 19 ತಿಂಗಳುಗಳಲ್ಲಿ, ಗ್ರಾಹಕರನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು ಮತ್ತು ಹೊರಹರಿವು ಕಡಿಮೆ ಮಾಡಲು ಬ್ಯಾಂಕ್ ಯಾವುದೇ ಪ್ರಯತ್ನಗಳನ್ನು ಮಾಡಲಿಲ್ಲ.

ಆದ್ದರಿಂದ, ನಿಷ್ಕ್ರಿಯತೆಯ ಅವಧಿಗಳ ಬಗ್ಗೆ.

ಮಂಥನದ ವ್ಯಾಖ್ಯಾನವನ್ನು ರೂಪಿಸಲು, ನಿಷ್ಕ್ರಿಯತೆಯ ಅವಧಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಬೇಕು. ಒಂದು ಸಮಯದಲ್ಲಿ ಮಂಥನದ ಮುನ್ಸೂಚನೆಯನ್ನು ರಚಿಸಲು , ನೀವು ಮಧ್ಯಂತರದಲ್ಲಿ ಕನಿಷ್ಠ 3 ತಿಂಗಳ ಗ್ರಾಹಕರ ಇತಿಹಾಸವನ್ನು ಹೊಂದಿರಬೇಕು . ನಮ್ಮ ಇತಿಹಾಸವು 19 ತಿಂಗಳುಗಳಿಗೆ ಸೀಮಿತವಾಗಿದೆ, ಆದ್ದರಿಂದ ಲಭ್ಯವಿದ್ದರೆ 6 ತಿಂಗಳ ನಿಷ್ಕ್ರಿಯತೆಯ ಅವಧಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ನಾವು ನಿರ್ಧರಿಸಿದ್ದೇವೆ. ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮುನ್ಸೂಚನೆಗಾಗಿ ಕನಿಷ್ಠ ಅವಧಿಗೆ, ನಾವು 3 ತಿಂಗಳುಗಳನ್ನು ತೆಗೆದುಕೊಂಡಿದ್ದೇವೆ. ಗ್ರಾಹಕರ ಡೇಟಾ ವರ್ತನೆಯ ವಿಶ್ಲೇಷಣೆಯ ಆಧಾರದ ಮೇಲೆ ನಾವು ಪ್ರಾಯೋಗಿಕವಾಗಿ 3 ಮತ್ತು 6 ತಿಂಗಳ ಅಂಕಿಅಂಶಗಳನ್ನು ತೆಗೆದುಕೊಂಡಿದ್ದೇವೆ.

ನಾವು ಮಂಥನದ ವ್ಯಾಖ್ಯಾನವನ್ನು ಈ ಕೆಳಗಿನಂತೆ ರೂಪಿಸಿದ್ದೇವೆ: ಗ್ರಾಹಕ ಮಂಥನದ ತಿಂಗಳು ಇದು ACTIVE_FLAG=0 ನೊಂದಿಗೆ ಮೊದಲ ತಿಂಗಳು, ಈ ತಿಂಗಳಿನಿಂದ ACTIVE_FLAG ಕ್ಷೇತ್ರದಲ್ಲಿ ಕನಿಷ್ಠ ಆರು ಸತತ ಸೊನ್ನೆಗಳಿವೆ, ಅಂದರೆ, ಕ್ಲೈಂಟ್ 6 ತಿಂಗಳವರೆಗೆ ನಿಷ್ಕ್ರಿಯವಾಗಿರುವ ತಿಂಗಳು.

ತೊರೆದ ಗ್ರಾಹಕರ ಸಂಖ್ಯೆ

ಉಳಿದಿರುವ ಗ್ರಾಹಕರ ಸಂಖ್ಯೆ

ಮಂಥನವನ್ನು ಹೇಗೆ ಲೆಕ್ಕ ಹಾಕಲಾಗುತ್ತದೆ?

ಅಂತಹ ಸ್ಪರ್ಧೆಗಳಲ್ಲಿ, ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಆಚರಣೆಯಲ್ಲಿ, ಹೊರಹರಿವು ಸಾಮಾನ್ಯವಾಗಿ ಈ ರೀತಿಯಲ್ಲಿ ಊಹಿಸಲಾಗಿದೆ. ಕ್ಲೈಂಟ್ ವಿವಿಧ ಅವಧಿಗಳಲ್ಲಿ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಅವನೊಂದಿಗೆ ಸಂವಹನದ ಡೇಟಾವನ್ನು ಸ್ಥಿರ ಉದ್ದದ ವೈಶಿಷ್ಟ್ಯಗಳ ವೆಕ್ಟರ್ ಆಗಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ n. ಹೆಚ್ಚಾಗಿ ಈ ಮಾಹಿತಿಯು ಒಳಗೊಂಡಿರುತ್ತದೆ:

• ಬಳಕೆದಾರರನ್ನು ನಿರೂಪಿಸುವ ಡೇಟಾ (ಜನಸಂಖ್ಯಾ ಡೇಟಾ, ಮಾರ್ಕೆಟಿಂಗ್ ವಿಭಾಗ).
• ಬ್ಯಾಂಕಿಂಗ್ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳ ಬಳಕೆಯ ಇತಿಹಾಸ (ಇವು ಯಾವಾಗಲೂ ನಮಗೆ ಅಗತ್ಯವಿರುವ ಮಧ್ಯಂತರದ ನಿರ್ದಿಷ್ಟ ಸಮಯ ಅಥವಾ ಅವಧಿಗೆ ಸಂಬಂಧಿಸಿರುವ ಗ್ರಾಹಕ ಕ್ರಿಯೆಗಳಾಗಿವೆ).
• ಬಾಹ್ಯ ಡೇಟಾ, ಅದನ್ನು ಪಡೆಯಲು ಸಾಧ್ಯವಾದರೆ - ಉದಾಹರಣೆಗೆ, ಸಾಮಾಜಿಕ ನೆಟ್ವರ್ಕ್ಗಳಿಂದ ವಿಮರ್ಶೆಗಳು.

ಮತ್ತು ಅದರ ನಂತರ, ಅವರು ಪ್ರತಿ ಕಾರ್ಯಕ್ಕೂ ವಿಭಿನ್ನವಾದ ಮಂಥನದ ವ್ಯಾಖ್ಯಾನವನ್ನು ಪಡೆಯುತ್ತಾರೆ. ನಂತರ ಅವರು ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸುತ್ತಾರೆ, ಇದು ಕ್ಲೈಂಟ್ ತೊರೆಯುವ ಸಾಧ್ಯತೆಯನ್ನು ಊಹಿಸುತ್ತದೆ ಅಂಶಗಳ ವೆಕ್ಟರ್ ಆಧರಿಸಿ . ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡಲು, ನಿರ್ಧಾರ ವೃಕ್ಷಗಳ ಮೇಳಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಸಿದ್ಧ ಚೌಕಟ್ಟುಗಳಲ್ಲಿ ಒಂದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, XGBboost, ಲೈಟ್GBM, ಕ್ಯಾಟ್‌ಬೂಸ್ಟ್ ಅಥವಾ ಅದರ ಮಾರ್ಪಾಡುಗಳು.

ಅಲ್ಗಾರಿದಮ್ ಸ್ವತಃ ಕೆಟ್ಟದ್ದಲ್ಲ, ಆದರೆ ಮಂಥನವನ್ನು ಊಹಿಸಲು ಇದು ಹಲವಾರು ಗಂಭೀರ ಅನಾನುಕೂಲಗಳನ್ನು ಹೊಂದಿದೆ.

• ಅವನಿಗೆ "ನೆನಪಿ" ಎಂದು ಕರೆಯಲಾಗುವುದಿಲ್ಲ. ಮಾದರಿಯ ಇನ್‌ಪುಟ್ ಎನ್ನುವುದು ಪ್ರಸ್ತುತ ಸಮಯಕ್ಕೆ ಅನುಗುಣವಾಗಿರುವ ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯ ವೈಶಿಷ್ಟ್ಯವಾಗಿದೆ. ನಿಯತಾಂಕಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳ ಇತಿಹಾಸದ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು, ಕಾಲಾನಂತರದಲ್ಲಿ ನಿಯತಾಂಕಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳನ್ನು ನಿರೂಪಿಸುವ ವಿಶೇಷ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಅವಶ್ಯಕ, ಉದಾಹರಣೆಗೆ, ಕಳೆದ 1,2,3, XNUMX, XNUMX ತಿಂಗಳುಗಳಲ್ಲಿ ಬ್ಯಾಂಕ್ ವಹಿವಾಟುಗಳ ಸಂಖ್ಯೆ ಅಥವಾ ಮೊತ್ತ. ಈ ವಿಧಾನವು ತಾತ್ಕಾಲಿಕ ಬದಲಾವಣೆಗಳ ಸ್ವರೂಪವನ್ನು ಮಾತ್ರ ಭಾಗಶಃ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.
• ಸ್ಥಿರ ಮುನ್ಸೂಚನೆ ಹಾರಿಜಾನ್. ಮಾದರಿಯು ಪೂರ್ವನಿರ್ಧರಿತ ಅವಧಿಗೆ ಮಾತ್ರ ಗ್ರಾಹಕರ ಮಂಥನವನ್ನು ಊಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ಒಂದು ತಿಂಗಳ ಮುಂಚಿತವಾಗಿ ಮುನ್ಸೂಚನೆ. ವಿಭಿನ್ನ ಅವಧಿಗೆ ಮುನ್ಸೂಚನೆ ಅಗತ್ಯವಿದ್ದರೆ, ಉದಾಹರಣೆಗೆ, ಮೂರು ತಿಂಗಳುಗಳು, ನಂತರ ನೀವು ತರಬೇತಿ ಸೆಟ್ ಅನ್ನು ಮರುನಿರ್ಮಾಣ ಮಾಡಬೇಕಾಗುತ್ತದೆ ಮತ್ತು ಹೊಸ ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿಗೊಳಿಸಬೇಕು.

ನಮ್ಮ ವಿಧಾನ

ನಾವು ಪ್ರಮಾಣಿತ ವಿಧಾನಗಳನ್ನು ಬಳಸುವುದಿಲ್ಲ ಎಂದು ನಾವು ಈಗಿನಿಂದಲೇ ನಿರ್ಧರಿಸಿದ್ದೇವೆ. ನಮ್ಮ ಜೊತೆಗೆ, 497 ಹೆಚ್ಚು ಜನರು ಚಾಂಪಿಯನ್‌ಶಿಪ್‌ನಲ್ಲಿ ನೋಂದಾಯಿಸಿಕೊಂಡಿದ್ದಾರೆ, ಅವರಲ್ಲಿ ಪ್ರತಿಯೊಬ್ಬರೂ ಅವರ ಹಿಂದೆ ಸಾಕಷ್ಟು ಅನುಭವವನ್ನು ಹೊಂದಿದ್ದಾರೆ. ಆದ್ದರಿಂದ ಅಂತಹ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಪ್ರಮಾಣಿತ ಯೋಜನೆಯ ಪ್ರಕಾರ ಏನನ್ನಾದರೂ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುವುದು ಒಳ್ಳೆಯದಲ್ಲ.

ಮತ್ತು ನಾವು ಬೈನರಿ ವರ್ಗೀಕರಣ ಮಾದರಿಯನ್ನು ಎದುರಿಸುತ್ತಿರುವ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ, ಗ್ರಾಹಕರ ಮಂಥನದ ಸಮಯದ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆಯನ್ನು ಊಹಿಸುತ್ತೇವೆ. ಇದೇ ರೀತಿಯ ವಿಧಾನವನ್ನು ಕಾಣಬಹುದು ಇಲ್ಲಿ, ಇದು ನಿಮಗೆ ಮಂಥನವನ್ನು ಹೆಚ್ಚು ಮೃದುವಾಗಿ ಊಹಿಸಲು ಮತ್ತು ಶಾಸ್ತ್ರೀಯ ವಿಧಾನಕ್ಕಿಂತ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಊಹೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಹೊರಹರಿವಿನ ಸಮಯವನ್ನು ರೂಪಿಸುವ ವಿತರಣೆಗಳ ಕುಟುಂಬವಾಗಿ, ನಾವು ವಿತರಣೆಯನ್ನು ಆರಿಸಿದ್ದೇವೆ ವೈಬುಲ್ ಬದುಕುಳಿಯುವ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಅದರ ವ್ಯಾಪಕ ಬಳಕೆಗಾಗಿ. ಕ್ಲೈಂಟ್ನ ನಡವಳಿಕೆಯನ್ನು ಒಂದು ರೀತಿಯ ಬದುಕುಳಿಯುವಂತೆ ನೋಡಬಹುದು.

ನಿಯತಾಂಕಗಳನ್ನು ಅವಲಂಬಿಸಿ ವೈಬುಲ್ ಸಂಭವನೀಯತೆ ಸಾಂದ್ರತೆಯ ವಿತರಣೆಗಳ ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ и :

ಇದು ಮೂರು ವಿಭಿನ್ನ ಗ್ರಾಹಕರು ಕಾಲಾನಂತರದಲ್ಲಿ ಮಂಥನದ ಸಂಭವನೀಯತೆ ಸಾಂದ್ರತೆಯ ಕಾರ್ಯವಾಗಿದೆ. ಸಮಯವನ್ನು ತಿಂಗಳುಗಳಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಕ್ಲೈಂಟ್ ಮುಂದಿನ ಎರಡು ತಿಂಗಳುಗಳಲ್ಲಿ ಮಂಥನಗೊಳ್ಳುವ ಸಾಧ್ಯತೆಯನ್ನು ಈ ಗ್ರಾಫ್ ತೋರಿಸುತ್ತದೆ. ನೀವು ನೋಡುವಂತೆ, ವಿತರಣೆಯನ್ನು ಹೊಂದಿರುವ ಕ್ಲೈಂಟ್‌ಗಳು ವೈಬುಲ್(2, 0.5) ಮತ್ತು ವೈಬುಲ್ ಹೊಂದಿರುವ ಕ್ಲೈಂಟ್‌ಗಳಿಗಿಂತ ಮುಂಚಿತವಾಗಿ ಹೊರಡುವ ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ. (3,1) ವಿತರಣೆಗಳು.

ಫಲಿತಾಂಶವು ಪ್ರತಿ ಕ್ಲೈಂಟ್‌ಗೆ, ಪ್ರತಿಯೊಬ್ಬರಿಗೂ ಒಂದು ಮಾದರಿಯಾಗಿದೆ
ತಿಂಗಳು ವೈಬುಲ್ ವಿತರಣೆಯ ನಿಯತಾಂಕಗಳನ್ನು ಮುನ್ಸೂಚಿಸುತ್ತದೆ, ಇದು ಕಾಲಾನಂತರದಲ್ಲಿ ಹೊರಹರಿವಿನ ಸಂಭವನೀಯತೆಯ ಸಂಭವವನ್ನು ಉತ್ತಮವಾಗಿ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಹೆಚ್ಚು ವಿವರವಾಗಿ:

• ತರಬೇತಿ ಸೆಟ್‌ನಲ್ಲಿನ ಗುರಿ ವೈಶಿಷ್ಟ್ಯಗಳು ನಿರ್ದಿಷ್ಟ ಕ್ಲೈಂಟ್‌ಗೆ ನಿರ್ದಿಷ್ಟ ತಿಂಗಳಲ್ಲಿ ಮಂಥನ ಮಾಡುವವರೆಗೆ ಉಳಿದಿರುವ ಸಮಯ.
• ಗ್ರಾಹಕರಿಗೆ ಯಾವುದೇ ಮಂಥನ ದರವಿಲ್ಲದಿದ್ದರೆ, ನಾವು ಹೊಂದಿರುವ ಇತಿಹಾಸದ ಅಂತ್ಯದವರೆಗಿನ ಪ್ರಸ್ತುತ ತಿಂಗಳಿನಿಂದ ತಿಂಗಳ ಸಂಖ್ಯೆಗಿಂತ ಮಂಥನದ ಸಮಯ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ.
• ಬಳಸಲಾದ ಮಾದರಿ: LSTM ಪದರದೊಂದಿಗೆ ಪುನರಾವರ್ತಿತ ನರಮಂಡಲ.
• ನಷ್ಟದ ಕಾರ್ಯವಾಗಿ, Weibull ವಿತರಣೆಗಾಗಿ ನಾವು ನಕಾರಾತ್ಮಕ ಲಾಗ್-ಸಂಭವನೀಯತೆಯ ಕಾರ್ಯವನ್ನು ಬಳಸುತ್ತೇವೆ.

ಈ ವಿಧಾನದ ಅನುಕೂಲಗಳು ಇಲ್ಲಿವೆ:

• ಸಂಭವನೀಯತೆಯ ವಿತರಣೆ, ಬೈನರಿ ವರ್ಗೀಕರಣದ ಸ್ಪಷ್ಟ ಸಾಧ್ಯತೆಯ ಜೊತೆಗೆ, ವಿವಿಧ ಘಟನೆಗಳ ಹೊಂದಿಕೊಳ್ಳುವ ಮುನ್ಸೂಚನೆಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ಕ್ಲೈಂಟ್ 3 ತಿಂಗಳೊಳಗೆ ಬ್ಯಾಂಕಿನ ಸೇವೆಗಳನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸುತ್ತದೆ. ಅಲ್ಲದೆ, ಅಗತ್ಯವಿದ್ದರೆ, ಈ ವಿತರಣೆಯ ಮೇಲೆ ವಿವಿಧ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಸರಾಸರಿ ಮಾಡಬಹುದು.
• LSTM ಮರುಕಳಿಸುವ ನರಮಂಡಲವು ಮೆಮೊರಿಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಲಭ್ಯವಿರುವ ಸಂಪೂರ್ಣ ಇತಿಹಾಸವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸುತ್ತದೆ. ಕಥೆಯನ್ನು ವಿಸ್ತರಿಸಿದಂತೆ ಅಥವಾ ಸಂಸ್ಕರಿಸಿದಂತೆ, ನಿಖರತೆ ಹೆಚ್ಚಾಗುತ್ತದೆ.
• ಅವಧಿಗಳನ್ನು ಚಿಕ್ಕದಾಗಿ ವಿಭಜಿಸುವಾಗ (ಉದಾಹರಣೆಗೆ, ತಿಂಗಳುಗಳನ್ನು ವಾರಗಳಾಗಿ ವಿಂಗಡಿಸುವಾಗ) ವಿಧಾನವನ್ನು ಸುಲಭವಾಗಿ ಅಳೆಯಬಹುದು.

ಆದರೆ ಉತ್ತಮ ಮಾದರಿಯನ್ನು ರಚಿಸಲು ಇದು ಸಾಕಾಗುವುದಿಲ್ಲ; ನೀವು ಅದರ ಗುಣಮಟ್ಟವನ್ನು ಸರಿಯಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕಾಗುತ್ತದೆ.

ಗುಣಮಟ್ಟವನ್ನು ಹೇಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಯಿತು?

ನಾವು ಲಿಫ್ಟ್ ಕರ್ವ್ ಅನ್ನು ಮೆಟ್ರಿಕ್ ಆಗಿ ಆರಿಸಿದ್ದೇವೆ. ಅದರ ಸ್ಪಷ್ಟವಾದ ವ್ಯಾಖ್ಯಾನದ ಕಾರಣದಿಂದ ಅಂತಹ ಸಂದರ್ಭಗಳಲ್ಲಿ ವ್ಯವಹಾರದಲ್ಲಿ ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಅದನ್ನು ಚೆನ್ನಾಗಿ ವಿವರಿಸಲಾಗಿದೆ ಇಲ್ಲಿ и ಇಲ್ಲಿ. ಈ ಮೆಟ್ರಿಕ್‌ನ ಅರ್ಥವನ್ನು ನೀವು ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ವಿವರಿಸಿದರೆ, ಅದು "ಅಲ್ಗಾರಿದಮ್ ಎಷ್ಟು ಬಾರಿ ಮೊದಲ ಬಾರಿಗೆ ಉತ್ತಮ ಭವಿಷ್ಯವನ್ನು ಮಾಡುತ್ತದೆ ಯಾದೃಚ್ಛಿಕಕ್ಕಿಂತ %."

ತರಬೇತಿ ಮಾದರಿಗಳು

ಸ್ಪರ್ಧೆಯ ಪರಿಸ್ಥಿತಿಗಳು ನಿರ್ದಿಷ್ಟ ಗುಣಮಟ್ಟದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿಲ್ಲ, ಅದರ ಮೂಲಕ ವಿಭಿನ್ನ ಮಾದರಿಗಳು ಮತ್ತು ವಿಧಾನಗಳನ್ನು ಹೋಲಿಸಬಹುದು. ಇದಲ್ಲದೆ, ಮಂಥನದ ವ್ಯಾಖ್ಯಾನವು ವಿಭಿನ್ನವಾಗಿರಬಹುದು ಮತ್ತು ಸಮಸ್ಯೆಯ ಹೇಳಿಕೆಯನ್ನು ಅವಲಂಬಿಸಿರಬಹುದು, ಇದು ವ್ಯವಹಾರದ ಗುರಿಗಳಿಂದ ನಿರ್ಧರಿಸಲ್ಪಡುತ್ತದೆ. ಆದ್ದರಿಂದ, ಯಾವ ವಿಧಾನವು ಉತ್ತಮವಾಗಿದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ನಾವು ಎರಡು ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಿದ್ದೇವೆ:

1. ಸಮಗ್ರ ನಿರ್ಧಾರ ಮರದ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಬೈನರಿ ವರ್ಗೀಕರಣ ವಿಧಾನ (ಲೈಟ್GBM);
2. Weibull-LSTM ಮಾದರಿ

ಪರೀಕ್ಷಾ ಸೆಟ್ ತರಬೇತಿ ಸೆಟ್‌ನಲ್ಲಿಲ್ಲದ 500 ಪೂರ್ವ-ಆಯ್ಕೆ ಮಾಡಿದ ಕ್ಲೈಂಟ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿತ್ತು. ಕ್ಲೈಂಟ್‌ನಿಂದ ವಿಂಗಡಿಸಲಾದ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನವನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಗಾಗಿ ಹೈಪರ್-ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ. ಪ್ರತಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಒಂದೇ ರೀತಿಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಲಾಗಿದೆ.

ಮಾದರಿಯು ಮೆಮೊರಿಯನ್ನು ಹೊಂದಿಲ್ಲ ಎಂಬ ಕಾರಣದಿಂದಾಗಿ, ವಿಶೇಷ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಇದಕ್ಕಾಗಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ, ಕಳೆದ ಮೂರು ತಿಂಗಳುಗಳಲ್ಲಿ ನಿಯತಾಂಕಗಳಿಗೆ ಸರಾಸರಿ ಮೌಲ್ಯಕ್ಕೆ ಒಂದು ತಿಂಗಳವರೆಗೆ ನಿಯತಾಂಕಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳ ಅನುಪಾತವನ್ನು ತೋರಿಸುತ್ತದೆ. ಮೂರು ತಿಂಗಳ ಕೊನೆಯ ಅವಧಿಯಲ್ಲಿ ಮೌಲ್ಯಗಳಲ್ಲಿನ ಬದಲಾವಣೆಯ ದರವನ್ನು ಯಾವುದು ನಿರೂಪಿಸುತ್ತದೆ. ಇದು ಇಲ್ಲದೆ, ರ್ಯಾಂಡಮ್ ಫಾರೆಸ್ಟ್-ಆಧಾರಿತ ಮಾದರಿಯು Weibull-LSTM ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಅನನುಕೂಲತೆಯನ್ನು ಹೊಂದಿರುತ್ತದೆ.

ವೈಬುಲ್ ವಿತರಣೆಯೊಂದಿಗೆ ಎಲ್‌ಎಸ್‌ಟಿಎಂ ಏಕೆ ಸಮಗ್ರ ನಿರ್ಧಾರ ಟ್ರೀ ವಿಧಾನಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿದೆ

ಇಲ್ಲಿ ಕೇವಲ ಒಂದೆರಡು ಚಿತ್ರಗಳಲ್ಲಿ ಎಲ್ಲವೂ ಸ್ಪಷ್ಟವಾಗಿದೆ.

ಶಾಸ್ತ್ರೀಯ ಅಲ್ಗಾರಿದಮ್ ಮತ್ತು ವೈಬುಲ್-ಎಲ್‌ಎಸ್‌ಟಿಎಮ್‌ಗಾಗಿ ಲಿಫ್ಟ್ ಕರ್ವ್‌ನ ಹೋಲಿಕೆ

ಕ್ಲಾಸಿಕಲ್ ಅಲ್ಗಾರಿದಮ್ ಮತ್ತು ವೈಬುಲ್-ಎಲ್‌ಎಸ್‌ಟಿಎಮ್‌ಗಾಗಿ ಲಿಫ್ಟ್ ಕರ್ವ್ ಮೆಟ್ರಿಕ್‌ನ ತಿಂಗಳ ಹೋಲಿಕೆ

ಸಾಮಾನ್ಯವಾಗಿ, LSTM ಬಹುತೇಕ ಎಲ್ಲಾ ಸಂದರ್ಭಗಳಲ್ಲಿ ಶಾಸ್ತ್ರೀಯ ಅಲ್ಗಾರಿದಮ್‌ಗಿಂತ ಉತ್ತಮವಾಗಿದೆ.

ಮಂಥನ ಭವಿಷ್ಯ

Weibull ವಿತರಣೆಯೊಂದಿಗೆ LSTM ಕೋಶಗಳೊಂದಿಗೆ ಪುನರಾವರ್ತಿತ ನರಮಂಡಲವನ್ನು ಆಧರಿಸಿದ ಮಾದರಿಯು ಮುಂಚಿತವಾಗಿಯೇ ಮಂಥನವನ್ನು ಊಹಿಸಬಹುದು, ಉದಾಹರಣೆಗೆ, ಮುಂದಿನ n ತಿಂಗಳೊಳಗೆ ಗ್ರಾಹಕರ ಮಂಥನವನ್ನು ಊಹಿಸಬಹುದು. n = 3 ಗಾಗಿ ಪ್ರಕರಣವನ್ನು ಪರಿಗಣಿಸಿ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಪ್ರತಿ ತಿಂಗಳು, ಕ್ಲೈಂಟ್ ಹೊರಡುತ್ತಾರೆಯೇ ಎಂದು ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಸರಿಯಾಗಿ ನಿರ್ಧರಿಸಬೇಕು, ಮುಂದಿನ ತಿಂಗಳಿನಿಂದ ಪ್ರಾರಂಭಿಸಿ ಮತ್ತು n ನೇ ತಿಂಗಳವರೆಗೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಗ್ರಾಹಕರು n ತಿಂಗಳ ನಂತರ ಉಳಿಯುತ್ತಾರೆಯೇ ಎಂದು ಸರಿಯಾಗಿ ನಿರ್ಧರಿಸಬೇಕು. ಇದನ್ನು ಮುಂಚಿತವಾಗಿ ಮುನ್ಸೂಚನೆ ಎಂದು ಪರಿಗಣಿಸಬಹುದು: ಕ್ಲೈಂಟ್ ಹೊರಡುವ ಬಗ್ಗೆ ಯೋಚಿಸಲು ಪ್ರಾರಂಭಿಸಿದ ಕ್ಷಣವನ್ನು ಊಹಿಸುವುದು.

ಹೊರಹರಿವಿನ ಮೊದಲು Weibull-LSTM 1, 2 ಮತ್ತು 3 ತಿಂಗಳುಗಳ ಲಿಫ್ಟ್ ಕರ್ವ್ ಅನ್ನು ಹೋಲಿಕೆ ಮಾಡೋಣ:

ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಸಕ್ರಿಯವಾಗಿರದ ಗ್ರಾಹಕರಿಗೆ ಮಾಡಿದ ಮುನ್ಸೂಚನೆಗಳು ಸಹ ಮುಖ್ಯವೆಂದು ನಾವು ಈಗಾಗಲೇ ಮೇಲೆ ಬರೆದಿದ್ದೇವೆ. ಆದ್ದರಿಂದ, ನಿರ್ಗಮಿಸಿದ ಗ್ರಾಹಕರು ಈಗಾಗಲೇ ಒಂದು ಅಥವಾ ಎರಡು ತಿಂಗಳವರೆಗೆ ನಿಷ್ಕ್ರಿಯರಾಗಿರುವಾಗ ನಾವು ಅಂತಹ ಪ್ರಕರಣಗಳನ್ನು ಮಾದರಿಗೆ ಸೇರಿಸುತ್ತೇವೆ ಮತ್ತು Weibull-LSTM ಅಂತಹ ಪ್ರಕರಣಗಳನ್ನು ಮಂಥನ ಎಂದು ಸರಿಯಾಗಿ ವರ್ಗೀಕರಿಸುತ್ತದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ. ಅಂತಹ ಪ್ರಕರಣಗಳು ಮಾದರಿಯಲ್ಲಿ ಇರುವುದರಿಂದ, ನೆಟ್‌ವರ್ಕ್ ಅವುಗಳನ್ನು ಉತ್ತಮವಾಗಿ ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ:

ಗ್ರಾಹಕರ ಧಾರಣ

ವಾಸ್ತವವಾಗಿ, ಇದು ಮಾಡಬಹುದಾದ ಮುಖ್ಯ ವಿಷಯವಾಗಿದೆ, ಅಂತಹ ಮತ್ತು ಅಂತಹ ಗ್ರಾಹಕರು ಉತ್ಪನ್ನವನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸಲು ತಯಾರಿ ನಡೆಸುತ್ತಿದ್ದಾರೆ ಎಂಬ ಮಾಹಿತಿಯನ್ನು ಕೈಯಲ್ಲಿ ಹೊಂದಿರುತ್ತಾರೆ. ಗ್ರಾಹಕರನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು ಉಪಯುಕ್ತವಾದದ್ದನ್ನು ನೀಡುವಂತಹ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವ ಕುರಿತು ಮಾತನಾಡುತ್ತಾ, ನೀವು ಇದೇ ರೀತಿಯ ಪ್ರಯತ್ನಗಳ ಇತಿಹಾಸವನ್ನು ಹೊಂದಿಲ್ಲದಿದ್ದರೆ ಇದನ್ನು ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ.

ನಮ್ಮ ಬಳಿ ಅಂತಹ ಕಥೆ ಇರಲಿಲ್ಲ, ಆದ್ದರಿಂದ ನಾವು ಅದನ್ನು ಈ ರೀತಿ ನಿರ್ಧರಿಸಿದ್ದೇವೆ.

1. ಪ್ರತಿ ಕ್ಲೈಂಟ್‌ಗೆ ಆಸಕ್ತಿದಾಯಕ ಉತ್ಪನ್ನಗಳನ್ನು ಗುರುತಿಸುವ ಮಾದರಿಯನ್ನು ನಾವು ನಿರ್ಮಿಸುತ್ತಿದ್ದೇವೆ.
2. ಪ್ರತಿ ತಿಂಗಳು ನಾವು ವರ್ಗೀಕರಣವನ್ನು ನಡೆಸುತ್ತೇವೆ ಮತ್ತು ಸಂಭಾವ್ಯವಾಗಿ ಹೊರಹೋಗುವ ಗ್ರಾಹಕರನ್ನು ಗುರುತಿಸುತ್ತೇವೆ.
3. ಪಾಯಿಂಟ್ 1 ರಿಂದ ಮಾದರಿಯ ಪ್ರಕಾರ ನಾವು ಕೆಲವು ಗ್ರಾಹಕರಿಗೆ ಉತ್ಪನ್ನವನ್ನು ನೀಡುತ್ತೇವೆ ಮತ್ತು ನಮ್ಮ ಕ್ರಿಯೆಗಳನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತೇವೆ.
4. ಕೆಲವು ತಿಂಗಳುಗಳ ನಂತರ, ಇವುಗಳಲ್ಲಿ ಯಾವುದು ಸಂಭಾವ್ಯವಾಗಿ ಬಿಡುವ ಕ್ಲೈಂಟ್‌ಗಳನ್ನು ಬಿಟ್ಟಿದೆ ಮತ್ತು ಯಾವುದು ಉಳಿದಿದೆ ಎಂಬುದನ್ನು ನಾವು ನೋಡುತ್ತೇವೆ. ಹೀಗಾಗಿ, ನಾವು ತರಬೇತಿ ಮಾದರಿಯನ್ನು ರೂಪಿಸುತ್ತೇವೆ.
5. ಹಂತ 4 ರಲ್ಲಿ ಪಡೆದ ಇತಿಹಾಸವನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುತ್ತೇವೆ.
6. ಐಚ್ಛಿಕವಾಗಿ, ನಾವು ಕಾರ್ಯವಿಧಾನವನ್ನು ಪುನರಾವರ್ತಿಸುತ್ತೇವೆ, ಹಂತ 1 ರಿಂದ ಮಾದರಿಯನ್ನು ಹಂತ 5 ರಲ್ಲಿ ಪಡೆದ ಮಾದರಿಯೊಂದಿಗೆ ಬದಲಾಯಿಸುತ್ತೇವೆ.

ನಿಯಮಿತ A/B ಪರೀಕ್ಷೆಯ ಮೂಲಕ ಅಂತಹ ಧಾರಣದ ಗುಣಮಟ್ಟದ ಪರೀಕ್ಷೆಯನ್ನು ಮಾಡಬಹುದು - ನಾವು ಸಂಭಾವ್ಯವಾಗಿ ಹೊರಡುವ ಗ್ರಾಹಕರನ್ನು ಎರಡು ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತೇವೆ. ನಮ್ಮ ಧಾರಣ ಮಾದರಿಯನ್ನು ಆಧರಿಸಿ ನಾವು ಒಂದಕ್ಕೆ ಉತ್ಪನ್ನಗಳನ್ನು ನೀಡುತ್ತೇವೆ ಮತ್ತು ಇನ್ನೊಂದಕ್ಕೆ ನಾವು ಏನನ್ನೂ ನೀಡುವುದಿಲ್ಲ. ನಮ್ಮ ಉದಾಹರಣೆಯ ಪಾಯಿಂಟ್ 1 ನಲ್ಲಿ ಈಗಾಗಲೇ ಉಪಯುಕ್ತವಾದ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ನಾವು ನಿರ್ಧರಿಸಿದ್ದೇವೆ.

ನಾವು ವಿಭಜನೆಯನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ವ್ಯಾಖ್ಯಾನಿಸಲು ಬಯಸಿದ್ದೇವೆ. ಇದನ್ನು ಮಾಡಲು, ನಾವು ಸುಲಭವಾಗಿ ಅರ್ಥೈಸಬಹುದಾದ ಹಲವಾರು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇವೆ: ಒಟ್ಟು ವಹಿವಾಟುಗಳ ಸಂಖ್ಯೆ, ವೇತನಗಳು, ಒಟ್ಟು ಖಾತೆಯ ವಹಿವಾಟು, ವಯಸ್ಸು, ಲಿಂಗ. "ನಕ್ಷೆಗಳು" ಕೋಷ್ಟಕದಲ್ಲಿನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮಾಹಿತಿಯಿಲ್ಲವೆಂದು ಪರಿಗಣಿಸಲಾಗಿಲ್ಲ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಸೆಟ್ ಮತ್ತು ತರಬೇತಿ ಸೆಟ್ ನಡುವಿನ ಡೇಟಾ ಸೋರಿಕೆಯನ್ನು ತಪ್ಪಿಸಲು ಸಂಸ್ಕರಣೆಯ ಸಂಕೀರ್ಣತೆಯಿಂದಾಗಿ ಟೇಬಲ್ 3 "ಒಪ್ಪಂದಗಳ" ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿಲ್ಲ.

ಗಾಸಿಯನ್ ಮಿಶ್ರಣ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕ್ಲಸ್ಟರಿಂಗ್ ಅನ್ನು ಕೈಗೊಳ್ಳಲಾಯಿತು. Akaike ಮಾಹಿತಿ ಮಾನದಂಡವು 2 ಆಪ್ಟಿಮಾವನ್ನು ನಿರ್ಧರಿಸಲು ನಮಗೆ ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು. ಮೊದಲ ಆಪ್ಟಿಮಮ್ 1 ಕ್ಲಸ್ಟರ್ಗೆ ಅನುರೂಪವಾಗಿದೆ. ಎರಡನೇ ಆಪ್ಟಿಮಮ್, ಕಡಿಮೆ ಉಚ್ಚರಿಸಲಾಗುತ್ತದೆ, 80 ಕ್ಲಸ್ಟರ್ಗಳಿಗೆ ಅನುರೂಪವಾಗಿದೆ. ಈ ಫಲಿತಾಂಶದ ಆಧಾರದ ಮೇಲೆ, ನಾವು ಈ ಕೆಳಗಿನ ತೀರ್ಮಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು: ಪೂರ್ವಭಾವಿ ಮಾಹಿತಿಯಿಲ್ಲದೆ ಡೇಟಾವನ್ನು ಕ್ಲಸ್ಟರ್‌ಗಳಾಗಿ ವಿಭಜಿಸುವುದು ತುಂಬಾ ಕಷ್ಟ. ಉತ್ತಮ ಕ್ಲಸ್ಟರಿಂಗ್‌ಗಾಗಿ, ಪ್ರತಿ ಕ್ಲೈಂಟ್ ಅನ್ನು ವಿವರವಾಗಿ ವಿವರಿಸುವ ಡೇಟಾ ನಿಮಗೆ ಅಗತ್ಯವಿದೆ.

ಆದ್ದರಿಂದ, ಪ್ರತಿಯೊಬ್ಬ ಕ್ಲೈಂಟ್‌ಗೆ ವಿಭಿನ್ನ ಉತ್ಪನ್ನವನ್ನು ನೀಡುವ ಸಲುವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಗಣಿಸಲಾಗಿದೆ. ಕೆಳಗಿನ ಉತ್ಪನ್ನಗಳನ್ನು ಪರಿಗಣಿಸಲಾಗಿದೆ: "ಅವಧಿ ಠೇವಣಿ", "ಕ್ರೆಡಿಟ್ ಕಾರ್ಡ್", "ಓವರ್‌ಡ್ರಾಫ್ಟ್", "ಗ್ರಾಹಕರ ಸಾಲ", "ಕಾರ್ ಸಾಲ", "ಅಡಮಾನ".

ಡೇಟಾವು ಇನ್ನೂ ಒಂದು ರೀತಿಯ ಉತ್ಪನ್ನವನ್ನು ಒಳಗೊಂಡಿದೆ: "ಪ್ರಸ್ತುತ ಖಾತೆ". ಆದರೆ ಅದರ ಕಡಿಮೆ ಮಾಹಿತಿಯ ಕಾರಣ ನಾವು ಅದನ್ನು ಪರಿಗಣಿಸಲಿಲ್ಲ. ಬ್ಯಾಂಕ್ ಗ್ರಾಹಕರಾಗಿರುವ ಬಳಕೆದಾರರಿಗೆ, ಅಂದರೆ. ಅದರ ಉತ್ಪನ್ನಗಳನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸಲಿಲ್ಲ, ಯಾವ ಉತ್ಪನ್ನವು ಅವರಿಗೆ ಆಸಕ್ತಿಯಿರಬಹುದೆಂದು ಊಹಿಸಲು ಒಂದು ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ. ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಅನ್ನು ಮಾದರಿಯಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಮೊದಲ 10 ಶೇಕಡಾವಾರುಗಳ ಲಿಫ್ಟ್ ಮೌಲ್ಯವನ್ನು ಗುಣಮಟ್ಟದ ಮೌಲ್ಯಮಾಪನ ಮೆಟ್ರಿಕ್ ಆಗಿ ಬಳಸಲಾಗಿದೆ.

ಮಾದರಿಯ ಗುಣಮಟ್ಟವನ್ನು ಚಿತ್ರದಲ್ಲಿ ನಿರ್ಣಯಿಸಬಹುದು.

ಗ್ರಾಹಕರಿಗೆ ಉತ್ಪನ್ನ ಶಿಫಾರಸು ಮಾದರಿ ಫಲಿತಾಂಶಗಳು

ಫಲಿತಾಂಶ

ಈ ವಿಧಾನವು RAIF-ಚಾಲೆಂಜ್ 2017 AI ಚಾಂಪಿಯನ್‌ಶಿಪ್‌ನಲ್ಲಿ "ಬ್ಯಾಂಕ್‌ಗಳಲ್ಲಿ AI" ವಿಭಾಗದಲ್ಲಿ ನಮಗೆ ಮೊದಲ ಸ್ಥಾನವನ್ನು ತಂದಿತು.

ಸ್ಪಷ್ಟವಾಗಿ, ಮುಖ್ಯ ವಿಷಯವೆಂದರೆ ಅಸಾಂಪ್ರದಾಯಿಕ ಕೋನದಿಂದ ಸಮಸ್ಯೆಯನ್ನು ಸಮೀಪಿಸುವುದು ಮತ್ತು ಇತರ ಸಂದರ್ಭಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ವಿಧಾನವನ್ನು ಬಳಸುವುದು.

ಬಳಕೆದಾರರ ಬೃಹತ್ ಹೊರಹರಿವು ಸೇವೆಗಳಿಗೆ ನೈಸರ್ಗಿಕ ವಿಪತ್ತು ಆಗಿರಬಹುದು.

ಬ್ಯಾಂಕ್‌ಗಳಷ್ಟೇ ಅಲ್ಲ, ಹೊರಹರಿವು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದು ಮುಖ್ಯವಾದ ಯಾವುದೇ ಪ್ರದೇಶಕ್ಕೆ ಈ ವಿಧಾನವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಉದಾಹರಣೆಗೆ, ನಾವು ನಮ್ಮ ಸ್ವಂತ ಹೊರಹರಿವು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಬಳಸಿದ್ದೇವೆ - ರೋಸ್ಟೆಲೆಕಾಮ್ನ ಸೈಬೀರಿಯನ್ ಮತ್ತು ಸೇಂಟ್ ಪೀಟರ್ಸ್ಬರ್ಗ್ ಶಾಖೆಗಳಲ್ಲಿ.

"ಡೇಟಾ ಮೈನಿಂಗ್ ಲ್ಯಾಬೊರೇಟರಿ" ಕಂಪನಿ "ಸರ್ಚ್ ಪೋರ್ಟಲ್ "ಸ್ಪುಟ್ನಿಕ್"

ಮೂಲ: www.habr.com