ວິທີທີ່ພວກເຮົາຄາດຄະເນການປັ່ນປ່ວນໂດຍການເຂົ້າຫາມັນຄືກັບໄພພິບັດທໍາມະຊາດ

ບາງຄັ້ງ, ເພື່ອແກ້ໄຂບັນຫາ, ທ່ານພຽງແຕ່ຕ້ອງການເບິ່ງມັນຈາກມຸມທີ່ແຕກຕ່າງກັນ. ເຖິງແມ່ນວ່າໃນໄລຍະ 10 ປີທີ່ຜ່ານມາບັນຫາທີ່ຄ້າຍຄືກັນໄດ້ຖືກແກ້ໄຂດ້ວຍວິທີດຽວກັນກັບຜົນກະທົບທີ່ແຕກຕ່າງກັນ, ມັນບໍ່ແມ່ນຄວາມຈິງທີ່ວ່າວິທີການນີ້ແມ່ນວິທີດຽວ.

ມີຫົວຂໍ້ດັ່ງກ່າວເປັນ churn ລູກຄ້າ. ສິ່ງດັ່ງກ່າວແມ່ນບໍ່ສາມາດຫຼີກລ່ຽງໄດ້, ເພາະວ່າລູກຄ້າຂອງບໍລິສັດໃດກໍ່ຕາມສາມາດ, ດ້ວຍເຫດຜົນຫຼາຍຢ່າງ, ຢຸດເຊົາການນໍາໃຊ້ຜະລິດຕະພັນຫຼືການບໍລິການຂອງມັນ. ແນ່ນອນ, ສໍາລັບບໍລິສັດ, ການປັ່ນປ່ວນແມ່ນທໍາມະຊາດ, ແຕ່ບໍ່ແມ່ນການປະຕິບັດທີ່ຕ້ອງການທີ່ສຸດ, ດັ່ງນັ້ນທຸກຄົນພະຍາຍາມຫຼຸດຜ່ອນການປັ່ນປ່ວນນີ້. ດີກວ່າ, ຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງການປັ່ນປ່ວນສໍາລັບປະເພດຜູ້ໃຊ້ສະເພາະ, ຫຼືຜູ້ໃຊ້ສະເພາະ, ແລະແນະນໍາບາງຂັ້ນຕອນເພື່ອຮັກສາພວກມັນ.

ມັນເປັນສິ່ງຈໍາເປັນທີ່ຈະວິເຄາະແລະພະຍາຍາມຮັກສາລູກຄ້າ, ຖ້າເປັນໄປໄດ້, ສໍາລັບຢ່າງຫນ້ອຍເຫດຜົນດັ່ງຕໍ່ໄປນີ້:

• ການດຶງດູດລູກຄ້າໃຫມ່ແມ່ນລາຄາແພງກວ່າຂັ້ນຕອນການຮັກສາໄວ້. ເພື່ອດຶງດູດລູກຄ້າໃຫມ່, ຕາມກົດລະບຽບ, ທ່ານຈໍາເປັນຕ້ອງໃຊ້ເງິນຈໍານວນຫນຶ່ງ (ການໂຄສະນາ), ໃນຂະນະທີ່ລູກຄ້າທີ່ມີຢູ່ແລ້ວສາມາດເປີດໃຊ້ໄດ້ດ້ວຍການສະເຫນີພິເສດທີ່ມີເງື່ອນໄຂພິເສດ;
• ຄວາມເຂົ້າໃຈກ່ຽວກັບເຫດຜົນທີ່ລູກຄ້າອອກໄປແມ່ນກຸນແຈສໍາລັບການປັບປຸງຜະລິດຕະພັນແລະການບໍລິການ.

ມີ​ວິ​ທີ​ການ​ມາດ​ຕະ​ຖານ​ໃນ​ການ​ຄາດ​ຄະ​ເນ churn. ແຕ່ຢູ່ໃນຫນຶ່ງໃນແຊ້ມ AI, ພວກເຮົາໄດ້ຕັດສິນໃຈທົດລອງການແຈກຢາຍ Weibull ສໍາລັບການນີ້. ມັນຖືກນໍາໃຊ້ຫຼາຍທີ່ສຸດສໍາລັບການວິເຄາະຄວາມຢູ່ລອດ, ການພະຍາກອນອາກາດ, ການວິເຄາະໄພພິບັດທໍາມະຊາດ, ວິສະວະກໍາອຸດສາຫະກໍາແລະອື່ນໆ. ການແຈກຢາຍ Weibull ແມ່ນຫນ້າທີ່ການແຈກຢາຍພິເສດທີ່ກໍານົດໂດຍສອງຕົວກໍານົດການ и .

Wikipedia

ໂດຍທົ່ວໄປ, ມັນເປັນສິ່ງທີ່ຫນ້າສົນໃຈ, ແຕ່ສໍາລັບການຄາດຄະເນການໄຫຼອອກ, ແລະໂດຍທົ່ວໄປແລ້ວ, fintech, ມັນບໍ່ໄດ້ຖືກນໍາໃຊ້ເລື້ອຍໆ. ຂ້າງລຸ່ມນີ້ການຕັດພວກເຮົາຈະບອກທ່ານວ່າພວກເຮົາ (ຫ້ອງທົດລອງການຂຸດຄົ້ນຂໍ້ມູນ) ເຮັດແນວໃດ, ພ້ອມກັນໄດ້ຊະນະຄໍາໃນການແຂ່ງຂັນປັນຍາປະດິດໃນປະເພດ "AI in Banks".

ກ່ຽວກັບ churn ໂດຍທົ່ວໄປ

ໃຫ້ເຂົ້າໃຈເລັກນ້ອຍກ່ຽວກັບສິ່ງທີ່ລູກຄ້າປັ່ນປ່ວນແມ່ນຫຍັງ ແລະເປັນຫຍັງມັນຈຶ່ງສຳຄັນຫຼາຍ. ພື້ນຖານລູກຄ້າແມ່ນສໍາຄັນສໍາລັບທຸລະກິດ. ລູກຄ້າໃຫມ່ເຂົ້າມາໃນຖານນີ້, ສໍາລັບຕົວຢ່າງ, ໄດ້ຮຽນຮູ້ກ່ຽວກັບຜະລິດຕະພັນຫຼືການບໍລິການຈາກການໂຄສະນາ, ດໍາລົງຊີວິດສໍາລັບບາງເວລາ (ໃຊ້ຜະລິດຕະພັນຢ່າງຫ້າວຫັນ) ແລະຫຼັງຈາກເວລາໃດຫນຶ່ງຢຸດເຊົາການນໍາໃຊ້ມັນ. ໄລຍະເວລານີ້ເອີ້ນວ່າ "ວົງຈອນຊີວິດຂອງລູກຄ້າ" - ຄໍາສັບທີ່ອະທິບາຍຂັ້ນຕອນທີ່ລູກຄ້າຜ່ານໄປເມື່ອລາວຮຽນຮູ້ກ່ຽວກັບຜະລິດຕະພັນ, ຕັດສິນໃຈຊື້, ຈ່າຍ, ໃຊ້ແລະກາຍເປັນຜູ້ບໍລິໂພກທີ່ສັດຊື່, ແລະສຸດທ້າຍຢຸດເຊົາການນໍາໃຊ້ຜະລິດຕະພັນ. ສໍາລັບເຫດຜົນຫນຶ່ງຫຼືອື່ນ. ດັ່ງນັ້ນ, ການປັ່ນປ່ວນແມ່ນຂັ້ນຕອນສຸດທ້າຍຂອງວົງຈອນຊີວິດຂອງລູກຄ້າ, ເມື່ອລູກຄ້າຢຸດເຊົາການໃຊ້ບໍລິການ, ແລະສໍາລັບທຸລະກິດນີ້ຫມາຍຄວາມວ່າລູກຄ້າໄດ້ຢຸດເຊົາການນໍາເອົາກໍາໄລຫຼືຜົນປະໂຫຍດໃດໆ.

ລູກຄ້າທະນາຄານແຕ່ລະຄົນແມ່ນບຸກຄົນສະເພາະທີ່ເລືອກຫນຶ່ງຫຼືບັດທະນາຄານອື່ນໂດຍສະເພາະສໍາລັບຄວາມຕ້ອງການຂອງລາວ. ຖ້າທ່ານເດີນທາງເລື້ອຍໆ, ບັດທີ່ມີໄມລ໌ຈະມາສະດວກ. ຊື້ຫຼາຍ - ສະບາຍດີ, ບັດເງິນຄືນ. ລາວຊື້ຫຼາຍໃນຮ້ານສະເພາະ - ແລະມີພາດສະຕິກຄູ່ຮ່ວມງານພິເສດສໍາລັບການນີ້. ແນ່ນອນ, ບາງຄັ້ງບັດຖືກເລືອກໂດຍອີງໃສ່ເງື່ອນໄຂ "ການບໍລິການລາຄາຖືກທີ່ສຸດ". ໂດຍທົ່ວໄປ, ມີຕົວແປພຽງພໍຢູ່ທີ່ນີ້.

ແລະບຸກຄົນໃດຫນຶ່ງຍັງເລືອກທະນາຄານຕົວມັນເອງ - ມີຈຸດໃດໃນການເລືອກບັດຈາກທະນາຄານທີ່ມີສາຂາພຽງແຕ່ຢູ່ໃນ Moscow ແລະພາກພື້ນ, ໃນເວລາທີ່ທ່ານມາຈາກ Khabarovsk? ເຖິງແມ່ນວ່າບັດຈາກທະນາຄານດັ່ງກ່າວມີກໍາໄລຫຼາຍກວ່າຢ່າງຫນ້ອຍ 2 ເທົ່າ, ການມີສາຂາຂອງທະນາຄານໃກ້ຄຽງຍັງຄົງເປັນເງື່ອນໄຂທີ່ສໍາຄັນ. ແມ່ນແລ້ວ, ປີ 2019 ມາຮອດແລ້ວ ແລະດິຈິຕອລແມ່ນທຸກຢ່າງຂອງພວກເຮົາ, ແຕ່ບາງບັນຫາກັບບາງທະນາຄານສາມາດແກ້ໄຂໄດ້ໃນສາຂາເທົ່ານັ້ນ. ນອກຈາກນັ້ນ, ອີກເທື່ອຫນຶ່ງ, ບາງສ່ວນຂອງປະຊາກອນໄວ້ວາງໃຈທະນາຄານທາງດ້ານຮ່າງກາຍຫຼາຍກ່ວາຄໍາຮ້ອງສະຫມັກໃນໂທລະສັບສະຫຼາດ, ນີ້ຍັງຕ້ອງໄດ້ຮັບການພິຈາລະນາ.

ດັ່ງນັ້ນ, ບຸກຄົນໃດຫນຶ່ງອາດຈະມີເຫດຜົນຫຼາຍຢ່າງສໍາລັບການປະຕິເສດຜະລິດຕະພັນຂອງທະນາຄານ (ຫຼືທະນາຄານເອງ). ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ປ່ຽນ​ວຽກ​ເຮັດ​ງານ​ທໍາ​, ແລະ​ອັດ​ຕາ​ພາ​ສີ​ບັດ​ໄດ້​ປ່ຽນ​ຈາກ​ເງິນ​ເດືອນ​ເປັນ "ສໍາ​ລັບ​ມະ​ຕະ​ແຕ່​ລະ​ຄົນ​,​" ຊຶ່ງ​ເປັນ​ກໍາ​ໄລ​ຫນ້ອຍ​. ຂ້ອຍຍ້າຍໄປເມືອງອື່ນທີ່ບໍ່ມີສາຂາທະນາຄານ. ຂ້ອຍບໍ່ມັກການໂຕ້ຕອບກັບຜູ້ປະກອບການທີ່ບໍ່ມີຄຸນສົມບັດຢູ່ໃນສາຂາ. ນັ້ນແມ່ນ, ມັນອາດຈະມີຫຼາຍເຫດຜົນສໍາລັບການປິດບັນຊີກ່ວາການນໍາໃຊ້ຜະລິດຕະພັນ.

ແລະລູກຄ້າບໍ່ພຽງແຕ່ສາມາດສະແດງຄວາມຕັ້ງໃຈຂອງຕົນຢ່າງຊັດເຈນ - ມາທະນາຄານແລະຂຽນຄໍາຖະແຫຼງການ, ແຕ່ພຽງແຕ່ຢຸດເຊົາການນໍາໃຊ້ຜະລິດຕະພັນໂດຍບໍ່ມີການສິ້ນສຸດສັນຍາ. ມັນໄດ້ຖືກຕັດສິນໃຈທີ່ຈະນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກແລະ AI ເພື່ອເຂົ້າໃຈບັນຫາດັ່ງກ່າວ.

ຍິ່ງໄປກວ່ານັ້ນ, ການປັ່ນປ່ວນຂອງລູກຄ້າສາມາດເກີດຂື້ນໃນອຸດສາຫະກໍາໃດກໍ່ຕາມ (ໂທລະຄົມ, ຜູ້ໃຫ້ບໍລິການອິນເຕີເນັດ, ບໍລິສັດປະກັນໄພ, ໂດຍທົ່ວໄປ, ບ່ອນໃດກໍ່ຕາມທີ່ມີຖານລູກຄ້າແລະການເຮັດທຸລະກໍາແຕ່ລະໄລຍະ).

ພວກເຮົາໄດ້ເຮັດຫຍັງແລ້ວ

ກ່ອນອື່ນ ໝົດ, ມັນ ຈຳ ເປັນຕ້ອງອະທິບາຍຂອບເຂດທີ່ຈະແຈ້ງ - ຕັ້ງແຕ່ເວລາໃດທີ່ພວກເຮົາເລີ່ມພິຈາລະນາລູກຄ້າໄດ້ປະໄວ້. ຈາກທັດສະນະຂອງທະນາຄານທີ່ສະຫນອງຂໍ້ມູນສໍາລັບການເຮັດວຽກຂອງພວກເຮົາ, ສະຖານະການກິດຈະກໍາຂອງລູກຄ້າແມ່ນສອງ - ລາວມີການເຄື່ອນໄຫວຫຼືບໍ່. ມີທຸງ ACTIVE_FLAG ໃນຕາຕະລາງ "ການເຄື່ອນໄຫວ", ມູນຄ່າຂອງທີ່ອາດຈະເປັນ "0" ຫຼື "1" ("ບໍ່ເຄື່ອນໄຫວ" ແລະ "ການເຄື່ອນໄຫວ" ຕາມລໍາດັບ). ແລະທຸກຢ່າງຈະດີ, ແຕ່ຄົນນັ້ນກໍ່ໃຊ້ມັນຢ່າງຫ້າວຫັນສໍາລັບບາງເວລາ, ແລະຫຼັງຈາກນັ້ນອອກຈາກບັນຊີລາຍຊື່ທີ່ມີການເຄື່ອນໄຫວເປັນເວລາຫນຶ່ງເດືອນ - ລາວເຈັບປ່ວຍ, ໄປປະເທດອື່ນໃນວັນພັກ, ຫຼືແມ້ກະທັ້ງໄປທົດສອບ. ບັດຈາກທະນາຄານອື່ນ. ຫຼືບາງທີຫຼັງຈາກບໍ່ມີການເຄື່ອນໄຫວເປັນເວລາດົນນານ, ເລີ່ມໃຊ້ບໍລິການຂອງທະນາຄານອີກຄັ້ງ

ດັ່ງນັ້ນ, ພວກເຮົາຕັດສິນໃຈໂທຫາໄລຍະເວລາທີ່ບໍ່ມີການເຄື່ອນໄຫວເປັນໄລຍະເວລາຢ່າງຕໍ່ເນື່ອງທີ່ແນ່ນອນໃນໄລຍະທີ່ທຸງສໍາລັບມັນຖືກຕັ້ງເປັນ "0".

ລູກຄ້າຍ້າຍຈາກບໍ່ເຄື່ອນໄຫວໄປສູ່ການເຄື່ອນໄຫວຫຼັງຈາກໄລຍະເວລາທີ່ບໍ່ມີການເຄື່ອນໄຫວຂອງຄວາມຍາວແຕກຕ່າງກັນ. ພວກເຮົາມີໂອກາດທີ່ຈະຄິດໄລ່ລະດັບຂອງມູນຄ່າ "ຄວາມຫນ້າເຊື່ອຖືຂອງໄລຍະເວລາທີ່ບໍ່ມີການເຄື່ອນໄຫວ" - ນັ້ນແມ່ນ, ຄວາມເປັນໄປໄດ້ທີ່ບຸກຄົນໃດຫນຶ່ງຈະເລີ່ມນໍາໃຊ້ຜະລິດຕະພັນຂອງທະນາຄານອີກເທື່ອຫນຶ່ງຫຼັງຈາກບໍ່ມີການເຄື່ອນໄຫວຊົ່ວຄາວ.

ຕົວຢ່າງ, ເສັ້ນສະແດງນີ້ສະແດງໃຫ້ເຫັນການສືບຕໍ່ກິດຈະກໍາ (ACTIVE_FLAG=1) ຂອງລູກຄ້າຫຼັງຈາກຫຼາຍໆເດືອນທີ່ບໍ່ມີການເຄື່ອນໄຫວ (ACTIVE_FLAG=0).

ໃນທີ່ນີ້ພວກເຮົາຈະໃຫ້ຄວາມກະຈ່າງແຈ້ງເລັກນ້ອຍກ່ຽວກັບຊຸດຂໍ້ມູນທີ່ພວກເຮົາໄດ້ເລີ່ມເຮັດວຽກ. ດັ່ງນັ້ນ, ທະນາຄານໄດ້ສະຫນອງຂໍ້ມູນລວມສໍາລັບ 19 ເດືອນໃນຕາຕະລາງຕໍ່ໄປນີ້:

• "ການເຄື່ອນໄຫວ" - ການເຮັດທຸລະກໍາຂອງລູກຄ້າປະຈໍາເດືອນ (ໂດຍບັດ, ໃນທະນາຄານອິນເຕີເນັດແລະທະນາຄານໂທລະສັບມືຖື), ລວມທັງບັນຊີເງິນເດືອນແລະຂໍ້ມູນກ່ຽວກັບລາຍໄດ້.
• “ບັດ” - ຂໍ້ມູນກ່ຽວກັບບັດທັງໝົດທີ່ລູກຄ້າມີ, ໂດຍມີຕາຕະລາງພາສີລະອຽດ.
• "ຂໍ້ຕົກລົງ" - ຂໍ້ມູນກ່ຽວກັບຂໍ້ຕົກລົງຂອງລູກຄ້າ (ທັງເປີດແລະປິດ): ເງິນກູ້, ເງິນຝາກ, ແລະອື່ນໆ, ຊີ້ບອກຕົວກໍານົດການຂອງແຕ່ລະຄົນ.
• "ລູກຄ້າ" - ຊຸດຂໍ້ມູນປະຊາກອນ (ເພດແລະອາຍຸ) ແລະຄວາມພ້ອມຂອງຂໍ້ມູນຕິດຕໍ່.

ສໍາລັບການເຮັດວຽກພວກເຮົາຕ້ອງການຕາຕະລາງທັງຫມົດຍົກເວັ້ນ "ແຜນທີ່".

ມີຄວາມຫຍຸ້ງຍາກອີກອັນຫນຶ່ງຢູ່ທີ່ນີ້ - ໃນຂໍ້ມູນນີ້ທະນາຄານບໍ່ໄດ້ລະບຸວ່າປະເພດຂອງກິດຈະກໍາທີ່ເກີດຂື້ນໃນບັດ. ນັ້ນແມ່ນ, ພວກເຮົາສາມາດເຂົ້າໃຈວ່າມີທຸລະກໍາຫຼືບໍ່, ແຕ່ພວກເຮົາບໍ່ສາມາດກໍານົດປະເພດຂອງພວກເຂົາໄດ້. ດັ່ງນັ້ນ, ມັນບໍ່ຊັດເຈນວ່າລູກຄ້າໄດ້ຖອນເງິນສົດ, ຮັບເງິນເດືອນ, ຫຼືໃຊ້ເງິນໃນການຊື້. ພວກເຮົາຍັງບໍ່ມີຂໍ້ມູນກ່ຽວກັບຍອດເງິນໃນບັນຊີ, ເຊິ່ງຈະເປັນປະໂຫຍດ.

ຕົວຢ່າງຕົວມັນເອງແມ່ນບໍ່ມີຄວາມລໍາອຽງ - ໃນພາກນີ້, ໃນໄລຍະ 19 ເດືອນ, ທະນາຄານບໍ່ໄດ້ພະຍາຍາມຮັກສາລູກຄ້າແລະຫຼຸດຜ່ອນການໄຫຼອອກ.

ດັ່ງນັ້ນ, ກ່ຽວກັບໄລຍະເວລາທີ່ບໍ່ມີການເຄື່ອນໄຫວ.

ເພື່ອສ້າງຄໍານິຍາມຂອງການປັ່ນປ່ວນ, ຕ້ອງເລືອກໄລຍະເວລາທີ່ບໍ່ມີການເຄື່ອນໄຫວ. ເພື່ອ​ສ້າງ​ການ​ຄາດ​ຄະ​ເນ churn ຢູ່​ໃນ​ຈຸດ​ທີ່​ໃຊ້​ເວ​ລາ​ໄດ້​ , ທ່ານຕ້ອງມີປະຫວັດລູກຄ້າຢ່າງຫນ້ອຍ 3 ເດືອນໃນຊ່ວງເວລາໃດຫນຶ່ງ . ປະຫວັດຂອງພວກເຮົາຖືກຈຳກັດໄວ້ທີ່ 19 ເດືອນ, ດັ່ງນັ້ນພວກເຮົາຈຶ່ງຕັດສິນໃຈໃຊ້ໄລຍະເວລາທີ່ບໍ່ມີການເຄື່ອນໄຫວຂອງ 6 ເດືອນ, ຖ້າມີ. ແລະສໍາລັບໄລຍະເວລາຕໍາ່ສຸດທີ່ສໍາລັບການຄາດຄະເນທີ່ມີຄຸນນະພາບສູງ, ພວກເຮົາໃຊ້ເວລາ 3 ເດືອນ. ພວກເຮົາໄດ້ເອົາຕົວເລກສໍາລັບ 3 ແລະ 6 ເດືອນໂດຍພື້ນຖານໂດຍອີງໃສ່ການວິເຄາະພຶດຕິກໍາຂໍ້ມູນຂອງລູກຄ້າ.

ພວກ​ເຮົາ​ໄດ້​ສ້າງ​ຄໍາ​ນິ​ຍາມ​ຂອງ churn ດັ່ງ​ຕໍ່​ໄປ​ນີ້​: ເດືອນ​ຂອງ​ລູກ​ຄ້າ churn​ ນີ້ແມ່ນເດືອນທໍາອິດທີ່ມີ ACTIVE_FLAG=0, ເຊິ່ງຈາກເດືອນນີ້ມີຢ່າງຫນ້ອຍຫົກສູນຕິດຕໍ່ກັນຢູ່ໃນຊ່ອງຂໍ້ມູນ ACTIVE_FLAG, ເວົ້າອີກຢ່າງຫນຶ່ງ, ເດືອນທີ່ລູກຄ້າບໍ່ເຄື່ອນໄຫວເປັນເວລາ 6 ເດືອນ.

ຈໍານວນລູກຄ້າທີ່ອອກໄປ

ຈໍານວນລູກຄ້າທີ່ຍັງເຫຼືອ

ການຄິດໄລ່ການຄິດໄລ່ແນວໃດ?

ໃນການແຂ່ງຂັນດັ່ງກ່າວ, ແລະໃນການປະຕິບັດໂດຍທົ່ວໄປ, outflow ມັກຈະຄາດຄະເນໃນລັກສະນະນີ້. ລູກຄ້າໃຊ້ຜະລິດຕະພັນແລະການບໍລິການໃນໄລຍະເວລາທີ່ແຕກຕ່າງກັນ, ຂໍ້ມູນກ່ຽວກັບການພົວພັນກັບລາວແມ່ນສະແດງເປັນ vector ຂອງລັກສະນະຂອງຄວາມຍາວຄົງທີ່ n. ສ່ວນຫຼາຍມັກ, ຂໍ້ມູນນີ້ປະກອບມີ:

• ຂໍ້ມູນລັກສະນະຜູ້ໃຊ້ (ຂໍ້ມູນປະຊາກອນ, ສ່ວນການຕະຫຼາດ).
• ປະຫວັດຂອງການນໍາໃຊ້ຜະລິດຕະພັນແລະການບໍລິການຂອງທະນາຄານ (ເຫຼົ່ານີ້ແມ່ນການກະທໍາຂອງລູກຄ້າທີ່ສະເຫມີຕິດກັບເວລາສະເພາະໃດຫນຶ່ງຫຼືໄລຍະເວລາຂອງໄລຍະທີ່ພວກເຮົາຕ້ອງການ).
• ຂໍ້ມູນພາຍນອກ, ຖ້າສາມາດໄດ້ຮັບມັນ - ຕົວຢ່າງ, ການທົບທວນຄືນຈາກເຄືອຂ່າຍສັງຄົມ.

ແລະຫຼັງຈາກນັ້ນ, ເຂົາເຈົ້າໄດ້ຮັບຄໍານິຍາມຂອງ churn, ແຕກຕ່າງກັນສໍາລັບແຕ່ລະວຽກງານ. ຫຼັງຈາກນັ້ນ, ພວກເຂົາໃຊ້ວິທີການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊິ່ງຄາດຄະເນຄວາມເປັນໄປໄດ້ທີ່ລູກຄ້າອອກໄປ ອີງໃສ່ vector ຂອງປັດໃຈ . ເພື່ອຝຶກອົບຮົມສູດການຄິດໄລ່, ຫນຶ່ງໃນກອບທີ່ມີຊື່ສຽງສໍາລັບການກໍ່ສ້າງຊຸດຂອງຕົ້ນໄມ້ການຕັດສິນໃຈແມ່ນຖືກນໍາໃຊ້, XGBoost, LightGBM, CatBoost ຫຼື​ການ​ດັດ​ແກ້​ຂອງ​ມັນ​.

ສູດການຄິດໄລ່ຕົວມັນເອງບໍ່ແມ່ນບໍ່ດີ, ແຕ່ມັນມີຂໍ້ເສຍທີ່ຮ້າຍແຮງຫຼາຍເມື່ອເວົ້າເຖິງການຄາດເດົາການປັ່ນປ່ວນ.

• ລາວບໍ່ມີອັນທີ່ເອີ້ນວ່າ "ຄວາມຊົງຈໍາ". ການປ້ອນຂໍ້ມູນຂອງແບບຈໍາລອງແມ່ນຈໍານວນທີ່ລະບຸໄວ້ຂອງລັກສະນະທີ່ສອດຄ້ອງກັບຈຸດປະຈຸບັນໃນເວລາ. ເພື່ອເກັບຮັກສາຂໍ້ມູນກ່ຽວກັບປະຫວັດການປ່ຽນແປງຂອງພາລາມິເຕີ, ມັນຈໍາເປັນຕ້ອງຄິດໄລ່ລັກສະນະພິເສດທີ່ມີລັກສະນະການປ່ຽນແປງຂອງພາລາມິເຕີໃນໄລຍະເວລາ, ຕົວຢ່າງ, ຈໍານວນຫຼືຈໍານວນການເຮັດທຸລະກໍາທະນາຄານໃນໄລຍະ 1,2,3, XNUMX, XNUMX ເດືອນຜ່ານມາ. ວິທີການນີ້ສາມາດສະທ້ອນເຖິງລັກສະນະຂອງການປ່ຽນແປງຊົ່ວຄາວເທົ່ານັ້ນ.
• ຂອບເຂດການພະຍາກອນຄົງທີ່. ຮູບແບບແມ່ນພຽງແຕ່ສາມາດຄາດຄະເນການປັ່ນປ່ວນຂອງລູກຄ້າໃນໄລຍະເວລາທີ່ກໍານົດໄວ້ລ່ວງຫນ້າ, ຕົວຢ່າງ, ການຄາດຄະເນຫນຶ່ງເດືອນລ່ວງຫນ້າ. ຖ້າການຄາດຄະເນແມ່ນຕ້ອງການສໍາລັບໄລຍະເວລາທີ່ແຕກຕ່າງກັນ, ສໍາລັບຕົວຢ່າງ, ສາມເດືອນ, ຫຼັງຈາກນັ້ນທ່ານຈໍາເປັນຕ້ອງສ້າງຊຸດຝຶກອົບຮົມຄືນໃຫມ່ແລະຝຶກອົບຮົມຮູບແບບໃຫມ່.

ວິທີການຂອງພວກເຮົາ

ພວກເຮົາຕັດສິນໃຈທັນທີວ່າພວກເຮົາຈະບໍ່ໃຊ້ວິທີການມາດຕະຖານ. ນອກ​ຈາກ​ພວກ​ເຮົາ​, ມີ 497 ຄົນ​ທີ່​ໄດ້​ລົງ​ທະ​ບຽນ​ໃນ​ການ​ຊະ​ນະ​ເລີດ​, ແຕ່​ລະ​ຄົນ​ມີ​ປະ​ສົບ​ການ​ຫຼາຍ​ທີ່​ຢູ່​ເບື້ອງ​ຫຼັງ​ຂອງ​ເຂົາ​ເຈົ້າ​. ດັ່ງນັ້ນການພະຍາຍາມເຮັດບາງສິ່ງບາງຢ່າງຕາມໂຄງການມາດຕະຖານໃນເງື່ອນໄຂດັ່ງກ່າວບໍ່ແມ່ນຄວາມຄິດທີ່ດີ.

ແລະພວກເຮົາໄດ້ເລີ່ມແກ້ໄຂບັນຫາທີ່ກໍາລັງປະເຊີນກັບຮູບແບບການຈັດປະເພດຖານສອງໂດຍການຄາດຄະເນການແຈກຢາຍຄວາມເປັນໄປໄດ້ຂອງເວລາ churn ຂອງລູກຄ້າ. ວິທີການທີ່ຄ້າຍຄືກັນສາມາດເຫັນໄດ້ ທີ່ນີ້, ມັນອະນຸຍາດໃຫ້ທ່ານສາມາດຄາດຄະເນ churn ມີຄວາມຍືດຫຍຸ່ນຫຼາຍແລະທົດສອບ hypotheses ສະລັບສັບຊ້ອນຫຼາຍກ່ວາໃນວິທີການຄລາສສິກ. ໃນຖານະເປັນຄອບຄົວຂອງການແຈກຢາຍສ້າງແບບຈໍາລອງເວລາອອກ, ພວກເຮົາເລືອກການແຈກຢາຍ Weibull ສໍາລັບການນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການວິເຄາະການຢູ່ລອດ. ພຶດຕິກໍາຂອງລູກຄ້າສາມາດຖືກເບິ່ງວ່າເປັນປະເພດຂອງການຢູ່ລອດ.

ນີ້ແມ່ນຕົວຢ່າງຂອງການແຈກຢາຍຄວາມຫນາແຫນ້ນຂອງຄວາມເປັນໄປໄດ້ Weibull ຂຶ້ນກັບພາລາມິເຕີ и :

ນີ້ແມ່ນຫນ້າທີ່ຄວາມຫນາແຫນ້ນຂອງຄວາມເປັນໄປໄດ້ຂອງສາມລູກຄ້າທີ່ແຕກຕ່າງກັນ churn ໃນໄລຍະເວລາ. ເວລາຖືກນໍາສະເຫນີເປັນເດືອນ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ເສັ້ນສະແດງນີ້ສະແດງໃຫ້ເຫັນເວລາທີ່ລູກຄ້າມີແນວໂນ້ມທີ່ຈະປັ່ນປ່ວນໃນສອງເດືອນຂ້າງຫນ້າ, ດັ່ງທີ່ເຈົ້າສາມາດເຫັນໄດ້, ລູກຄ້າທີ່ມີການແຈກຢາຍມີທ່າແຮງທີ່ຈະອອກໄປໄວກວ່າລູກຄ້າທີ່ມີ Weibull (2, 0.5) ແລະ Weibull. (3,1) ການແຈກຢາຍ.

ຜົນໄດ້ຮັບແມ່ນຮູບແບບທີ່, ສໍາລັບລູກຄ້າທຸກຄົນ, ສໍາລັບທຸກໆ
ເດືອນຄາດຄະເນຕົວກໍານົດການຂອງການແຈກຢາຍ Weibull, ເຊິ່ງສະທ້ອນໃຫ້ເຫັນເຖິງການປະກົດຕົວຂອງຄວາມເປັນໄປໄດ້ຂອງການໄຫຼອອກໃນໄລຍະເວລາທີ່ດີທີ່ສຸດ. ໃນລາຍລະອຽດເພີ່ມເຕີມ:

• ລັກສະນະເປົ້າຫມາຍໃນຊຸດການຝຶກອົບຮົມແມ່ນເວລາທີ່ຍັງເຫຼືອຈົນກ່ວາ churn ໃນເດືອນສະເພາະສໍາລັບລູກຄ້າສະເພາະ.
• ຖ້າບໍ່ມີອັດຕາ churn ສໍາລັບລູກຄ້າ, ພວກເຮົາສົມມຸດວ່າເວລາ churn ແມ່ນຫຼາຍກ່ວາຈໍານວນເດືອນຈາກເດືອນປະຈຸບັນເຖິງທ້າຍຂອງປະຫວັດສາດທີ່ພວກເຮົາມີ.
• ຮູບແບບທີ່ໃຊ້: ເຄືອຂ່າຍ neural ທີ່ເກີດຂຶ້ນຊ້ຳກັບຊັ້ນ LSTM.
• ໃນຖານະເປັນຫນ້າທີ່ສູນເສຍ, ພວກເຮົາໃຊ້ຟັງຊັນ log-likelihood ລົບສໍາລັບການແຈກຢາຍ Weibull.

ນີ້ແມ່ນຂໍ້ດີຂອງວິທີການນີ້:

• ການແຈກຢາຍຄວາມເປັນໄປໄດ້, ນອກເຫນືອຈາກຄວາມເປັນໄປໄດ້ທີ່ຊັດເຈນຂອງການຈັດປະເພດຄູ່, ຊ່ວຍໃຫ້ການຄາດຄະເນທີ່ຍືດຫຍຸ່ນຂອງເຫດການຕ່າງໆ, ສໍາລັບຕົວຢ່າງ, ລູກຄ້າຈະຢຸດເຊົາການໃຊ້ບໍລິການຂອງທະນາຄານພາຍໃນ 3 ເດືອນ. ນອກຈາກນັ້ນ, ຖ້າຈໍາເປັນ, ຕົວຊີ້ວັດຕ່າງໆສາມາດຖືກສະເລ່ຍຕໍ່ການແຈກຢາຍນີ້.
• ເຄືອຂ່າຍ neural recurrent LSTM ມີຄວາມຊົງຈໍາແລະປະສິດທິຜົນການນໍາໃຊ້ປະຫວັດສາດທີ່ມີຢູ່ທັງຫມົດ. ເມື່ອເລື່ອງຖືກຂະຫຍາຍ ຫຼືປັບປຸງ, ຄວາມຖືກຕ້ອງເພີ່ມຂຶ້ນ.
• ວິທີການດັ່ງກ່າວສາມາດປັບຂະຫນາດໄດ້ງ່າຍຂຶ້ນເມື່ອແບ່ງໄລຍະເວລາອອກເປັນຂະຫນາດນ້ອຍກວ່າ (ຕົວຢ່າງ, ເມື່ອແບ່ງເດືອນເປັນອາທິດ).

ແຕ່ມັນບໍ່ພຽງພໍທີ່ຈະສ້າງຕົວແບບທີ່ດີ; ທ່ານຍັງຈໍາເປັນຕ້ອງໄດ້ປະເມີນຄຸນນະພາບຂອງມັນຢ່າງຖືກຕ້ອງ.

ຄຸນນະພາບຖືກປະເມີນແນວໃດ?

ພວກເຮົາເລືອກ Lift Curve ເປັນຕົວວັດແທກ. ມັນຖືກນໍາໃຊ້ໃນທຸລະກິດສໍາລັບກໍລະນີດັ່ງກ່າວເນື່ອງຈາກການຕີຄວາມຊັດເຈນຂອງມັນ, ມັນຖືກອະທິບາຍໄດ້ດີ ທີ່ນີ້ и ທີ່ນີ້. ຖ້າທ່ານອະທິບາຍຄວາມຫມາຍຂອງຕົວຊີ້ວັດນີ້ໃນປະໂຫຍກຫນຶ່ງ, ມັນຈະເປັນ "ຈັກຄັ້ງທີ່ algorithm ເຮັດໃຫ້ການຄາດຄະເນທີ່ດີທີ່ສຸດໃນຄັ້ງທໍາອິດ. % ຫຼາຍກວ່າແບບສຸ່ມ."

ຮູບແບບການຝຶກອົບຮົມ

ເງື່ອນ​ໄຂ​ການ​ແຂ່ງ​ຂັນ​ບໍ່​ໄດ້​ສ້າງ​ມາດ​ຕະ​ການ​ຄຸນ​ນະ​ພາບ​ສະ​ເພາະ​ໂດຍ​ທີ່​ຮູບ​ແບບ​ແລະ​ວິ​ທີ​ການ​ທີ່​ແຕກ​ຕ່າງ​ກັນ​ສາ​ມາດ​ປຽບ​ທຽບ​ໄດ້​. ຍິ່ງໄປກວ່ານັ້ນ, ຄໍານິຍາມຂອງ churn ສາມາດແຕກຕ່າງກັນແລະອາດຈະຂຶ້ນກັບຄໍາຖະແຫຼງການບັນຫາ, ເຊິ່ງ, ໃນທາງກັບກັນ, ຖືກກໍານົດໂດຍເປົ້າຫມາຍທຸລະກິດ. ດັ່ງນັ້ນ, ເພື່ອເຂົ້າໃຈວ່າວິທີການໃດດີກວ່າ, ພວກເຮົາໄດ້ຝຶກອົບຮົມສອງແບບ:

1. ວິ​ທີ​ການ​ຈັດ​ປະ​ເພດ​ຄູ່​ທີ່​ນໍາ​ໃຊ້​ທົ່ວ​ໄປ​ໂດຍ​ການ​ນໍາ​ໃຊ້​ວິ​ທີ​ການ​ຂອງ​ການ​ຮຽນ​ຮູ້​ເຄື່ອງ​ຕັດ​ໄມ້​ຕົ້ນ​ໄມ້​ການ​ຕັດ​ສິນ​ໃຈ​ກຸ່ມ (LightGBM);
2. ຮູບແບບ Weibull-LSTM

ຊຸດທົດສອບປະກອບດ້ວຍ 500 ລູກຄ້າທີ່ເລືອກໄວ້ລ່ວງໜ້າ ຜູ້ທີ່ບໍ່ໄດ້ຢູ່ໃນຊຸດຝຶກອົບຮົມ. Hyper-parameters ໄດ້ຖືກເລືອກສໍາລັບຕົວແບບໂດຍໃຊ້ການກວດສອບຂ້າມ, ແບ່ງອອກໂດຍລູກຄ້າ. ຊຸດລັກສະນະດຽວກັນໄດ້ຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມແຕ່ລະແບບ.

ເນື່ອງຈາກຄວາມຈິງທີ່ວ່າຕົວແບບບໍ່ມີຄວາມຊົງຈໍາ, ລັກສະນະພິເສດໄດ້ຖືກປະຕິບັດສໍາລັບມັນ, ສະແດງໃຫ້ເຫັນອັດຕາສ່ວນການປ່ຽນແປງຂອງຕົວກໍານົດການສໍາລັບຫນຶ່ງເດືອນກັບຄ່າສະເລ່ຍຂອງພາລາມິເຕີໃນໄລຍະສາມເດືອນຜ່ານມາ. ສິ່ງທີ່ມີລັກສະນະອັດຕາການປ່ຽນແປງຂອງມູນຄ່າໃນໄລຍະສາມເດືອນທີ່ຜ່ານມາ. ຖ້າບໍ່ມີສິ່ງນີ້, ຮູບແບບທີ່ອີງໃສ່ປ່າໄມ້ Random ຈະເປັນຈຸດເສຍປຽບທຽບກັບ Weibull-LSTM.

ເປັນຫຍັງ LSTM ດ້ວຍການແຈກຢາຍ Weibull ແມ່ນດີກ່ວາວິທີການຕັດສີນໄມ້ແບບກຸ່ມ

ທຸກສິ່ງທຸກຢ່າງຈະແຈ້ງຢູ່ທີ່ນີ້ໃນພຽງແຕ່ສອງສາມຮູບ.

ການປຽບທຽບ Lift Curve ສໍາລັບສູດການຄິດໄລ່ຄລາສສິກ ແລະ Weibull-LSTM

ການປຽບທຽບການວັດແທກເສັ້ນໂຄ້ງຍົກເປັນເດືອນສຳລັບສູດການຄິດໄລ່ແບບຄລາສສິກ ແລະ Weibull-LSTM

ໂດຍທົ່ວໄປ, LSTM ແມ່ນດີກວ່າ algorithm ຄລາສສິກໃນເກືອບທຸກກໍລະນີ.

ການຄາດຄະເນການປັ່ນປ່ວນ

ຮູບແບບທີ່ອີງໃສ່ເຄືອຂ່າຍ neural ທີ່ເກີດຂື້ນກັບຈຸລັງ LSTM ທີ່ມີການແຈກຢາຍ Weibull ສາມາດຄາດຄະເນການປັ່ນປ່ວນລ່ວງຫນ້າ, ຕົວຢ່າງ, ຄາດຄະເນການປັ່ນປ່ວນຂອງລູກຄ້າພາຍໃນ n ເດືອນຂ້າງຫນ້າ. ພິຈາລະນາກໍລະນີສໍາລັບ n = 3. ໃນກໍລະນີນີ້, ສໍາລັບແຕ່ລະເດືອນ, ເຄືອຂ່າຍ neural ຕ້ອງກໍານົດຢ່າງຖືກຕ້ອງວ່າລູກຄ້າຈະອອກໄປ, ເລີ່ມຕົ້ນຈາກເດືອນຕໍ່ໄປແລະຈົນກ່ວາເດືອນທີ n. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ມັນຕ້ອງກໍານົດຢ່າງຖືກຕ້ອງວ່າລູກຄ້າຈະຍັງຄົງຢູ່ຫຼັງຈາກເດືອນ. ນີ້ສາມາດຖືວ່າເປັນການຄາດຄະເນລ່ວງຫນ້າ: ຄາດຄະເນເວລາທີ່ລູກຄ້າພຽງແຕ່ເລີ່ມຄິດກ່ຽວກັບການອອກໄປ.

ໃຫ້ສົມທຽບ Lift Curve ສໍາລັບ Weibull-LSTM 1, 2 ແລະ 3 ເດືອນກ່ອນການໄຫຼອອກ:

ພວກເຮົາໄດ້ຂຽນແລ້ວຂ້າງເທິງວ່າການຄາດຄະເນທີ່ເຮັດສໍາລັບລູກຄ້າທີ່ບໍ່ມີການເຄື່ອນໄຫວສໍາລັບບາງເວລາແມ່ນມີຄວາມສໍາຄັນເຊັ່ນກັນ. ດັ່ງນັ້ນ, ໃນທີ່ນີ້ພວກເຮົາຈະເພີ່ມຕົວຢ່າງກໍລະນີດັ່ງກ່າວເມື່ອລູກຄ້າທີ່ອອກເດີນທາງບໍ່ໄດ້ເຮັດວຽກແລ້ວສໍາລັບຫນຶ່ງຫຼືສອງເດືອນ, ແລະກວດເບິ່ງວ່າ Weibull-LSTM ຈັດປະເພດກໍລະນີເຊັ່ນ churn ຢ່າງຖືກຕ້ອງ. ເນື່ອງຈາກກໍລະນີດັ່ງກ່າວມີຢູ່ໃນຕົວຢ່າງ, ພວກເຮົາຄາດວ່າເຄືອຂ່າຍຈະຈັດການກັບພວກມັນໄດ້ດີ:

ການຮັກສາລູກຄ້າ

ຕົວຈິງແລ້ວ, ນີ້ແມ່ນສິ່ງຕົ້ນຕໍທີ່ສາມາດເຮັດໄດ້, ມີຂໍ້ມູນຢູ່ໃນມືວ່າລູກຄ້າດັ່ງກ່າວແລະລູກຄ້າດັ່ງກ່າວກໍາລັງກະກຽມທີ່ຈະຢຸດເຊົາການນໍາໃຊ້ຜະລິດຕະພັນ. ການເວົ້າກ່ຽວກັບການສ້າງແບບຈໍາລອງທີ່ສາມາດສະເຫນີບາງສິ່ງບາງຢ່າງທີ່ເປັນປະໂຫຍດແກ່ລູກຄ້າເພື່ອຮັກສາພວກມັນ, ນີ້ບໍ່ສາມາດເຮັດໄດ້ຖ້າທ່ານບໍ່ມີປະຫວັດຂອງຄວາມພະຍາຍາມທີ່ຄ້າຍຄືກັນທີ່ຈະສິ້ນສຸດໄດ້ດີ.

ພວກ​ເຮົາ​ບໍ່​ໄດ້​ມີ​ເລື່ອງ​ດັ່ງ​ກ່າວ​, ສະ​ນັ້ນ​ພວກ​ເຮົາ​ໄດ້​ຕັດ​ສິນ​ໃຈ​ມັນ​ວິ​ທີ​ການ​ນີ້​.

1. ພວກເຮົາກໍາລັງສ້າງຕົວແບບທີ່ກໍານົດຜະລິດຕະພັນທີ່ຫນ້າສົນໃຈສໍາລັບລູກຄ້າແຕ່ລະຄົນ.
2. ທຸກໆເດືອນພວກເຮົາດໍາເນີນການຈັດປະເພດແລະກໍານົດລູກຄ້າທີ່ເປັນໄປໄດ້.
3. ພວກເຮົາສະເຫນີໃຫ້ລູກຄ້າບາງຄົນຜະລິດຕະພັນ, ອີງຕາມຕົວແບບຈາກຈຸດ 1, ແລະຈື່ຈໍາການກະທໍາຂອງພວກເຮົາ.
4. ຫຼັງຈາກສອງສາມເດືອນ, ພວກເຮົາເບິ່ງວ່າອັນໃດທີ່ອາດຈະເຮັດໃຫ້ລູກຄ້າເຫຼົ່ານີ້ຖືກປະໄວ້ແລະອັນໃດທີ່ຍັງຄົງຢູ່. ດັ່ງນັ້ນ, ພວກເຮົາປະກອບເປັນຕົວຢ່າງການຝຶກອົບຮົມ.
5. ພວກເຮົາຝຶກອົບຮົມຮູບແບບການນໍາໃຊ້ປະຫວັດສາດທີ່ໄດ້ຮັບໃນຂັ້ນຕອນທີ 4.
6. ທາງເລືອກ, ພວກເຮົາເຮັດຊ້ໍາຂັ້ນຕອນ, ປ່ຽນຕົວແບບຈາກຂັ້ນຕອນທີ 1 ດ້ວຍຕົວແບບທີ່ໄດ້ຮັບໃນຂັ້ນຕອນ 5.

ການທົດສອບຄຸນນະພາບຂອງການເກັບຮັກສາດັ່ງກ່າວສາມາດເຮັດໄດ້ໂດຍການທົດສອບ A/B ປົກກະຕິ - ພວກເຮົາແບ່ງລູກຄ້າທີ່ອາດຈະອອກໄປເປັນສອງກຸ່ມ. ພວກເຮົາສະເຫນີຜະລິດຕະພັນໃຫ້ຫນຶ່ງໂດຍອີງໃສ່ຮູບແບບການເກັບຮັກສາຂອງພວກເຮົາ, ແລະກັບຄົນອື່ນພວກເຮົາສະເຫນີບໍ່ມີຫຍັງ. ພວກ​ເຮົາ​ໄດ້​ຕັດ​ສິນ​ໃຈ​ທີ່​ຈະ​ຝຶກ​ອົບ​ຮົມ​ຕົວ​ແບບ​ທີ່​ສາ​ມາດ​ເປັນ​ປະ​ໂຫຍດ​ແລ້ວ​ຢູ່​ໃນ​ຈຸດ 1 ຂອງ​ຕົວ​ຢ່າງ​ຂອງ​ພວກ​ເຮົາ​.

ພວກ​ເຮົາ​ຕ້ອງ​ການ​ທີ່​ຈະ​ເຮັດ​ໃຫ້​ການ​ແບ່ງ​ປັນ​ເປັນ​ການ​ຕີ​ລາ​ຄາ​ເປັນ​ໄປ​ໄດ້​. ເພື່ອເຮັດສິ່ງນີ້, ພວກເຮົາໄດ້ເລືອກເອົາລັກສະນະຈໍານວນຫນຶ່ງທີ່ສາມາດຕີຄວາມຫມາຍໄດ້ງ່າຍ: ຈໍານວນການເຮັດທຸລະກໍາທັງຫມົດ, ຄ່າຈ້າງ, ຈໍານວນບັນຊີທັງຫມົດ, ອາຍຸ, ເພດ. ຄຸນນະສົມບັດຈາກຕາຕະລາງ "ແຜນທີ່" ບໍ່ໄດ້ຖືກພິຈາລະນາເປັນຂໍ້ມູນທີ່ບໍ່ມີຂໍ້ມູນ, ແລະຄຸນສົມບັດຈາກຕາຕະລາງ 3 "ສັນຍາ" ບໍ່ໄດ້ຖືກພິຈາລະນາເນື່ອງຈາກຄວາມສັບສົນຂອງການປຸງແຕ່ງເພື່ອຫຼີກເວັ້ນການຮົ່ວໄຫລຂອງຂໍ້ມູນລະຫວ່າງຊຸດການກວດສອບແລະຊຸດຝຶກອົບຮົມ.

ການຈັດກຸ່ມໄດ້ຖືກປະຕິບັດໂດຍໃຊ້ຕົວແບບປະສົມ Gaussian. ເງື່ອນໄຂຂໍ້ມູນ Akaike ອະນຸຍາດໃຫ້ພວກເຮົາກໍານົດ 2 optima. ດີທີ່ສຸດທຳອິດແມ່ນກົງກັບ 1 ກຸ່ມ. ອັນທີສອງທີ່ດີທີ່ສຸດ, ອອກສຽງໜ້ອຍ, ກົງກັບ 80 ກຸ່ມ. ອີງຕາມຜົນໄດ້ຮັບນີ້, ພວກເຮົາສາມາດສະຫຼຸບດັ່ງຕໍ່ໄປນີ້: ມັນເປັນການຍາກທີ່ສຸດທີ່ຈະແບ່ງຂໍ້ມູນອອກເປັນກຸ່ມໂດຍບໍ່ມີການໃຫ້ຂໍ້ມູນກ່ອນ. ສໍາລັບການຈັດກຸ່ມທີ່ດີກວ່າ, ທ່ານຕ້ອງການຂໍ້ມູນທີ່ອະທິບາຍລູກຄ້າແຕ່ລະຄົນຢ່າງລະອຽດ.

ດັ່ງນັ້ນ, ບັນຫາຂອງການຮຽນຮູ້ການເບິ່ງແຍງໄດ້ຖືກພິຈາລະນາເພື່ອສະເຫນີໃຫ້ລູກຄ້າແຕ່ລະຄົນມີຜະລິດຕະພັນທີ່ແຕກຕ່າງກັນ. ຜະລິດຕະພັນຕໍ່ໄປນີ້ໄດ້ຖືກພິຈາລະນາ: "ເງິນຝາກໄລຍະເວລາ", "ບັດເຄຣດິດ", "ເງິນເກີນ", "ເງິນກູ້ຜູ້ບໍລິໂພກ", "ສິນເຊື່ອລົດ", "ຈໍານອງ".

ຂໍ້ມູນດັ່ງກ່າວລວມມີຜະລິດຕະພັນອີກອັນໜຶ່ງ: “ບັນຊີປະຈຸບັນ”. ແຕ່ພວກເຮົາບໍ່ໄດ້ພິຈາລະນາມັນເນື່ອງຈາກເນື້ອຫາຂໍ້ມູນຕ່ໍາຂອງມັນ. ສໍາລັບຜູ້ໃຊ້ທີ່ເປັນລູກຄ້າທະນາຄານ, i.e. ບໍ່ໄດ້ຢຸດເຊົາການນໍາໃຊ້ຜະລິດຕະພັນຂອງຕົນ, ຮູບແບບໄດ້ຖືກສ້າງຂື້ນເພື່ອຄາດຄະເນວ່າຜະລິດຕະພັນໃດທີ່ອາດຈະມີຄວາມສົນໃຈກັບພວກເຂົາ. ການຖົດຖອຍຂອງ logistic ໄດ້ຖືກເລືອກເປັນຕົວແບບ, ແລະຄ່າ Lift ສໍາລັບ 10 ເປີເຊັນທໍາອິດຖືກນໍາໃຊ້ເປັນຕົວຊີ້ວັດການປະເມີນຄຸນນະພາບ.

ຄຸນະພາບຂອງຕົວແບບສາມາດຖືກປະເມີນຢູ່ໃນຮູບ.

ຜົນໄດ້ຮັບຮູບແບບການແນະນໍາຜະລິດຕະພັນສໍາລັບລູກຄ້າ

ຜົນໄດ້ຮັບ

ວິທີການນີ້ໄດ້ນໍາເອົາພວກເຮົາອັນດັບທໍາອິດໃນປະເພດ "AI ໃນທະນາຄານ" ໃນ RAIF-Challenge 2017 AI Championship.

ປາກົດຂື້ນ, ສິ່ງທີ່ສໍາຄັນແມ່ນການເຂົ້າຫາບັນຫາຈາກມຸມທີ່ບໍ່ທໍາມະດາແລະໃຊ້ວິທີການທີ່ປົກກະຕິແລ້ວໃຊ້ກັບສະຖານະການອື່ນໆ.

ເຖິງແມ່ນວ່າການໄຫຼອອກຂອງຜູ້ຊົມໃຊ້ຢ່າງຫຼວງຫຼາຍອາດຈະເປັນໄພພິບັດທໍາມະຊາດສໍາລັບການບໍລິການ.

ວິທີການນີ້ສາມາດຖືກນໍາໄປໃຊ້ໃນບັນຊີສໍາລັບພື້ນທີ່ອື່ນໆທີ່ມັນຈໍາເປັນຕ້ອງຄໍານຶງເຖິງການໄຫຼອອກ, ບໍ່ພຽງແຕ່ທະນາຄານເທົ່ານັ້ນ. ຕົວຢ່າງ, ພວກເຮົາໃຊ້ມັນເພື່ອຄິດໄລ່ການໄຫຼອອກຂອງພວກເຮົາ - ໃນສາຂາ Siberian ແລະ St. Petersburg ຂອງ Rostelecom.

"Data Mining Laboratory" ບໍລິສັດ "ປະຕູຄົ້ນຫາ "Sputnik"

ແຫຼ່ງຂໍ້ມູນ: www.habr.com