कसरी प्राकृतिक प्रकोपजस्तै आइपुग्दा हामीले मन्थनको भविष्यवाणी गर्यौं

कहिलेकाहीँ, एक समस्या समाधान गर्न को लागी, तपाईले यसलाई फरक कोणबाट हेर्नु पर्छ। यदि विगत १० वर्षमा समान समस्याहरू विभिन्न प्रभावहरूका साथ एउटै तरिकाले समाधान गरिएको छ भने, यो एक मात्र विधि हो भन्ने तथ्य होइन।

ग्राहक मन्थन जस्ता विषय छन्। कुरा अपरिहार्य छ, किनकि कुनै पनि कम्पनीका ग्राहकहरूले धेरै कारणहरूका लागि, यसको उत्पादन वा सेवाहरू प्रयोग गर्न बन्द गर्न सक्छन्। निस्सन्देह, कम्पनीको लागि, मथन एक प्राकृतिक हो, तर सबैभन्दा वांछनीय कार्य होइन, त्यसैले सबैले यो मन्थनलाई कम गर्न प्रयास गर्छन्। अझ राम्रो, प्रयोगकर्ताहरूको एक विशेष श्रेणी, वा एक विशिष्ट प्रयोगकर्ताको लागि मन्थनको सम्भावनाको भविष्यवाणी गर्नुहोस्, र तिनीहरूलाई कायम राख्न केही चरणहरू सुझाव दिनुहोस्।

कम्तिमा निम्न कारणहरूको लागि, यदि सम्भव भएमा, ग्राहकलाई राख्ने प्रयास गर्न आवश्यक छ:

• नयाँ ग्राहकहरूलाई आकर्षित गर्न प्रतिधारण प्रक्रियाहरू भन्दा महँगो छ। नयाँ ग्राहकहरूलाई आकर्षित गर्न, नियमको रूपमा, तपाईंले केही पैसा (विज्ञापन) खर्च गर्न आवश्यक छ, जबकि अवस्थित ग्राहकहरूलाई विशेष सर्तहरूको साथ विशेष प्रस्तावको साथ सक्रिय गर्न सकिन्छ;
• ग्राहकहरू किन छोड्नुका कारणहरू बुझ्नु उत्पादन र सेवाहरू सुधार गर्ने कुञ्जी हो.

मंथन भविष्यवाणी गर्न मानक दृष्टिकोणहरू छन्। तर एउटा एआई च्याम्पियनसिपमा, हामीले यसको लागि Weibull वितरण प्रयास गर्ने निर्णय गर्यौं। यो प्रायः जीवितता विश्लेषण, मौसम पूर्वानुमान, प्राकृतिक प्रकोप विश्लेषण, औद्योगिक ईन्जिनियरिङ् र जस्तै लागि प्रयोग गरिन्छ। Weibull वितरण दुई प्यारामिटरहरू द्वारा प्यारामिटराइज्ड विशेष वितरण प्रकार्य हो и .

विकिपीडिया

सामान्यतया, यो एक चाखलाग्दो कुरा हो, तर पूर्वानुमान बहिर्वाहको लागि, र सामान्यतया फिनटेकमा, यो प्राय: प्रयोग गरिएको छैन। कट तल हामी तपाईलाई बताउनेछौं कि कसरी हामीले (डेटा माइनिङ ल्याबोरेटरी) ले यो गर्‍यौं, एकै साथ आर्टिफिसियल इन्टेलिजेन्स च्याम्पियनसिपमा “एआई इन बैंक्स” श्रेणीमा स्वर्ण जित्यौं।

सामान्यतया मन्थनको बारेमा

ग्राहक मन्थन के हो र यो किन महत्त्वपूर्ण छ भन्ने बारे थोरै बुझौं। व्यवसायको लागि ग्राहक आधार महत्त्वपूर्ण छ। नयाँ ग्राहकहरू यस आधारमा आउँछन्, उदाहरणका लागि, विज्ञापनबाट उत्पादन वा सेवाको बारेमा थाहा पाएर, केही समय (सक्रिय रूपमा उत्पादनहरू प्रयोग गर्नुहोस्) र केही समय पछि यसलाई प्रयोग गर्न बन्द गर्नुहोस्। यस अवधिलाई "ग्राहक जीवनचक्र" भनिन्छ - एक शब्द जसले ग्राहकले उत्पादनको बारेमा थाहा पाउँदा, खरिद निर्णय गर्ने, भुक्तानी गर्ने, प्रयोग गर्ने र वफादार उपभोक्ता बन्ने र अन्ततः उत्पादन प्रयोग गर्न बन्द गर्ने चरणहरू वर्णन गर्दछ। एक कारण वा अर्कोको लागि। तदनुसार, मन्थन ग्राहकको जीवन चक्रको अन्तिम चरण हो, जब ग्राहकले सेवाहरू प्रयोग गर्न बन्द गर्दछ, र व्यवसायको लागि यसको मतलब ग्राहकले नाफा वा कुनै फाइदा ल्याउन छाडेको छ।

प्रत्येक बैंक ग्राहक एक विशिष्ट व्यक्ति हो जसले विशेष गरी आफ्नो आवश्यकताको लागि एक वा अर्को बैंक कार्ड छनौट गर्दछ। यदि तपाइँ प्राय: यात्रा गर्नुहुन्छ भने, माइल सहितको कार्ड काममा आउनेछ। धेरै किन्नुहोस् - नमस्कार, क्यासब्याक कार्ड। उसले विशेष पसलहरूमा धेरै किन्छ - र त्यहाँ पहिले नै यसको लागि विशेष साझेदार प्लास्टिक छ। निस्सन्देह, कहिलेकाहीँ "सस्तो सेवा" मापदण्डमा आधारित कार्ड चयन गरिन्छ। सामान्यतया, यहाँ पर्याप्त चरहरू छन्।

र एक व्यक्तिले बैंक आफैं पनि रोज्छ - के त्यहाँ बैंकबाट कार्ड छनोट गर्ने कुनै अर्थ छ जसको शाखाहरू मस्को र क्षेत्रमा मात्र छन्, जब तपाईं खाबरोव्स्कबाट हुनुहुन्छ? यदि यस्तो बैंकबाट कार्ड कम्तिमा 2 गुणा बढी लाभदायक छ भने, नजिकैको बैंक शाखाहरूको उपस्थिति अझै पनि महत्त्वपूर्ण मापदण्ड हो। हो, २०१९ आइसकेको छ र डिजिटल नै हाम्रो सबै कुरा हो, तर केही बैंकहरूमा भएका धेरै समस्याहरू शाखाबाट मात्रै समाधान गर्न सकिन्छ। साथै, फेरि, जनसंख्याको केहि भागले स्मार्टफोनमा एप्लिकेसन भन्दा धेरै भौतिक बैंकलाई विश्वास गर्दछ, यो पनि ध्यानमा राख्न आवश्यक छ।

नतिजाको रूपमा, एक व्यक्तिले बैंक उत्पादनहरू (वा बैंक आफै) अस्वीकार गर्न धेरै कारणहरू हुन सक्छ। मैले जागिरहरू परिवर्तन गरें, र कार्ड ट्यारिफ तलबबाट "मात्र मर्त्यहरूको लागि" मा परिवर्तन भयो, जुन कम लाभदायक छ। म अर्को सहरमा गएँ जहाँ बैंकको शाखा छैन। मलाई शाखामा अयोग्य अपरेटरसँगको अन्तरक्रिया मन परेन। त्यो हो, उत्पादन प्रयोग गर्नु भन्दा एक खाता बन्द गर्न को लागी धेरै कारणहरु हुन सक्छ।

र ग्राहकले स्पष्ट रूपमा आफ्नो इरादा व्यक्त गर्न सक्दैन - बैंकमा आउनुहोस् र कथन लेख्नुहोस्, तर केवल अनुबंध समाप्त नगरी उत्पादनहरू प्रयोग गर्न बन्द गर्नुहोस्। त्यस्ता समस्याहरू बुझ्न मेसिन लर्निङ र एआई प्रयोग गर्ने निर्णय गरियो।

यसबाहेक, ग्राहक मंथन कुनै पनि उद्योगमा हुन सक्छ (दूरसंचार, इन्टरनेट प्रदायक, बीमा कम्पनीहरू, सामान्यतया, जहाँ जहाँ ग्राहक आधार र आवधिक लेनदेन)।

हामीले के गरेका छौं

सबै भन्दा पहिले, यो स्पष्ट सीमा वर्णन गर्न आवश्यक थियो - कुन समय देखि हामी ग्राहकलाई छोडेको विचार गर्न थाल्छौं। हामीलाई हाम्रो कामको लागि डाटा प्रदान गर्ने बैंकको दृष्टिकोणबाट, ग्राहकको गतिविधि स्थिति बाइनरी थियो - ऊ या त सक्रिय छ वा छैन। "गतिविधि" तालिकामा एउटा ACTIVE_FLAG झण्डा थियो, जसको मान या त "0" वा "1" (क्रमशः "निष्क्रिय" र "सक्रिय") हुन सक्छ। र सबै कुरा ठीक हुनेछ, तर एक व्यक्ति यस्तो छ कि उसले केहि समयको लागि सक्रिय रूपमा प्रयोग गर्न सक्छ, र त्यसपछि एक महिनाको लागि सक्रिय सूचीबाट बाहिर जान्छ - ऊ बिरामी भयो, छुट्टीमा अर्को देशमा गयो, वा परीक्षण गर्न पनि गयो। अर्को बैंकबाट कार्ड। वा लामो समयको निष्क्रियता पछि, फेरि बैंकका सेवाहरू प्रयोग गर्न सुरु गर्नुहोस्

त्यसकारण, हामीले निष्क्रियताको अवधिलाई निश्चित निरन्तर अवधि कल गर्ने निर्णय गर्‍यौं जसमा यसको लागि झण्डा "०" मा सेट गरिएको थियो।

विभिन्न लम्बाइको निष्क्रियताको अवधि पछि ग्राहकहरू निष्क्रियबाट सक्रियमा सर्छन्। हामीसँग अनुभवजन्य मूल्यको डिग्री गणना गर्ने अवसर छ "निष्क्रियताको अवधिको विश्वसनीयता" - त्यो हो कि, एक व्यक्तिले अस्थायी निष्क्रियता पछि फेरि बैंक उत्पादनहरू प्रयोग गर्न थाल्ने सम्भावना।

उदाहरणका लागि, यो ग्राफले धेरै महिनाको निष्क्रियता (ACTIVE_FLAG=1) पछि ग्राहकहरूको गतिविधि (ACTIVE_FLAG=0) को पुन: सुरु देखाउँछ।

यहाँ हामी थोरै डाटा सेट स्पष्ट गर्नेछौं जसको साथ हामीले काम गर्न थालेका छौं। तसर्थ, बैंकले १९ महिनाको समग्र जानकारी निम्न तालिकामा उपलब्ध गराएको छ:

• "गतिविधि" - मासिक ग्राहक लेनदेनहरू (कार्डहरूद्वारा, इन्टरनेट बैंकिङ र मोबाइल बैंकिङमा), पेरोल र कारोबारको जानकारी सहित।
• "कार्डहरू" - ग्राहकसँग भएका सबै कार्डहरूको बारेमा डाटा, विस्तृत ट्यारिफ तालिकाको साथ।
• "सम्झौताहरू" - ग्राहकको सम्झौताहरू बारे जानकारी (खुला र बन्द दुवै): ऋण, निक्षेप, आदि, प्रत्येक मापदण्डहरू संकेत गर्दै।
• "ग्राहकहरू" - जनसांख्यिकीय डेटाको सेट (लिङ्ग र उमेर) र सम्पर्क जानकारीको उपलब्धता।

कामको लागि हामीलाई "नक्सा" बाहेक सबै तालिकाहरू चाहिन्छ।

यहाँ अर्को कठिनाई थियो - यस डाटामा बैंकले कार्डहरूमा कस्तो प्रकारको गतिविधि भयो भनेर संकेत गरेन। त्यो हो, हामी लेनदेन थियो वा छैन भनेर बुझ्न सक्छौं, तर हामीले अब तिनीहरूको प्रकार निर्धारण गर्न सकेनौं। त्यसकारण, यो स्पष्ट थिएन कि ग्राहकले नगद निकाल्दै थिए, तलब प्राप्त गर्दै थिए, वा खरिदहरूमा पैसा खर्च गर्दै थिए। हामीसँग खाता ब्यालेन्समा पनि डाटा थिएन, जुन उपयोगी हुने थियो।

नमूना आफैमा निष्पक्ष थियो - यस खण्डमा, 19 महिना भन्दा बढी, बैंकले ग्राहकहरूलाई कायम राख्न र बहिर्वाह कम गर्न कुनै प्रयास गरेन।

त्यसैले, निष्क्रियता को अवधि को बारे मा।

मन्थनको परिभाषा बनाउनको लागि, निष्क्रियताको अवधि चयन गर्नुपर्छ। समय मा एक बिन्दु मा एक मंथन पूर्वानुमान सिर्जना गर्न , तपाइँसँग अन्तरालमा कम्तिमा 3 महिनाको ग्राहक इतिहास हुनुपर्दछ । हाम्रो इतिहास 19 महिनामा सीमित थियो, त्यसैले हामीले उपलब्ध भएमा 6 महिनाको निष्क्रियता अवधि लिने निर्णय गर्यौं। र उच्च-गुणस्तरको पूर्वानुमानको लागि न्यूनतम अवधिको लागि, हामीले 3 महिना लियौं। हामीले ग्राहक डेटा व्यवहारको विश्लेषणको आधारमा प्रायोगिक रूपमा 3 र 6 महिनाको तथ्याङ्क लियौं।

हामीले मन्थनको परिभाषा यसरी तयार गर्यौं: ग्राहक मन्थनको महिना यो ACTIVE_FLAG=0 सँग पहिलो महिना हो, जहाँ यस महिनादेखि ACTIVE_FLAG फिल्डमा कम्तिमा छ लगातार शून्यहरू छन्, अर्को शब्दमा, ग्राहक 6 महिनाको लागि निष्क्रिय भएको महिना।

छोड्ने ग्राहकहरूको संख्या

बाँकी ग्राहकहरूको संख्या

मन्थन कसरी गणना गरिन्छ?

त्यस्ता प्रतियोगिताहरूमा, र सामान्य रूपमा व्यवहारमा, बहिर्वाह प्रायः यस तरिकामा भविष्यवाणी गरिन्छ। ग्राहकले विभिन्न समयावधिमा उत्पादन र सेवाहरू प्रयोग गर्दछ, उहाँसँगको अन्तरक्रियाको डेटालाई निश्चित लम्बाइ n को सुविधाहरूको भेक्टरको रूपमा प्रस्तुत गरिन्छ। प्रायः यो जानकारी समावेश गर्दछ:

• डेटा प्रयोगकर्ताको विशेषता (जनसांख्यिकीय डेटा, मार्केटिङ खण्ड)।
• बैंकिङ उत्पादन र सेवाहरूको प्रयोगको इतिहास (यी ग्राहकका कार्यहरू हुन् जुन सधैं हामीलाई आवश्यक पर्ने अन्तरालको निश्चित समय वा अवधिमा बाँधिएको हुन्छ)।
• बाह्य डाटा, यदि यो प्राप्त गर्न सम्भव थियो - उदाहरणका लागि, सामाजिक सञ्जाल समीक्षाहरू।

र त्यस पछि, तिनीहरूले मन्थनको परिभाषा निकाल्छन्, प्रत्येक कार्यको लागि फरक। त्यसपछि तिनीहरूले मेसिन लर्निङ एल्गोरिदम प्रयोग गर्छन्, जसले ग्राहक छोड्ने सम्भावनाको भविष्यवाणी गर्छ कारकहरूको वेक्टरमा आधारित । एल्गोरिथ्म प्रशिक्षित गर्न, निर्णय रूखहरूको टुक्राहरू निर्माण गर्नको लागि एक प्रसिद्ध फ्रेमवर्क प्रयोग गरिन्छ, XGBoost, LightGBM, CatBoost वा यसको परिमार्जन।

एल्गोरिथ्म आफैमा खराब छैन, तर यसको धेरै गम्भीर हानिहरू छन् जब यो मन्थनको भविष्यवाणी गर्न आउँछ।

• उहाँसँग तथाकथित "स्मृति" छैन। मोडेलको इनपुट समयको वर्तमान बिन्दुसँग मेल खाने सुविधाहरूको निर्दिष्ट संख्या हो। प्यारामिटरहरूमा परिवर्तनहरूको इतिहासको बारेमा जानकारी भण्डारण गर्न, यो विशेष सुविधाहरू गणना गर्न आवश्यक छ जुन समयसँगै प्यारामिटरहरूमा परिवर्तनहरू विशेषता गर्दछ, उदाहरणका लागि, पछिल्लो 1,2,3, XNUMX, XNUMX महिनामा बैंक लेनदेनको संख्या वा रकम। यस दृष्टिकोणले अस्थायी परिवर्तनहरूको प्रकृतिलाई आंशिक रूपमा मात्र प्रतिबिम्बित गर्न सक्छ।
• स्थिर पूर्वानुमान क्षितिज। मोडेलले पूर्वनिर्धारित अवधिको लागि मात्र ग्राहक मन्थनको भविष्यवाणी गर्न सक्षम छ, उदाहरणका लागि, एक महिना अघि पूर्वानुमान। यदि एक फरक अवधिको लागि पूर्वानुमान आवश्यक छ, उदाहरणका लागि, तीन महिना, त्यसपछि तपाईंले प्रशिक्षण सेट पुनर्निर्माण र नयाँ मोडेल पुन: तालिम गर्न आवश्यक छ।

हाम्रो दृष्टिकोण

हामीले तुरुन्तै निर्णय गर्यौं कि हामी मानक दृष्टिकोणहरू प्रयोग गर्दैनौं। हामी बाहेक, च्याम्पियनसिपमा थप 497 जनाले दर्ता गरेका थिए, जसमध्ये प्रत्येकको पछाडि पर्याप्त अनुभव थियो। त्यसोभए यस्तो अवस्थामा मानक योजना अनुसार केहि गर्न प्रयास गर्नु राम्रो विचार होइन।

र हामीले ग्राहक मन्थन समयको सम्भाव्यता वितरणको भविष्यवाणी गरेर बाइनरी वर्गीकरण मोडेलको सामना गर्ने समस्याहरू समाधान गर्न थाल्यौं। एक समान दृष्टिकोण देख्न सकिन्छ यहाँ, यसले तपाईंलाई अधिक लचिलो रूपमा मन्थनको भविष्यवाणी गर्न र शास्त्रीय दृष्टिकोण भन्दा बढी जटिल परिकल्पनाहरू परीक्षण गर्न अनुमति दिन्छ। बहिर्गमन समय मोडेलिङ वितरणको परिवारको रूपमा, हामीले वितरण रोज्यौं Weibull अस्तित्व विश्लेषणमा यसको व्यापक प्रयोगको लागि। ग्राहकको व्यवहारलाई एक प्रकारको अस्तित्वको रूपमा हेर्न सकिन्छ।

यहाँ प्यारामिटरहरूको आधारमा Weibull सम्भाव्यता घनत्व वितरणका उदाहरणहरू छन् и :

यो तीन फरक ग्राहकहरु को सम्भाव्यता घनत्व प्रकार्य समय संग मंथन हो। समय महिनामा प्रस्तुत गरिन्छ। अर्को शब्दमा, यो ग्राफले देखाउँछ जब ग्राहकले अर्को दुई महिनामा मन्थन गर्ने सम्भावना हुन्छ। तपाईले देख्न सक्नुहुन्छ, वितरण भएको ग्राहकसँग Weibull(2, 0.5) र Weibull भएका ग्राहकहरू भन्दा पहिले छोड्ने सम्भावना बढी हुन्छ। (३,१) वितरण।

परिणाम एक मोडेल हो कि, प्रत्येक ग्राहक को लागी, हरेक को लागी
महिनाले Weibull वितरणको प्यारामिटरहरूको भविष्यवाणी गर्छ, जसले समयसँगै बहिर्गमनको सम्भावनालाई राम्रोसँग प्रतिबिम्बित गर्दछ। थप विवरणमा:

• प्रशिक्षण सेटमा लक्षित सुविधाहरू एक विशिष्ट ग्राहकको लागि एक विशेष महिनामा मन्थन नभएसम्म बाँकी समय हो।
• यदि ग्राहकको लागि कुनै मन्थन दर छैन भने, हामी मान्दछौं कि मंथन समय हामीसँग रहेको इतिहासको हालको महिनादेखि अन्त्यसम्म महिनाहरूको संख्या भन्दा ठूलो छ।
• प्रयोग गरिएको मोडेल: LSTM तहको साथ पुनरावर्ती न्यूरल नेटवर्क।
• हानि प्रकार्यको रूपमा, हामी Weibull वितरणको लागि नकारात्मक लग-सम्भावना प्रकार्य प्रयोग गर्छौं।

यहाँ यस विधिको फाइदाहरू छन्:

• सम्भाव्यता वितरण, बाइनरी वर्गीकरणको स्पष्ट सम्भावनाको अतिरिक्त, विभिन्न घटनाहरूको लचिलो भविष्यवाणी गर्न अनुमति दिन्छ, उदाहरणका लागि, ग्राहकले 3 महिना भित्र बैंकका सेवाहरू प्रयोग गर्न बन्द गर्छ कि गर्दैन। साथै, आवश्यक भएमा, यस वितरणमा विभिन्न मेट्रिक्सहरू औसत गर्न सकिन्छ।
• LSTM पुनरावर्ती न्यूरल नेटवर्कसँग मेमोरी छ र प्रभावकारी रूपमा सम्पूर्ण उपलब्ध इतिहास प्रयोग गर्दछ। कथा विस्तारित वा परिष्कृत भएपछि, शुद्धता बढ्छ।
• समय अवधिलाई सानामा विभाजन गर्दा दृष्टिकोण सजिलै मापन गर्न सकिन्छ (उदाहरणका लागि, महिनाहरूलाई हप्ताहरूमा विभाजन गर्दा)।

तर यो राम्रो मोडेल सिर्जना गर्न पर्याप्त छैन; तपाईंले पनि यसको गुणस्तर राम्रोसँग मूल्याङ्कन गर्न आवश्यक छ।

गुणस्तर कसरी मूल्याङ्कन गरियो?

हामीले मेट्रिकको रूपमा लिफ्ट कर्भ रोज्यौं। यो यसको स्पष्ट व्याख्याको कारणले त्यस्ता केसहरूको लागि व्यवसायमा प्रयोग गरिन्छ, यो राम्रोसँग वर्णन गरिएको छ यहाँ и यहाँ। यदि तपाइँ एक वाक्यमा यो मेट्रिकको अर्थ वर्णन गर्नुहुन्छ भने, यो हुनेछ "एल्गोरिदमले पहिलोमा कति पटक राम्रो भविष्यवाणी गर्दछ अनियमित भन्दा %।"

प्रशिक्षण मोडेलहरू

प्रतिस्पर्धा सर्तहरूले एक विशिष्ट गुणस्तर मेट्रिक स्थापना गरेन जसद्वारा विभिन्न मोडेल र दृष्टिकोणहरू तुलना गर्न सकिन्छ। यसबाहेक, मन्थनको परिभाषा फरक हुन सक्छ र समस्या कथनमा निर्भर हुन सक्छ, जुन, बारीमा, व्यापार लक्ष्यहरू द्वारा निर्धारण गरिन्छ। त्यसकारण, कुन विधि राम्रो छ भनेर बुझ्नको लागि, हामीले दुई मोडेलहरू प्रशिक्षित गरेका छौं:

1. सामान्यतया प्रयोग हुने बाइनरी वर्गीकरण दृष्टिकोण एक ensemble निर्णय रूख मेसिन लर्निङ एल्गोरिथ्म प्रयोग गरेर (LightGBM);
2. Weibull-LSTM मोडेल

परीक्षण सेटमा 500 पूर्व-चयनित ग्राहकहरू थिए जो प्रशिक्षण सेटमा थिएनन्। हाइपर-प्यारामिटरहरू क्रस-प्रमाणीकरण प्रयोग गरेर मोडेलको लागि चयन गरिएको थियो, क्लाइन्टद्वारा विभाजित। प्रत्येक मोडेललाई तालिम दिनका लागि एउटै सुविधाहरू प्रयोग गरियो।

मोडेलसँग मेमोरी छैन भन्ने तथ्यको कारण, यसको लागि विशेष सुविधाहरू लिइएको थियो, पछिल्लो तीन महिनामा प्यारामिटरहरूको औसत मूल्यमा एक महिनाको लागि प्यारामिटरहरूमा परिवर्तनहरूको अनुपात देखाउँदै। तीन महिनाको अन्तिम अवधिमा मानहरूमा परिवर्तनको दर के विशेषता हो। यो बिना, अनियमित वन-आधारित मोडेल Weibull-LSTM को सापेक्ष एक हानि मा हुनेछ।

किन Weibull वितरण संग LSTM एक ensemble निर्णय रूख दृष्टिकोण भन्दा राम्रो छ

यहाँ केहि तस्विरहरूमा सबै कुरा स्पष्ट छ।

शास्त्रीय एल्गोरिथ्म र Weibull-LSTM को लागि लिफ्ट कर्भको तुलना

क्लासिकल एल्गोरिदम र Weibull-LSTM को लागि महिना अनुसार लिफ्ट कर्भ मेट्रिकको तुलना

सामान्यतया, LSTM लगभग सबै अवस्थामा शास्त्रीय एल्गोरिथ्म भन्दा उच्च छ।

मन्थन भविष्यवाणी

Weibull वितरण संग LSTM कोशिकाहरु संग एक आवर्ती तंत्रिका नेटवर्क मा आधारित एक मोडेल अग्रिम मंथन भविष्यवाणी गर्न सक्छ, उदाहरण को लागी, अर्को n महिना भित्र ग्राहक मंथन भविष्यवाणी। n = 3 को मामलालाई विचार गर्नुहोस्। यस अवस्थामा, प्रत्येक महिनाको लागि, न्यूरल नेटवर्कले अर्को महिनादेखि सुरु गरी nth महिनासम्म ग्राहकले छोड्छ कि हुँदैन भनेर सही रूपमा निर्धारण गर्नुपर्छ। अर्को शब्दमा, यसले ग्राहक n महिना पछि रहनेछ कि छैन भनेर सही रूपमा निर्धारण गर्नुपर्छ। यसलाई पहिले नै पूर्वानुमान मान्न सकिन्छ: ग्राहकले भर्खरै छोड्ने बारे सोच्न थालेको क्षणको भविष्यवाणी गर्दै।

Weibull-LSTM 1, 2 र 3 महिना अघि बहिर्गमनको लागि लिफ्ट कर्भ तुलना गरौं:

हामीले पहिले नै माथि लेखेका छौं कि अब केहि समय को लागी सक्रिय नहुने ग्राहकहरु को लागी गरिएको पूर्वानुमानहरु पनि महत्त्वपूर्ण छन्। त्यसकारण, यहाँ हामी नमूनामा त्यस्ता केसहरू थप्नेछौं जब प्रस्थान गरेको ग्राहक पहिले नै एक वा दुई महिनाको लागि निष्क्रिय भएको छ, र जाँच गर्नुहोस् कि Weibull-LSTM ले त्यस्ता केसहरूलाई मन्थनको रूपमा सही रूपमा वर्गीकृत गरेको छ। त्यस्ता केसहरू नमूनामा उपस्थित भएकाले, हामी नेटवर्कले तिनीहरूलाई राम्रोसँग ह्यान्डल गर्ने आशा गर्छौं:

ग्राहक प्रतिधारण

वास्तवमा, यो मुख्य कुरा हो जुन गर्न सकिन्छ, हातमा जानकारी छ कि यस्ता र त्यस्ता ग्राहकहरूले उत्पादन प्रयोग गर्न रोक्नको लागि तयारी गर्दैछन्। ग्राहकहरूलाई तिनीहरूलाई कायम राख्नको लागि उपयोगी केही प्रस्ताव गर्न सक्ने मोडेल निर्माण गर्ने कुरा गर्दा, यदि तपाईंसँग यस्तै प्रयासहरूको इतिहास छैन जुन राम्रोसँग समाप्त हुन्छ भने यो गर्न सकिँदैन।

हामीसँग त्यस्तो कथा थिएन, त्यसैले हामीले यसलाई यसरी निर्णय गर्यौं।

1. हामी प्रत्येक ग्राहकको लागि रोचक उत्पादनहरू पहिचान गर्ने मोडेल निर्माण गर्दैछौं।
2. प्रत्येक महिना हामी क्लासिफायर चलाउँछौं र सम्भावित रूपमा छोड्ने ग्राहकहरू पहिचान गर्छौं।
3. हामी केही ग्राहकहरूलाई बिन्दु 1 को मोडेल अनुसार उत्पादन प्रस्ताव गर्दछौं, र हाम्रा कार्यहरू सम्झन्छौं।
4. केहि महिना पछि, हामी हेर्छौं कि यी मध्ये कुन सम्भावित ग्राहकहरूले छोडे र कुन रह्यो। यसरी, हामी एक प्रशिक्षण नमूना बनाउँछौं।
5. हामी चरण 4 मा प्राप्त इतिहास प्रयोग गरेर मोडेल प्रशिक्षण।
6. वैकल्पिक रूपमा, हामी प्रक्रिया दोहोर्याउँछौं, चरण 1 बाट मोडेललाई चरण 5 मा प्राप्त गरिएको मोडेलसँग बदल्दै।

यस्तो अवधारणको गुणस्तरको परीक्षण नियमित A/B परीक्षणद्वारा गर्न सकिन्छ - हामी सम्भावित रूपमा छोड्ने ग्राहकहरूलाई दुई समूहमा विभाजन गर्छौं। हामी एउटालाई हाम्रो रिटेन्सन मोडेलको आधारमा उत्पादनहरू प्रस्ताव गर्छौं, र अर्कोलाई हामी केही पनि प्रस्ताव गर्दैनौं। हामीले हाम्रो उदाहरणको बिन्दु 1 मा पहिले नै उपयोगी हुन सक्ने मोडेललाई तालिम दिने निर्णय गर्यौं।

हामी सेग्मेन्टेशनलाई सकेसम्म व्याख्या गर्न चाहन्थ्यौं। यो गर्नको लागि, हामीले सजिलै व्याख्या गर्न सकिने धेरै सुविधाहरू छान्यौं: लेनदेनको कुल संख्या, ज्याला, कुल खाता कारोबार, उमेर, लिङ्ग। "नक्सा" तालिकाका सुविधाहरूलाई जानकारीमूलक रूपमा लिइएन, र प्रमाणीकरण सेट र प्रशिक्षण सेट बीचको डाटा चुहावटबाट बच्न प्रक्रियाको जटिलताका कारण तालिका 3 "अनुबंधहरू" का सुविधाहरूलाई ध्यानमा राखिएको थिएन।

क्लस्टरिङ गाउसियन मिश्रण मोडेल प्रयोग गरी गरिएको थियो। Akaike जानकारी मापदण्डले हामीलाई 2 अप्टिमा निर्धारण गर्न अनुमति दियो। पहिलो इष्टतम १ क्लस्टरसँग मेल खान्छ। दोस्रो इष्टतम, कम उच्चारण गरिएको, 1 क्लस्टरहरूसँग मेल खान्छ। यस नतिजाको आधारमा, हामी निम्न निष्कर्ष निकाल्न सक्छौं: प्राथमिकता दिइएको जानकारी बिना डेटा क्लस्टरहरूमा विभाजन गर्न धेरै गाह्रो छ। राम्रो क्लस्टरिङको लागि, तपाईंलाई डेटा चाहिन्छ जसले प्रत्येक ग्राहकलाई विस्तृत रूपमा वर्णन गर्दछ।

त्यसकारण, प्रत्येक व्यक्तिगत ग्राहकलाई फरक उत्पादन प्रस्ताव गर्नको लागि पर्यवेक्षित शिक्षाको समस्यालाई विचार गरियो। निम्न उत्पादनहरू विचार गरियो: "समय निक्षेप", "क्रेडिट कार्ड", "ओभरड्राफ्ट", "उपभोक्ता ऋण", "कार ऋण", "मोर्टगेज"।

डाटाले उत्पादनको अर्को प्रकार समावेश गर्दछ: "वर्तमान खाता"। तर कम जानकारी भएका कारण हामीले यसलाई विचार गरेनौं। बैंक ग्राहकहरू भएका प्रयोगकर्ताहरूका लागि, अर्थात् यसको उत्पादनहरू प्रयोग गर्न छोडेनन्, कुन उत्पादन तिनीहरूको रुचि हुन सक्छ भनेर भविष्यवाणी गर्न एउटा मोडेल बनाइएको थियो। लजिस्टिक रिग्रेसन मोडेलको रूपमा छनोट गरिएको थियो, र पहिलो 10 प्रतिशतका लागि लिफ्ट मान गुणस्तर मूल्याङ्कन मेट्रिकको रूपमा प्रयोग गरिएको थियो।

मोडेलको गुणस्तर चित्रमा मूल्याङ्कन गर्न सकिन्छ।

ग्राहकहरूको लागि उत्पादन सिफारिस मोडेल परिणामहरू

परिणाम

यस दृष्टिकोणले हामीलाई RAIF- च्यालेन्ज 2017 AI च्याम्पियनसिपमा "एआई इन बैंकहरू" श्रेणीमा पहिलो स्थान ल्यायो।

स्पष्ट रूपमा, मुख्य कुरा एक अपरंपरागत कोणबाट समस्यामा पुग्न र सामान्यतया अन्य परिस्थितिहरूको लागि प्रयोग गरिने विधि प्रयोग गर्न थियो।

यद्यपि प्रयोगकर्ताहरूको ठूलो बहाव सेवाहरूको लागि प्राकृतिक प्रकोप हुन सक्छ।

यो विधि कुनै पनि अन्य क्षेत्रको लागि खातामा लिन सकिन्छ जहाँ यो खाता बहिर्वाह लिन महत्त्वपूर्ण छ, बैंक मात्र होइन। उदाहरण को लागी, हामीले यसलाई हाम्रो आफ्नै बहिर्वाह गणना गर्न प्रयोग गर्यौं - साइबेरियन र सेन्ट पीटर्सबर्ग Rostelecom को शाखाहरु मा।

"डेटा खनन प्रयोगशाला" कम्पनी "खोज पोर्टल "स्पुतनिक"

स्रोत: www.habr.com