ਅਸੀਂ ਕੁਦਰਤੀ ਆਫ਼ਤ ਵਾਂਗ ਇਸ ਦੇ ਨੇੜੇ ਆ ਕੇ ਮੰਥਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਿਵੇਂ ਕੀਤੀ

ਕਈ ਵਾਰ, ਕਿਸੇ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਇੱਕ ਵੱਖਰੇ ਕੋਣ ਤੋਂ ਦੇਖਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਭਾਵੇਂ ਪਿਛਲੇ 10 ਸਾਲਾਂ ਵਿੱਚ ਇੱਕੋ ਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਵੱਖੋ-ਵੱਖਰੇ ਪ੍ਰਭਾਵਾਂ ਨਾਲ ਹੱਲ ਕੀਤਾ ਗਿਆ ਹੈ, ਇਹ ਇੱਕ ਤੱਥ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਤਰੀਕਾ ਇੱਕੋ ਇੱਕ ਹੈ.

ਗਾਹਕ ਮੰਥਨ ਵਰਗਾ ਵਿਸ਼ਾ ਹੈ। ਗੱਲ ਅਟੱਲ ਹੈ, ਕਿਉਂਕਿ ਕਿਸੇ ਵੀ ਕੰਪਨੀ ਦੇ ਗਾਹਕ, ਕਈ ਕਾਰਨਾਂ ਕਰਕੇ, ਇਸਦੇ ਉਤਪਾਦਾਂ ਜਾਂ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਬੰਦ ਕਰ ਸਕਦੇ ਹਨ. ਬੇਸ਼ੱਕ, ਇੱਕ ਕੰਪਨੀ ਲਈ, ਮੰਥਨ ਇੱਕ ਕੁਦਰਤੀ ਹੈ, ਪਰ ਸਭ ਤੋਂ ਵੱਧ ਫਾਇਦੇਮੰਦ ਕਿਰਿਆ ਨਹੀਂ ਹੈ, ਇਸਲਈ ਹਰ ਕੋਈ ਇਸ ਮੰਥਨ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ। ਬਿਹਤਰ ਅਜੇ ਤੱਕ, ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸ਼੍ਰੇਣੀ, ਜਾਂ ਇੱਕ ਖਾਸ ਉਪਭੋਗਤਾ ਲਈ ਮੰਥਨ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣ ਲਈ ਕੁਝ ਕਦਮਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ।

ਘੱਟੋ-ਘੱਟ ਹੇਠਾਂ ਦਿੱਤੇ ਕਾਰਨਾਂ ਕਰਕੇ, ਜੇ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਅਤੇ ਗਾਹਕ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ:

• ਨਵੇਂ ਗਾਹਕਾਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰਨਾ ਧਾਰਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਮਹਿੰਗਾ ਹੈ. ਨਵੇਂ ਗਾਹਕਾਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰਨ ਲਈ, ਇੱਕ ਨਿਯਮ ਦੇ ਤੌਰ 'ਤੇ, ਤੁਹਾਨੂੰ ਕੁਝ ਪੈਸੇ (ਵਿਗਿਆਪਨ) ਖਰਚ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਮੌਜੂਦਾ ਗਾਹਕਾਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਸ਼ਰਤਾਂ ਦੇ ਨਾਲ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਪੇਸ਼ਕਸ਼ ਨਾਲ ਸਰਗਰਮ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ;
• ਗਾਹਕਾਂ ਦੇ ਛੱਡਣ ਦੇ ਕਾਰਨਾਂ ਨੂੰ ਸਮਝਣਾ ਉਤਪਾਦਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਦੀ ਕੁੰਜੀ ਹੈ.

ਮੰਥਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਮਿਆਰੀ ਪਹੁੰਚ ਹਨ। ਪਰ ਏਆਈ ਚੈਂਪੀਅਨਸ਼ਿਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਿੱਚ, ਅਸੀਂ ਇਸਦੇ ਲਈ ਵੇਬੁੱਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ. ਇਹ ਅਕਸਰ ਬਚਾਅ ਵਿਸ਼ਲੇਸ਼ਣ, ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ, ਕੁਦਰਤੀ ਆਫ਼ਤ ਵਿਸ਼ਲੇਸ਼ਣ, ਉਦਯੋਗਿਕ ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। Weibull ਵੰਡ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਵੰਡ ਫੰਕਸ਼ਨ ਹੈ ਜੋ ਦੋ ਪੈਰਾਮੀਟਰਾਂ ਦੁਆਰਾ ਮਾਪਦੰਡ ਹੈ и .

ਵਿਕੀਪੀਡੀਆ

ਆਮ ਤੌਰ 'ਤੇ, ਇਹ ਇੱਕ ਦਿਲਚਸਪ ਚੀਜ਼ ਹੈ, ਪਰ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਈ, ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਫਿਨਟੈਕ ਵਿੱਚ, ਇਸਦੀ ਵਰਤੋਂ ਅਕਸਰ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ. ਕੱਟ ਦੇ ਹੇਠਾਂ ਅਸੀਂ ਤੁਹਾਨੂੰ ਦੱਸਾਂਗੇ ਕਿ ਅਸੀਂ (ਡੇਟਾ ਮਾਈਨਿੰਗ ਲੈਬਾਰਟਰੀ) ਨੇ ਇਹ ਕਿਵੇਂ ਕੀਤਾ, ਨਾਲ ਹੀ “ਏਆਈ ਇਨ ਬੈਂਕਸ” ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਚੈਂਪੀਅਨਸ਼ਿਪ ਵਿੱਚ ਸੋਨਾ ਜਿੱਤਿਆ।

ਆਮ ਤੌਰ 'ਤੇ ਮੰਥਨ ਬਾਰੇ

ਆਉ ਇਸ ਬਾਰੇ ਥੋੜਾ ਸਮਝੀਏ ਕਿ ਗਾਹਕ ਮੰਥਨ ਕੀ ਹੈ ਅਤੇ ਇਹ ਇੰਨਾ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ। ਕਿਸੇ ਕਾਰੋਬਾਰ ਲਈ ਗਾਹਕ ਅਧਾਰ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ। ਨਵੇਂ ਗਾਹਕ ਇਸ ਅਧਾਰ 'ਤੇ ਆਉਂਦੇ ਹਨ, ਉਦਾਹਰਣ ਵਜੋਂ, ਕਿਸੇ ਇਸ਼ਤਿਹਾਰ ਤੋਂ ਕਿਸੇ ਉਤਪਾਦ ਜਾਂ ਸੇਵਾ ਬਾਰੇ ਸਿੱਖਣ ਤੋਂ ਬਾਅਦ, ਕੁਝ ਸਮੇਂ ਲਈ ਰਹਿੰਦੇ ਹਨ (ਉਤਪਾਦਾਂ ਦੀ ਸਰਗਰਮੀ ਨਾਲ ਵਰਤੋਂ ਕਰਦੇ ਹਨ) ਅਤੇ ਕੁਝ ਸਮੇਂ ਬਾਅਦ ਇਸ ਦੀ ਵਰਤੋਂ ਬੰਦ ਕਰ ਦਿੰਦੇ ਹਨ। ਇਸ ਮਿਆਦ ਨੂੰ "ਗਾਹਕ ਜੀਵਨ-ਚੱਕਰ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ - ਇੱਕ ਸ਼ਬਦ ਜੋ ਉਹਨਾਂ ਪੜਾਵਾਂ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ ਜੋ ਇੱਕ ਗਾਹਕ ਦੁਆਰਾ ਲੰਘਦਾ ਹੈ ਜਦੋਂ ਉਹ ਕਿਸੇ ਉਤਪਾਦ ਬਾਰੇ ਸਿੱਖਦਾ ਹੈ, ਖਰੀਦਦਾਰੀ ਦਾ ਫੈਸਲਾ ਲੈਂਦਾ ਹੈ, ਭੁਗਤਾਨ ਕਰਦਾ ਹੈ, ਵਰਤਦਾ ਹੈ ਅਤੇ ਇੱਕ ਵਫ਼ਾਦਾਰ ਖਪਤਕਾਰ ਬਣ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਉਤਪਾਦ ਦੀ ਵਰਤੋਂ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ। ਇੱਕ ਜਾਂ ਕਿਸੇ ਹੋਰ ਕਾਰਨ ਕਰਕੇ. ਇਸ ਅਨੁਸਾਰ, ਮੰਥਨ ਕਲਾਇੰਟ ਦੇ ਜੀਵਨ ਚੱਕਰ ਦਾ ਅੰਤਮ ਪੜਾਅ ਹੁੰਦਾ ਹੈ, ਜਦੋਂ ਗਾਹਕ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਕਿਸੇ ਕਾਰੋਬਾਰ ਲਈ ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਗਾਹਕ ਨੇ ਮੁਨਾਫ਼ਾ ਜਾਂ ਕੋਈ ਲਾਭ ਲਿਆਉਣਾ ਬੰਦ ਕਰ ਦਿੱਤਾ ਹੈ।

ਹਰੇਕ ਬੈਂਕ ਗਾਹਕ ਇੱਕ ਖਾਸ ਵਿਅਕਤੀ ਹੁੰਦਾ ਹੈ ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ ਆਪਣੀਆਂ ਲੋੜਾਂ ਲਈ ਇੱਕ ਜਾਂ ਦੂਜੇ ਬੈਂਕ ਕਾਰਡ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਅਕਸਰ ਯਾਤਰਾ ਕਰਦੇ ਹੋ, ਤਾਂ ਮੀਲਾਂ ਵਾਲਾ ਇੱਕ ਕਾਰਡ ਕੰਮ ਆਵੇਗਾ। ਬਹੁਤ ਕੁਝ ਖਰੀਦਦਾ ਹੈ - ਹੈਲੋ, ਕੈਸ਼ਬੈਕ ਕਾਰਡ। ਉਹ ਖਾਸ ਸਟੋਰਾਂ ਵਿੱਚ ਬਹੁਤ ਕੁਝ ਖਰੀਦਦਾ ਹੈ - ਅਤੇ ਇਸਦੇ ਲਈ ਪਹਿਲਾਂ ਹੀ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸਾਥੀ ਪਲਾਸਟਿਕ ਹੈ. ਬੇਸ਼ੱਕ, ਕਦੇ-ਕਦਾਈਂ ਇੱਕ ਕਾਰਡ "ਸਭ ਤੋਂ ਸਸਤੀ ਸੇਵਾ" ਮਾਪਦੰਡ ਦੇ ਅਧਾਰ 'ਤੇ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਇੱਥੇ ਕਾਫ਼ੀ ਵੇਰੀਏਬਲ ਹਨ।

ਅਤੇ ਇੱਕ ਵਿਅਕਤੀ ਬੈਂਕ ਨੂੰ ਵੀ ਚੁਣਦਾ ਹੈ - ਕੀ ਇੱਕ ਬੈਂਕ ਤੋਂ ਇੱਕ ਕਾਰਡ ਚੁਣਨ ਦਾ ਕੋਈ ਮਤਲਬ ਹੈ ਜਿਸ ਦੀਆਂ ਸ਼ਾਖਾਵਾਂ ਸਿਰਫ ਮਾਸਕੋ ਅਤੇ ਖੇਤਰ ਵਿੱਚ ਹਨ, ਜਦੋਂ ਤੁਸੀਂ ਖਬਾਰੋਵਸਕ ਤੋਂ ਹੋ? ਭਾਵੇਂ ਅਜਿਹੇ ਬੈਂਕ ਦਾ ਕਾਰਡ ਘੱਟੋ-ਘੱਟ 2 ਗੁਣਾ ਜ਼ਿਆਦਾ ਲਾਭਦਾਇਕ ਹੈ, ਫਿਰ ਵੀ ਨੇੜੇ ਦੀਆਂ ਬੈਂਕ ਸ਼ਾਖਾਵਾਂ ਦੀ ਮੌਜੂਦਗੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਾਪਦੰਡ ਹੈ। ਹਾਂ, 2019 ਪਹਿਲਾਂ ਹੀ ਇੱਥੇ ਹੈ ਅਤੇ ਡਿਜੀਟਲ ਸਾਡਾ ਸਭ ਕੁਝ ਹੈ, ਪਰ ਕੁਝ ਬੈਂਕਾਂ ਦੇ ਨਾਲ ਕਈ ਮੁੱਦਿਆਂ ਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਸ਼ਾਖਾ ਵਿੱਚ ਹੀ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਨਾਲ ਹੀ, ਦੁਬਾਰਾ, ਆਬਾਦੀ ਦਾ ਕੁਝ ਹਿੱਸਾ ਇੱਕ ਸਮਾਰਟਫੋਨ 'ਤੇ ਇੱਕ ਐਪਲੀਕੇਸ਼ਨ ਨਾਲੋਂ ਇੱਕ ਭੌਤਿਕ ਬੈਂਕ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਰੋਸਾ ਕਰਦਾ ਹੈ, ਇਸ ਨੂੰ ਵੀ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ।

ਨਤੀਜੇ ਵਜੋਂ, ਕਿਸੇ ਵਿਅਕਤੀ ਕੋਲ ਬੈਂਕ ਉਤਪਾਦਾਂ (ਜਾਂ ਖੁਦ ਬੈਂਕ) ਤੋਂ ਇਨਕਾਰ ਕਰਨ ਦੇ ਕਈ ਕਾਰਨ ਹੋ ਸਕਦੇ ਹਨ। ਮੈਂ ਨੌਕਰੀਆਂ ਬਦਲ ਦਿੱਤੀਆਂ, ਅਤੇ ਕਾਰਡ ਟੈਰਿਫ ਤਨਖਾਹ ਤੋਂ ਬਦਲ ਕੇ "ਸਿਰਫ਼ ਪ੍ਰਾਣੀਆਂ ਲਈ" ਹੋ ਗਿਆ, ਜੋ ਕਿ ਘੱਟ ਲਾਭਕਾਰੀ ਹੈ। ਮੈਂ ਕਿਸੇ ਹੋਰ ਸ਼ਹਿਰ ਵਿੱਚ ਚਲਾ ਗਿਆ ਜਿੱਥੇ ਕੋਈ ਬੈਂਕ ਸ਼ਾਖਾਵਾਂ ਨਹੀਂ ਹਨ। ਮੈਨੂੰ ਸ਼ਾਖਾ ਵਿੱਚ ਅਯੋਗ ਆਪਰੇਟਰ ਨਾਲ ਗੱਲਬਾਤ ਪਸੰਦ ਨਹੀਂ ਸੀ। ਭਾਵ, ਉਤਪਾਦ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲੋਂ ਖਾਤਾ ਬੰਦ ਕਰਨ ਦੇ ਹੋਰ ਵੀ ਕਾਰਨ ਹੋ ਸਕਦੇ ਹਨ।

ਅਤੇ ਗਾਹਕ ਨਾ ਸਿਰਫ਼ ਆਪਣੇ ਇਰਾਦੇ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਪ੍ਰਗਟ ਕਰ ਸਕਦਾ ਹੈ - ਬੈਂਕ ਵਿੱਚ ਆ ਕੇ ਇੱਕ ਬਿਆਨ ਲਿਖੋ, ਪਰ ਸਿਰਫ਼ ਇਕਰਾਰਨਾਮੇ ਨੂੰ ਖਤਮ ਕੀਤੇ ਬਿਨਾਂ ਉਤਪਾਦਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬੰਦ ਕਰੋ. ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸਮਝਣ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਏਆਈ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਗਿਆ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਗਾਹਕ ਮੰਥਨ ਕਿਸੇ ਵੀ ਉਦਯੋਗ (ਟੈਲੀਕਾਮ, ਇੰਟਰਨੈਟ ਪ੍ਰਦਾਤਾ, ਬੀਮਾ ਕੰਪਨੀਆਂ, ਆਮ ਤੌਰ 'ਤੇ, ਜਿੱਥੇ ਵੀ ਗਾਹਕ ਅਧਾਰ ਅਤੇ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ ਲੈਣ-ਦੇਣ ਹੁੰਦਾ ਹੈ) ਵਿੱਚ ਹੋ ਸਕਦਾ ਹੈ।

ਅਸੀਂ ਕੀ ਕੀਤਾ ਹੈ

ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਇੱਕ ਸਪੱਸ਼ਟ ਸੀਮਾ ਦਾ ਵਰਣਨ ਕਰਨਾ ਜ਼ਰੂਰੀ ਸੀ - ਅਸੀਂ ਕਿਸ ਸਮੇਂ ਤੋਂ ਗਾਹਕ ਨੂੰ ਛੱਡਣ ਬਾਰੇ ਵਿਚਾਰ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ. ਬੈਂਕ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਜਿਸਨੇ ਸਾਨੂੰ ਸਾਡੇ ਕੰਮ ਲਈ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕੀਤਾ, ਗਾਹਕ ਦੀ ਗਤੀਵਿਧੀ ਸਥਿਤੀ ਬਾਈਨਰੀ ਸੀ - ਉਹ ਜਾਂ ਤਾਂ ਕਿਰਿਆਸ਼ੀਲ ਹੈ ਜਾਂ ਨਹੀਂ। "ਸਰਗਰਮੀ" ਸਾਰਣੀ ਵਿੱਚ ਇੱਕ ACTIVE_FLAG ਫਲੈਗ ਸੀ, ਜਿਸਦਾ ਮੁੱਲ "0" ਜਾਂ "1" (ਕ੍ਰਮਵਾਰ "ਅਕਿਰਿਆਸ਼ੀਲ" ਅਤੇ "ਕਿਰਿਆਸ਼ੀਲ") ਹੋ ਸਕਦਾ ਹੈ। ਅਤੇ ਸਭ ਕੁਝ ਠੀਕ ਹੋ ਜਾਵੇਗਾ, ਪਰ ਇੱਕ ਵਿਅਕਤੀ ਅਜਿਹਾ ਹੈ ਕਿ ਉਹ ਕੁਝ ਸਮੇਂ ਲਈ ਇਸਨੂੰ ਸਰਗਰਮੀ ਨਾਲ ਵਰਤ ਸਕਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਇੱਕ ਮਹੀਨੇ ਲਈ ਸਰਗਰਮ ਸੂਚੀ ਤੋਂ ਬਾਹਰ ਹੋ ਜਾਂਦਾ ਹੈ - ਉਹ ਬਿਮਾਰ ਹੋ ਗਿਆ, ਛੁੱਟੀਆਂ 'ਤੇ ਕਿਸੇ ਹੋਰ ਦੇਸ਼ ਗਿਆ, ਜਾਂ ਟੈਸਟ ਕਰਨ ਲਈ ਵੀ ਗਿਆ. ਕਿਸੇ ਹੋਰ ਬੈਂਕ ਤੋਂ ਕਾਰਡ. ਜਾਂ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਲੰਬੇ ਸਮੇਂ ਦੀ ਅਕਿਰਿਆਸ਼ੀਲਤਾ ਤੋਂ ਬਾਅਦ, ਬੈਂਕ ਦੀਆਂ ਸੇਵਾਵਾਂ ਨੂੰ ਦੁਬਾਰਾ ਵਰਤਣਾ ਸ਼ੁਰੂ ਕਰੋ

ਇਸ ਲਈ, ਅਸੀਂ ਅਕਿਰਿਆਸ਼ੀਲਤਾ ਦੀ ਮਿਆਦ ਨੂੰ ਇੱਕ ਨਿਸ਼ਚਿਤ ਨਿਰੰਤਰ ਮਿਆਦ ਨੂੰ ਕਾਲ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ ਜਿਸ ਦੌਰਾਨ ਇਸਦੇ ਲਈ ਫਲੈਗ "0" 'ਤੇ ਸੈੱਟ ਕੀਤਾ ਗਿਆ ਸੀ।

ਗ੍ਰਾਹਕ ਵੱਖ-ਵੱਖ ਲੰਬਾਈਆਂ ਦੀ ਅਕਿਰਿਆਸ਼ੀਲਤਾ ਦੇ ਸਮੇਂ ਤੋਂ ਬਾਅਦ ਨਿਸ਼ਕਿਰਿਆ ਤੋਂ ਕਿਰਿਆਸ਼ੀਲ ਹੋ ਜਾਂਦੇ ਹਨ। ਸਾਡੇ ਕੋਲ ਅਨੁਭਵੀ ਮੁੱਲ ਦੀ "ਅਕਿਰਿਆਸ਼ੀਲਤਾ ਦੇ ਸਮੇਂ ਦੀ ਭਰੋਸੇਯੋਗਤਾ" ਦੀ ਡਿਗਰੀ ਦੀ ਗਣਨਾ ਕਰਨ ਦਾ ਮੌਕਾ ਹੈ - ਯਾਨੀ ਇਹ ਸੰਭਾਵਨਾ ਕਿ ਕੋਈ ਵਿਅਕਤੀ ਅਸਥਾਈ ਤੌਰ 'ਤੇ ਅਕਿਰਿਆਸ਼ੀਲਤਾ ਤੋਂ ਬਾਅਦ ਬੈਂਕ ਉਤਪਾਦਾਂ ਦੀ ਵਰਤੋਂ ਦੁਬਾਰਾ ਸ਼ੁਰੂ ਕਰੇਗਾ।

ਉਦਾਹਰਨ ਲਈ, ਇਹ ਗ੍ਰਾਫ਼ ਕਈ ਮਹੀਨਿਆਂ ਦੀ ਅਕਿਰਿਆਸ਼ੀਲਤਾ (ACTIVE_FLAG=1) ਤੋਂ ਬਾਅਦ ਕਲਾਇੰਟਸ ਦੀ ਗਤੀਵਿਧੀ (ACTIVE_FLAG=0) ਨੂੰ ਮੁੜ ਸ਼ੁਰੂ ਕਰਨਾ ਦਿਖਾਉਂਦਾ ਹੈ।

ਇੱਥੇ ਅਸੀਂ ਉਸ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਥੋੜਾ ਸਪੱਸ਼ਟ ਕਰਾਂਗੇ ਜਿਸ ਨਾਲ ਅਸੀਂ ਕੰਮ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ ਹੈ। ਇਸ ਲਈ, ਬੈਂਕ ਨੇ 19 ਮਹੀਨਿਆਂ ਲਈ ਨਿਮਨਲਿਖਤ ਟੇਬਲਾਂ ਵਿੱਚ ਕੁੱਲ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕੀਤੀ:

• "ਸਰਗਰਮੀ" - ਮਾਸਿਕ ਗਾਹਕ ਲੈਣ-ਦੇਣ (ਕਾਰਡਾਂ ਦੁਆਰਾ, ਇੰਟਰਨੈਟ ਬੈਂਕਿੰਗ ਅਤੇ ਮੋਬਾਈਲ ਬੈਂਕਿੰਗ ਵਿੱਚ), ਤਨਖਾਹ ਅਤੇ ਟਰਨਓਵਰ ਬਾਰੇ ਜਾਣਕਾਰੀ ਸਮੇਤ।
• "ਕਾਰਡਸ" - ਇੱਕ ਵਿਸਤ੍ਰਿਤ ਟੈਰਿਫ ਅਨੁਸੂਚੀ ਦੇ ਨਾਲ, ਗਾਹਕ ਕੋਲ ਮੌਜੂਦ ਸਾਰੇ ਕਾਰਡਾਂ ਬਾਰੇ ਡੇਟਾ।
• "ਇਕਰਾਰਨਾਮੇ" - ਗਾਹਕ ਦੇ ਸਮਝੌਤਿਆਂ ਬਾਰੇ ਜਾਣਕਾਰੀ (ਖੁੱਲ੍ਹੇ ਅਤੇ ਬੰਦ ਦੋਵੇਂ): ਲੋਨ, ਜਮ੍ਹਾ, ਆਦਿ, ਹਰੇਕ ਦੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹੋਏ।
• "ਗਾਹਕ" - ਜਨਸੰਖਿਆ ਡੇਟਾ (ਲਿੰਗ ਅਤੇ ਉਮਰ) ਅਤੇ ਸੰਪਰਕ ਜਾਣਕਾਰੀ ਦੀ ਉਪਲਬਧਤਾ ਦਾ ਇੱਕ ਸਮੂਹ।

ਕੰਮ ਲਈ ਸਾਨੂੰ "ਨਕਸ਼ੇ" ਨੂੰ ਛੱਡ ਕੇ ਸਾਰੀਆਂ ਟੇਬਲਾਂ ਦੀ ਲੋੜ ਸੀ।

ਇੱਥੇ ਇੱਕ ਹੋਰ ਮੁਸ਼ਕਲ ਸੀ - ਇਸ ਡੇਟਾ ਵਿੱਚ ਬੈਂਕ ਨੇ ਇਹ ਨਹੀਂ ਦੱਸਿਆ ਕਿ ਕਾਰਡਾਂ 'ਤੇ ਕਿਸ ਤਰ੍ਹਾਂ ਦੀ ਗਤੀਵਿਧੀ ਹੋਈ ਹੈ। ਭਾਵ, ਅਸੀਂ ਸਮਝ ਸਕਦੇ ਹਾਂ ਕਿ ਇੱਥੇ ਲੈਣ-ਦੇਣ ਸਨ ਜਾਂ ਨਹੀਂ, ਪਰ ਅਸੀਂ ਹੁਣ ਉਹਨਾਂ ਦੀ ਕਿਸਮ ਨੂੰ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਇਸ ਲਈ, ਇਹ ਅਸਪਸ਼ਟ ਸੀ ਕਿ ਗਾਹਕ ਨਕਦ ਕਢਵਾ ਰਿਹਾ ਸੀ, ਤਨਖਾਹ ਪ੍ਰਾਪਤ ਕਰ ਰਿਹਾ ਸੀ, ਜਾਂ ਖਰੀਦਦਾਰੀ 'ਤੇ ਪੈਸੇ ਖਰਚ ਰਿਹਾ ਸੀ। ਸਾਡੇ ਕੋਲ ਖਾਤੇ ਦੇ ਬਕਾਏ 'ਤੇ ਡਾਟਾ ਵੀ ਨਹੀਂ ਸੀ, ਜੋ ਕਿ ਲਾਭਦਾਇਕ ਹੁੰਦਾ।

ਨਮੂਨਾ ਆਪਣੇ ਆਪ ਵਿੱਚ ਨਿਰਪੱਖ ਸੀ - ਇਸ ਨਮੂਨੇ ਵਿੱਚ, 19 ਮਹੀਨਿਆਂ ਤੋਂ ਵੱਧ, ਬੈਂਕ ਨੇ ਗਾਹਕਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣ ਅਤੇ ਆਊਟਫਲੋ ਨੂੰ ਘੱਟ ਕਰਨ ਦੀ ਕੋਈ ਕੋਸ਼ਿਸ਼ ਨਹੀਂ ਕੀਤੀ।

ਇਸ ਲਈ, ਅਕਿਰਿਆਸ਼ੀਲਤਾ ਦੇ ਸਮੇਂ ਬਾਰੇ.

ਮੰਥਨ ਦੀ ਪਰਿਭਾਸ਼ਾ ਬਣਾਉਣ ਲਈ, ਅਕਿਰਿਆਸ਼ੀਲਤਾ ਦੀ ਮਿਆਦ ਚੁਣੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਸਮੇਂ ਦੇ ਇੱਕ ਬਿੰਦੂ 'ਤੇ ਇੱਕ ਮੰਥਨ ਪੂਰਵ ਅਨੁਮਾਨ ਬਣਾਉਣ ਲਈ , ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਅੰਤਰਾਲ 'ਤੇ ਘੱਟੋ-ਘੱਟ 3 ਮਹੀਨਿਆਂ ਦਾ ਗਾਹਕ ਇਤਿਹਾਸ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ . ਸਾਡਾ ਇਤਿਹਾਸ 19 ਮਹੀਨਿਆਂ ਤੱਕ ਸੀਮਿਤ ਸੀ, ਇਸ ਲਈ ਅਸੀਂ 6 ਮਹੀਨਿਆਂ ਦੀ ਅਕਿਰਿਆਸ਼ੀਲਤਾ ਦੀ ਮਿਆਦ ਲੈਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ, ਜੇਕਰ ਉਪਲਬਧ ਹੋਵੇ। ਅਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਘੱਟੋ-ਘੱਟ ਮਿਆਦ ਲਈ, ਅਸੀਂ 3 ਮਹੀਨੇ ਲਏ। ਅਸੀਂ ਗਾਹਕ ਡੇਟਾ ਵਿਵਹਾਰ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਆਧਾਰ 'ਤੇ ਅਨੁਭਵੀ ਤੌਰ 'ਤੇ 3 ਅਤੇ 6 ਮਹੀਨਿਆਂ ਦੇ ਅੰਕੜੇ ਲਏ।

ਅਸੀਂ ਮੰਥਨ ਦੀ ਪਰਿਭਾਸ਼ਾ ਇਸ ਤਰ੍ਹਾਂ ਤਿਆਰ ਕੀਤੀ ਹੈ: ਗਾਹਕ ਮੰਥਨ ਦਾ ਮਹੀਨਾ ਇਹ ACTIVE_FLAG=0 ਵਾਲਾ ਪਹਿਲਾ ਮਹੀਨਾ ਹੈ, ਜਿੱਥੇ ਇਸ ਮਹੀਨੇ ਤੋਂ ACTIVE_FLAG ਖੇਤਰ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਛੇ ਲਗਾਤਾਰ ਜ਼ੀਰੋ ਹਨ, ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਉਹ ਮਹੀਨਾ ਜਿਸ ਤੋਂ ਕਲਾਇੰਟ 6 ਮਹੀਨਿਆਂ ਲਈ ਅਕਿਰਿਆਸ਼ੀਲ ਸੀ।

ਉਹਨਾਂ ਗਾਹਕਾਂ ਦੀ ਗਿਣਤੀ ਜੋ ਛੱਡ ਗਏ ਹਨ

ਬਾਕੀ ਗਾਹਕਾਂ ਦੀ ਸੰਖਿਆ

ਚੂਰਨ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ?

ਅਜਿਹੇ ਮੁਕਾਬਲਿਆਂ ਵਿੱਚ, ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਅਭਿਆਸ ਵਿੱਚ, ਆਊਟਫਲੋ ਅਕਸਰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ. ਕਲਾਇੰਟ ਵੱਖ-ਵੱਖ ਸਮੇਂ 'ਤੇ ਉਤਪਾਦਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਉਸ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦਾ ਡੇਟਾ ਇੱਕ ਨਿਸ਼ਚਿਤ ਲੰਬਾਈ n ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਵੈਕਟਰ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ। ਅਕਸਰ ਇਸ ਜਾਣਕਾਰੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ:

• ਉਪਭੋਗਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਡੇਟਾ (ਜਨਸੰਖਿਆ ਡੇਟਾ, ਮਾਰਕੀਟਿੰਗ ਖੰਡ)।
• ਬੈਂਕਿੰਗ ਉਤਪਾਦਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਦਾ ਇਤਿਹਾਸ (ਇਹ ਗਾਹਕ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਹਨ ਜੋ ਹਮੇਸ਼ਾ ਇੱਕ ਖਾਸ ਸਮੇਂ ਜਾਂ ਅੰਤਰਾਲ ਦੇ ਸਮੇਂ ਨਾਲ ਜੁੜੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ਜਿਸਦੀ ਸਾਨੂੰ ਲੋੜ ਹੁੰਦੀ ਹੈ)।
• ਬਾਹਰੀ ਡੇਟਾ, ਜੇ ਇਸਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨਾ ਸੰਭਵ ਸੀ - ਉਦਾਹਰਨ ਲਈ, ਸੋਸ਼ਲ ਨੈਟਵਰਕਸ ਤੋਂ ਸਮੀਖਿਆਵਾਂ.

ਅਤੇ ਉਸ ਤੋਂ ਬਾਅਦ, ਉਹ ਮੰਥਨ ਦੀ ਇੱਕ ਪਰਿਭਾਸ਼ਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਹਰੇਕ ਕੰਮ ਲਈ ਵੱਖਰੀ। ਫਿਰ ਉਹ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ ਗਾਹਕ ਦੇ ਜਾਣ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਕਾਰਕਾਂ ਦੇ ਵੈਕਟਰ 'ਤੇ ਅਧਾਰਤ . ਐਲਗੋਰਿਦਮ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ, ਨਿਰਣਾਇਕ ਰੁੱਖਾਂ ਦੇ ਸਮੂਹਾਂ ਨੂੰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਫਰੇਮਵਰਕ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, XGBoost, ਲਾਈਟਜੀਬੀਐਮ, ਕੈਟਬੂਸਟ ਜਾਂ ਇਸ ਦੀਆਂ ਸੋਧਾਂ।

ਐਲਗੋਰਿਦਮ ਆਪਣੇ ਆਪ ਵਿੱਚ ਬੁਰਾ ਨਹੀਂ ਹੈ, ਪਰ ਜਦੋਂ ਮੰਥਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਗੱਲ ਆਉਂਦੀ ਹੈ ਤਾਂ ਇਸਦੇ ਕਈ ਗੰਭੀਰ ਨੁਕਸਾਨ ਹਨ।

• ਉਸ ਕੋਲ ਅਖੌਤੀ "ਮੈਮੋਰੀ" ਨਹੀਂ ਹੈ. ਮਾਡਲ ਦਾ ਇੰਪੁੱਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਸੰਖਿਆ ਹੈ ਜੋ ਸਮੇਂ ਦੇ ਮੌਜੂਦਾ ਬਿੰਦੂ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ। ਪੈਰਾਮੀਟਰਾਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਇਤਿਹਾਸ ਬਾਰੇ ਜਾਣਕਾਰੀ ਨੂੰ ਸਟੋਰ ਕਰਨ ਲਈ, ਖਾਸ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਪੈਰਾਮੀਟਰਾਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀਆਂ ਹਨ, ਉਦਾਹਰਨ ਲਈ, ਪਿਛਲੇ 1,2,3, XNUMX, XNUMX ਮਹੀਨਿਆਂ ਵਿੱਚ ਬੈਂਕ ਲੈਣ-ਦੇਣ ਦੀ ਸੰਖਿਆ ਜਾਂ ਰਕਮ। ਇਹ ਪਹੁੰਚ ਅਸਥਾਈ ਤਬਦੀਲੀਆਂ ਦੀ ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਹੀ ਦਰਸਾ ਸਕਦੀ ਹੈ।
• ਸਥਿਰ ਪੂਰਵ ਅਨੁਮਾਨ ਰੁਖ। ਮਾਡਲ ਸਿਰਫ ਇੱਕ ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਸਮੇਂ ਲਈ ਗਾਹਕ ਮੰਥਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਯੋਗ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਮਹੀਨਾ ਪਹਿਲਾਂ ਪੂਰਵ ਅਨੁਮਾਨ। ਜੇ ਕਿਸੇ ਵੱਖਰੇ ਸਮੇਂ ਲਈ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਤਿੰਨ ਮਹੀਨਿਆਂ, ਤਾਂ ਤੁਹਾਨੂੰ ਸਿਖਲਾਈ ਸੈੱਟ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣ ਅਤੇ ਇੱਕ ਨਵੇਂ ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਾਉਣ ਦੀ ਲੋੜ ਹੈ।

ਸਾਡੀ ਪਹੁੰਚ

ਅਸੀਂ ਤੁਰੰਤ ਫੈਸਲਾ ਕੀਤਾ ਕਿ ਅਸੀਂ ਮਿਆਰੀ ਪਹੁੰਚ ਨਹੀਂ ਵਰਤਾਂਗੇ। ਸਾਡੇ ਤੋਂ ਇਲਾਵਾ, 497 ਹੋਰ ਲੋਕਾਂ ਨੇ ਚੈਂਪੀਅਨਸ਼ਿਪ ਵਿੱਚ ਰਜਿਸਟਰ ਕੀਤਾ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਪਿੱਛੇ ਕਾਫ਼ੀ ਤਜਰਬਾ ਸੀ। ਇਸ ਲਈ ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਇੱਕ ਮਿਆਰੀ ਸਕੀਮ ਦੇ ਅਨੁਸਾਰ ਕੁਝ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਚੰਗਾ ਵਿਚਾਰ ਨਹੀਂ ਹੈ।

ਅਤੇ ਅਸੀਂ ਗਾਹਕ ਮੰਥਨ ਸਮੇਂ ਦੀ ਸੰਭਾਵਨਾ ਵੰਡ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਮਾਡਲ ਦਾ ਸਾਹਮਣਾ ਕਰਨ ਵਾਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ। ਇੱਕ ਸਮਾਨ ਪਹੁੰਚ ਦੇਖੀ ਜਾ ਸਕਦੀ ਹੈ ਇੱਥੇ, ਇਹ ਤੁਹਾਨੂੰ ਕਲਾਸੀਕਲ ਪਹੁੰਚ ਨਾਲੋਂ ਵਧੇਰੇ ਲਚਕਦਾਰ ਤਰੀਕੇ ਨਾਲ ਮੰਥਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਅਨੁਮਾਨਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਡਿਸਟਰੀਬਿਊਸ਼ਨ ਦੇ ਇੱਕ ਪਰਿਵਾਰ ਦੇ ਰੂਪ ਵਿੱਚ ਆਊਟਫਲੋ ਟਾਈਮ ਮਾਡਲਿੰਗ, ਅਸੀਂ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੂੰ ਚੁਣਿਆ ਹੈ ਵੇਈਬੁਲ ਸਰਵਾਈਵਲ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਇਸਦੀ ਵਿਆਪਕ ਵਰਤੋਂ ਲਈ। ਗਾਹਕ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਇੱਕ ਕਿਸਮ ਦੇ ਬਚਾਅ ਵਜੋਂ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਇੱਥੇ ਪੈਰਾਮੀਟਰਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ ਵੇਬੁੱਲ ਸੰਭਾਵੀ ਘਣਤਾ ਵੰਡ ਦੀਆਂ ਉਦਾਹਰਨਾਂ ਹਨ и :

ਇਹ ਸਮੇਂ ਦੇ ਨਾਲ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਗਾਹਕਾਂ ਦਾ ਸੰਭਾਵੀ ਘਣਤਾ ਫੰਕਸ਼ਨ ਹੈ। ਸਮਾਂ ਮਹੀਨਿਆਂ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਹ ਗ੍ਰਾਫ਼ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਜਦੋਂ ਇੱਕ ਕਲਾਇੰਟ ਅਗਲੇ ਦੋ ਮਹੀਨਿਆਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਮੰਥਨ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਰੱਖਦਾ ਹੈ। ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ, ਇੱਕ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਵਾਲੇ ਇੱਕ ਕਲਾਇੰਟ ਕੋਲ ਵੇਈਬੁਲ (2, 0.5) ਅਤੇ ਵੇਬੁੱਲ ਵਾਲੇ ਗਾਹਕਾਂ ਨਾਲੋਂ ਪਹਿਲਾਂ ਛੱਡਣ ਦੀ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾ ਹੈ। (3,1) ਵੰਡ.

ਨਤੀਜਾ ਇੱਕ ਮਾਡਲ ਹੈ ਜੋ, ਹਰੇਕ ਗਾਹਕ ਲਈ, ਹਰੇਕ ਲਈ
ਮਹੀਨਾ ਵੇਈਬੁਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦੇ ਮਾਪਦੰਡਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਬਾਹਰ ਜਾਣ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਢੰਗ ਨਾਲ ਦਰਸਾਉਂਦਾ ਹੈ। ਹੋਰ ਵੇਰਵੇ ਵਿੱਚ:

• ਸਿਖਲਾਈ ਸੈੱਟ 'ਤੇ ਨਿਸ਼ਾਨਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਇੱਕ ਖਾਸ ਗਾਹਕ ਲਈ ਇੱਕ ਖਾਸ ਮਹੀਨੇ ਵਿੱਚ ਮੰਥਨ ਤੱਕ ਬਾਕੀ ਬਚਿਆ ਸਮਾਂ ਹੈ।
• ਜੇਕਰ ਕਿਸੇ ਗਾਹਕ ਲਈ ਕੋਈ ਮੰਥਨ ਦਰ ਨਹੀਂ ਹੈ, ਤਾਂ ਅਸੀਂ ਇਹ ਮੰਨਦੇ ਹਾਂ ਕਿ ਮੰਥਨ ਦਾ ਸਮਾਂ ਮੌਜੂਦਾ ਮਹੀਨੇ ਤੋਂ ਸਾਡੇ ਇਤਿਹਾਸ ਦੇ ਅੰਤ ਤੱਕ ਮਹੀਨਿਆਂ ਦੀ ਗਿਣਤੀ ਤੋਂ ਵੱਧ ਹੈ।
• ਮਾਡਲ ਵਰਤਿਆ ਗਿਆ: LSTM ਪਰਤ ਦੇ ਨਾਲ ਆਵਰਤੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ।
• ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਦੇ ਰੂਪ ਵਿੱਚ, ਅਸੀਂ Weibull ਵੰਡ ਲਈ ਨਕਾਰਾਤਮਕ ਲੌਗ-ਸੰਭਾਵਨਾ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ।

ਇੱਥੇ ਇਸ ਵਿਧੀ ਦੇ ਫਾਇਦੇ ਹਨ:

• ਸੰਭਾਵਨਾ ਵੰਡ, ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਦੀ ਸਪੱਸ਼ਟ ਸੰਭਾਵਨਾ ਤੋਂ ਇਲਾਵਾ, ਵੱਖ-ਵੱਖ ਘਟਨਾਵਾਂ ਦੀ ਲਚਕਦਾਰ ਭਵਿੱਖਬਾਣੀ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਕੀ ਕੋਈ ਗਾਹਕ 3 ਮਹੀਨਿਆਂ ਦੇ ਅੰਦਰ ਬੈਂਕ ਦੀਆਂ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬੰਦ ਕਰ ਦੇਵੇਗਾ। ਨਾਲ ਹੀ, ਜੇਕਰ ਲੋੜ ਹੋਵੇ, ਤਾਂ ਇਸ ਵੰਡ 'ਤੇ ਵੱਖ-ਵੱਖ ਮੈਟ੍ਰਿਕਸ ਔਸਤ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
• LSTM ਆਵਰਤੀ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਮੈਮੋਰੀ ਹੁੰਦੀ ਹੈ ਅਤੇ ਪੂਰੇ ਉਪਲਬਧ ਇਤਿਹਾਸ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਰਤਦਾ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਕਹਾਣੀ ਦਾ ਵਿਸਥਾਰ ਜਾਂ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ, ਸ਼ੁੱਧਤਾ ਵਧਦੀ ਜਾਂਦੀ ਹੈ।
• ਸਮੇਂ ਦੀ ਮਿਆਦ ਨੂੰ ਛੋਟੇ ਵਿੱਚ ਵੰਡਣ ਵੇਲੇ ਪਹੁੰਚ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਸਕੇਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਮਹੀਨਿਆਂ ਨੂੰ ਹਫ਼ਤਿਆਂ ਵਿੱਚ ਵੰਡਣ ਵੇਲੇ)।

ਪਰ ਇੱਕ ਚੰਗਾ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਇਹ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ; ਤੁਹਾਨੂੰ ਇਸਦੀ ਗੁਣਵੱਤਾ ਦਾ ਸਹੀ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਵੀ ਲੋੜ ਹੈ।

ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਿਵੇਂ ਕੀਤਾ ਗਿਆ ਸੀ?

ਅਸੀਂ ਲਿਫਟ ਕਰਵ ਨੂੰ ਮੀਟਰਿਕ ਵਜੋਂ ਚੁਣਿਆ ਹੈ। ਇਹ ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਲਈ ਵਪਾਰ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਸਦੀ ਸਪਸ਼ਟ ਵਿਆਖਿਆ ਹੈ, ਇਸਦਾ ਚੰਗੀ ਤਰ੍ਹਾਂ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ ਇੱਥੇ и ਇੱਥੇ. ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਵਾਕ ਵਿੱਚ ਇਸ ਮੈਟ੍ਰਿਕ ਦੇ ਅਰਥ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਹੋਵੇਗਾ "ਐਲਗੋਰਿਦਮ ਪਹਿਲੀ ਵਾਰ ਵਿੱਚ ਕਿੰਨੀ ਵਾਰ ਸਭ ਤੋਂ ਵਧੀਆ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ % ਬੇਤਰਤੀਬੇ ਨਾਲੋਂ।"

ਸਿਖਲਾਈ ਮਾਡਲ

ਮੁਕਾਬਲੇ ਦੀਆਂ ਸਥਿਤੀਆਂ ਨੇ ਇੱਕ ਖਾਸ ਗੁਣਵੱਤਾ ਮੈਟ੍ਰਿਕ ਸਥਾਪਤ ਨਹੀਂ ਕੀਤਾ ਜਿਸ ਦੁਆਰਾ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਅਤੇ ਪਹੁੰਚਾਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮੰਥਨ ਦੀ ਪਰਿਭਾਸ਼ਾ ਵੱਖਰੀ ਹੋ ਸਕਦੀ ਹੈ ਅਤੇ ਸਮੱਸਿਆ ਦੇ ਬਿਆਨ 'ਤੇ ਨਿਰਭਰ ਹੋ ਸਕਦੀ ਹੈ, ਜੋ ਬਦਲੇ ਵਿੱਚ, ਵਪਾਰਕ ਟੀਚਿਆਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਲਈ, ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਕਿਹੜਾ ਤਰੀਕਾ ਬਿਹਤਰ ਹੈ, ਅਸੀਂ ਦੋ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਹੈ:

1. ਇੱਕ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਬਾਈਨਰੀ ਵਰਗੀਕਰਣ ਪਹੁੰਚ ਇੱਕ ensemble ਫੈਸਲੇ ਟ੍ਰੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ (ਲਾਈਟਜੀਬੀਐਮ);
2. Weibull-LSTM ਮਾਡਲ

ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ 500 ਪਹਿਲਾਂ ਤੋਂ ਚੁਣੇ ਗਏ ਗਾਹਕ ਸਨ ਜੋ ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਨਹੀਂ ਸਨ। ਹਾਈਪਰ-ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਕਲਾਇੰਟ ਦੁਆਰਾ ਵੰਡਿਆ ਗਿਆ, ਕਰਾਸ-ਵੈਧੀਕਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮਾਡਲ ਲਈ ਚੁਣਿਆ ਗਿਆ ਸੀ। ਹਰੇਕ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਇੱਕੋ ਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ।

ਇਸ ਤੱਥ ਦੇ ਕਾਰਨ ਕਿ ਮਾਡਲ ਵਿੱਚ ਮੈਮੋਰੀ ਨਹੀਂ ਹੈ, ਇਸਦੇ ਲਈ ਵਿਸ਼ੇਸ਼ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਲਈਆਂ ਗਈਆਂ ਸਨ, ਪਿਛਲੇ ਤਿੰਨ ਮਹੀਨਿਆਂ ਵਿੱਚ ਪੈਰਾਮੀਟਰਾਂ ਲਈ ਔਸਤ ਮੁੱਲ ਦੇ ਇੱਕ ਮਹੀਨੇ ਲਈ ਮਾਪਦੰਡਾਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦਾ ਅਨੁਪਾਤ ਦਰਸਾਉਂਦਾ ਹੈ. ਤਿੰਨ ਮਹੀਨਿਆਂ ਦੀ ਆਖਰੀ ਮਿਆਦ ਦੇ ਦੌਰਾਨ ਮੁੱਲਾਂ ਵਿੱਚ ਤਬਦੀਲੀ ਦੀ ਦਰ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਕੀ ਹੈ। ਇਸ ਤੋਂ ਬਿਨਾਂ, ਰੈਂਡਮ ਫੋਰੈਸਟ-ਆਧਾਰਿਤ ਮਾਡਲ Weibull-LSTM ਦੇ ਮੁਕਾਬਲੇ ਨੁਕਸਾਨ ਵਿੱਚ ਹੋਵੇਗਾ।

Weibull ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦੇ ਨਾਲ LSTM ਇੱਕ ensemble ਫੈਸਲੇ ਟ੍ਰੀ ਪਹੁੰਚ ਨਾਲੋਂ ਬਿਹਤਰ ਕਿਉਂ ਹੈ

ਇੱਥੇ ਸਿਰਫ ਇੱਕ ਦੋ ਤਸਵੀਰਾਂ ਵਿੱਚ ਸਭ ਕੁਝ ਸਪਸ਼ਟ ਹੈ.

ਕਲਾਸੀਕਲ ਐਲਗੋਰਿਦਮ ਅਤੇ Weibull-LSTM ਲਈ ਲਿਫਟ ਕਰਵ ਦੀ ਤੁਲਨਾ

ਕਲਾਸੀਕਲ ਐਲਗੋਰਿਦਮ ਅਤੇ Weibull-LSTM ਲਈ ਮਹੀਨੇ ਦੇ ਹਿਸਾਬ ਨਾਲ ਲਿਫਟ ਕਰਵ ਮੈਟ੍ਰਿਕ ਦੀ ਤੁਲਨਾ

ਆਮ ਤੌਰ 'ਤੇ, LSTM ਲਗਭਗ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਕਲਾਸੀਕਲ ਐਲਗੋਰਿਦਮ ਤੋਂ ਉੱਤਮ ਹੈ।

ਮੰਥਨ ਦੀ ਭਵਿੱਖਬਾਣੀ

Weibull ਡਿਸਟਰੀਬਿਊਸ਼ਨ ਵਾਲੇ LSTM ਸੈੱਲਾਂ ਦੇ ਨਾਲ ਇੱਕ ਆਵਰਤੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ 'ਤੇ ਆਧਾਰਿਤ ਇੱਕ ਮਾਡਲ ਪਹਿਲਾਂ ਤੋਂ ਮੰਥਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਅਗਲੇ n ਮਹੀਨਿਆਂ ਦੇ ਅੰਦਰ ਗਾਹਕ ਮੰਥਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ। n = 3 ਲਈ ਕੇਸ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਹਰੇਕ ਮਹੀਨੇ ਲਈ, ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਗਾਹਕ ਅਗਲੇ ਮਹੀਨੇ ਤੋਂ ਸ਼ੁਰੂ ਹੋ ਕੇ ਅਤੇ XNUMXਵੇਂ ਮਹੀਨੇ ਤੱਕ ਛੱਡੇਗਾ ਜਾਂ ਨਹੀਂ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਸ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਗਾਹਕ n ਮਹੀਨਿਆਂ ਬਾਅਦ ਰਹੇਗਾ ਜਾਂ ਨਹੀਂ। ਇਸ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਪੂਰਵ ਅਨੁਮਾਨ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ: ਉਸ ਪਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਜਦੋਂ ਗਾਹਕ ਹੁਣੇ ਛੱਡਣ ਬਾਰੇ ਸੋਚਣਾ ਸ਼ੁਰੂ ਕਰ ਰਿਹਾ ਸੀ।

ਆਉ ਆਊਟਫਲੋ ਤੋਂ ਪਹਿਲਾਂ Weibull-LSTM 1, 2 ਅਤੇ 3 ਮਹੀਨੇ ਲਈ ਲਿਫਟ ਕਰਵ ਦੀ ਤੁਲਨਾ ਕਰੀਏ:

ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਉੱਪਰ ਲਿਖਿਆ ਹੈ ਕਿ ਉਹਨਾਂ ਗਾਹਕਾਂ ਲਈ ਕੀਤੀ ਗਈ ਭਵਿੱਖਬਾਣੀ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜੋ ਹੁਣ ਕੁਝ ਸਮੇਂ ਲਈ ਸਰਗਰਮ ਨਹੀਂ ਹਨ। ਇਸ ਲਈ, ਇੱਥੇ ਅਸੀਂ ਨਮੂਨੇ ਵਿੱਚ ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਨੂੰ ਜੋੜਾਂਗੇ ਜਦੋਂ ਵਿਛੜਿਆ ਗਾਹਕ ਪਹਿਲਾਂ ਹੀ ਇੱਕ ਜਾਂ ਦੋ ਮਹੀਨਿਆਂ ਲਈ ਅਕਿਰਿਆਸ਼ੀਲ ਹੈ, ਅਤੇ ਜਾਂਚ ਕਰੋ ਕਿ Weibull-LSTM ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਨੂੰ ਚੂਰਨ ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਗੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ। ਕਿਉਂਕਿ ਅਜਿਹੇ ਮਾਮਲੇ ਨਮੂਨੇ ਵਿੱਚ ਮੌਜੂਦ ਸਨ, ਅਸੀਂ ਉਮੀਦ ਕਰਦੇ ਹਾਂ ਕਿ ਨੈੱਟਵਰਕ ਉਹਨਾਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸੰਭਾਲੇਗਾ:

ਗਾਹਕ ਧਾਰਨ

ਅਸਲ ਵਿੱਚ, ਇਹ ਮੁੱਖ ਚੀਜ਼ ਹੈ ਜੋ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਹੱਥ ਵਿੱਚ ਜਾਣਕਾਰੀ ਹੋਣ ਕਿ ਅਜਿਹੇ ਅਤੇ ਅਜਿਹੇ ਗਾਹਕ ਉਤਪਾਦ ਦੀ ਵਰਤੋਂ ਬੰਦ ਕਰਨ ਦੀ ਤਿਆਰੀ ਕਰ ਰਹੇ ਹਨ। ਇੱਕ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਗੱਲ ਕਰਦੇ ਹੋਏ ਜੋ ਗਾਹਕਾਂ ਨੂੰ ਉਹਨਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣ ਲਈ ਕੁਝ ਲਾਭਦਾਇਕ ਪੇਸ਼ਕਸ਼ ਕਰ ਸਕਦਾ ਹੈ, ਅਜਿਹਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਅਜਿਹੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ ਦਾ ਇਤਿਹਾਸ ਨਹੀਂ ਹੈ ਜੋ ਚੰਗੀ ਤਰ੍ਹਾਂ ਖਤਮ ਹੋ ਜਾਵੇਗਾ।

ਸਾਡੇ ਕੋਲ ਅਜਿਹੀ ਕੋਈ ਕਹਾਣੀ ਨਹੀਂ ਸੀ, ਇਸ ਲਈ ਅਸੀਂ ਇਸਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਫੈਸਲਾ ਕੀਤਾ।

1. ਅਸੀਂ ਇੱਕ ਮਾਡਲ ਬਣਾ ਰਹੇ ਹਾਂ ਜੋ ਹਰੇਕ ਗਾਹਕ ਲਈ ਦਿਲਚਸਪ ਉਤਪਾਦਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ।
2. ਹਰ ਮਹੀਨੇ ਅਸੀਂ ਕਲਾਸੀਫਾਇਰ ਚਲਾਉਂਦੇ ਹਾਂ ਅਤੇ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਛੱਡਣ ਵਾਲੇ ਗਾਹਕਾਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਾਂ।
3. ਅਸੀਂ ਕੁਝ ਗਾਹਕਾਂ ਨੂੰ ਪੁਆਇੰਟ 1 ਦੇ ਮਾਡਲ ਦੇ ਅਨੁਸਾਰ ਉਤਪਾਦ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਸਾਡੀਆਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਯਾਦ ਕਰਦੇ ਹਾਂ।
4. ਕੁਝ ਮਹੀਨਿਆਂ ਬਾਅਦ, ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਕਿ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਹੜੇ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਗਾਹਕਾਂ ਨੇ ਛੱਡ ਦਿੱਤਾ ਹੈ ਅਤੇ ਕਿਹੜਾ ਰਿਹਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਅਸੀਂ ਇੱਕ ਸਿਖਲਾਈ ਨਮੂਨਾ ਬਣਾਉਂਦੇ ਹਾਂ.
5. ਅਸੀਂ ਕਦਮ 4 ਵਿੱਚ ਪ੍ਰਾਪਤ ਇਤਿਹਾਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਾਂ।
6. ਵਿਕਲਪਿਕ ਤੌਰ 'ਤੇ, ਅਸੀਂ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੁਹਰਾਉਂਦੇ ਹਾਂ, ਸਟੈਪ 1 ਤੋਂ ਮਾਡਲ ਨੂੰ ਕਦਮ 5 ਵਿੱਚ ਪ੍ਰਾਪਤ ਕੀਤੇ ਮਾਡਲ ਨਾਲ ਬਦਲਦੇ ਹਾਂ।

ਅਜਿਹੀ ਧਾਰਨਾ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਇੱਕ ਟੈਸਟ ਨਿਯਮਤ A/B ਟੈਸਟਿੰਗ ਦੁਆਰਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ - ਅਸੀਂ ਉਹਨਾਂ ਗਾਹਕਾਂ ਨੂੰ ਵੰਡਦੇ ਹਾਂ ਜੋ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਦੋ ਸਮੂਹਾਂ ਵਿੱਚ ਛੱਡ ਦਿੰਦੇ ਹਨ। ਅਸੀਂ ਇੱਕ ਨੂੰ ਸਾਡੇ ਧਾਰਨ ਮਾਡਲ ਦੇ ਅਧਾਰ 'ਤੇ ਉਤਪਾਦ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਦੂਜੇ ਨੂੰ ਅਸੀਂ ਕੁਝ ਨਹੀਂ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਇੱਕ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ ਜੋ ਸਾਡੀ ਉਦਾਹਰਣ ਦੇ ਬਿੰਦੂ 1 'ਤੇ ਪਹਿਲਾਂ ਹੀ ਉਪਯੋਗੀ ਹੋ ਸਕਦਾ ਹੈ।

ਅਸੀਂ ਵਿਭਾਜਨ ਨੂੰ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ ਵਿਆਖਿਆਯੋਗ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਸੀ। ਅਜਿਹਾ ਕਰਨ ਲਈ, ਅਸੀਂ ਕਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਚੁਣੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਆਸਾਨੀ ਨਾਲ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ: ਲੈਣ-ਦੇਣ ਦੀ ਕੁੱਲ ਸੰਖਿਆ, ਤਨਖਾਹ, ਕੁੱਲ ਖਾਤਾ ਟਰਨਓਵਰ, ਉਮਰ, ਲਿੰਗ। "ਨਕਸ਼ੇ" ਸਾਰਣੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਗੈਰ-ਜਾਣਕਾਰੀ ਦੇ ਤੌਰ 'ਤੇ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਿਆ ਗਿਆ ਸੀ, ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਸੈੱਟ ਅਤੇ ਸਿਖਲਾਈ ਸੈੱਟ ਵਿਚਕਾਰ ਡੇਟਾ ਲੀਕ ਹੋਣ ਤੋਂ ਬਚਣ ਲਈ ਪ੍ਰਕਿਰਿਆ ਦੀ ਗੁੰਝਲਤਾ ਦੇ ਕਾਰਨ ਸਾਰਣੀ 3 ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਿਆ ਗਿਆ ਸੀ।

ਕਲੱਸਟਰਿੰਗ ਗੌਸੀਅਨ ਮਿਸ਼ਰਣ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਗਈ ਸੀ। ਅਕਾਇਕ ਜਾਣਕਾਰੀ ਮਾਪਦੰਡ ਨੇ ਸਾਨੂੰ 2 ਅਨੁਕੂਲਤਾ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਹੈ। ਪਹਿਲਾ ਸਰਵੋਤਮ 1 ਕਲੱਸਟਰ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਦੂਜਾ ਸਰਵੋਤਮ, ਘੱਟ ਉਚਾਰਿਆ ਗਿਆ, 80 ਕਲੱਸਟਰਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਇਸ ਨਤੀਜੇ ਦੇ ਆਧਾਰ 'ਤੇ, ਅਸੀਂ ਨਿਮਨਲਿਖਤ ਸਿੱਟਾ ਕੱਢ ਸਕਦੇ ਹਾਂ: ਪਹਿਲਾਂ ਦਿੱਤੀ ਗਈ ਜਾਣਕਾਰੀ ਤੋਂ ਬਿਨਾਂ ਡੇਟਾ ਨੂੰ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਵੰਡਣਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੈ। ਬਿਹਤਰ ਕਲੱਸਟਰਿੰਗ ਲਈ, ਤੁਹਾਨੂੰ ਉਹ ਡੇਟਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਹਰੇਕ ਕਲਾਇੰਟ ਦਾ ਵਿਸਤਾਰ ਵਿੱਚ ਵਰਣਨ ਕਰਦਾ ਹੈ।

ਇਸ ਲਈ, ਹਰੇਕ ਵਿਅਕਤੀਗਤ ਗਾਹਕ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਉਤਪਾਦ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਨ ਲਈ ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ ਦੀ ਸਮੱਸਿਆ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਹੇਠਾਂ ਦਿੱਤੇ ਉਤਪਾਦਾਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਗਿਆ ਸੀ: "ਟਰਮ ਡਿਪਾਜ਼ਿਟ", "ਕ੍ਰੈਡਿਟ ਕਾਰਡ", "ਓਵਰਡਰਾਫਟ", "ਖਪਤਕਾਰ ਲੋਨ", "ਕਾਰ ਲੋਨ", "ਮੌਰਗੇਜ"।

ਡੇਟਾ ਵਿੱਚ ਉਤਪਾਦ ਦੀ ਇੱਕ ਹੋਰ ਕਿਸਮ ਸ਼ਾਮਲ ਹੈ: “ਮੌਜੂਦਾ ਖਾਤਾ”। ਪਰ ਅਸੀਂ ਇਸਦੀ ਘੱਟ ਜਾਣਕਾਰੀ ਸਮੱਗਰੀ ਕਾਰਨ ਇਸ 'ਤੇ ਵਿਚਾਰ ਨਹੀਂ ਕੀਤਾ। ਉਹਨਾਂ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਜੋ ਬੈਂਕ ਗਾਹਕ ਹਨ, i.e. ਨੇ ਆਪਣੇ ਉਤਪਾਦਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬੰਦ ਨਹੀਂ ਕੀਤਾ, ਇੱਕ ਮਾਡਲ ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਬਣਾਇਆ ਗਿਆ ਸੀ ਕਿ ਕਿਹੜਾ ਉਤਪਾਦ ਉਹਨਾਂ ਲਈ ਦਿਲਚਸਪੀ ਵਾਲਾ ਹੋ ਸਕਦਾ ਹੈ। ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਨੂੰ ਮਾਡਲ ਵਜੋਂ ਚੁਣਿਆ ਗਿਆ ਸੀ, ਅਤੇ ਪਹਿਲੇ 10 ਪਰਸੈਂਟਾਈਲ ਲਈ ਲਿਫਟ ਮੁੱਲ ਗੁਣਵੱਤਾ ਮੁਲਾਂਕਣ ਮੈਟ੍ਰਿਕ ਵਜੋਂ ਵਰਤਿਆ ਗਿਆ ਸੀ।

ਚਿੱਤਰ ਵਿੱਚ ਮਾਡਲ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ.

ਗਾਹਕਾਂ ਲਈ ਉਤਪਾਦ ਸਿਫਾਰਸ਼ ਮਾਡਲ ਨਤੀਜੇ

ਨਤੀਜਾ

ਇਸ ਪਹੁੰਚ ਨੇ ਸਾਨੂੰ RAIF-ਚੁਣੌਤੀ 2017 AI ਚੈਂਪੀਅਨਸ਼ਿਪ ਵਿੱਚ “ਬੈਂਕਾਂ ਵਿੱਚ AI” ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਪਹਿਲਾ ਸਥਾਨ ਦਿੱਤਾ।

ਜ਼ਾਹਰਾ ਤੌਰ 'ਤੇ, ਮੁੱਖ ਗੱਲ ਇਹ ਸੀ ਕਿ ਸਮੱਸਿਆ ਨੂੰ ਇੱਕ ਗੈਰ-ਰਵਾਇਤੀ ਕੋਣ ਤੋਂ ਪਹੁੰਚਣਾ ਅਤੇ ਇੱਕ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਹੋਰ ਸਥਿਤੀਆਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ.

ਹਾਲਾਂਕਿ ਉਪਭੋਗਤਾਵਾਂ ਦਾ ਇੱਕ ਵਿਸ਼ਾਲ ਪ੍ਰਵਾਹ ਸੇਵਾਵਾਂ ਲਈ ਇੱਕ ਕੁਦਰਤੀ ਆਫ਼ਤ ਹੋ ਸਕਦਾ ਹੈ।

ਇਸ ਵਿਧੀ ਨੂੰ ਕਿਸੇ ਵੀ ਹੋਰ ਖੇਤਰ ਲਈ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜਿੱਥੇ ਸਿਰਫ਼ ਬੈਂਕਾਂ ਨੂੰ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਆਊਟਫਲੋ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਅਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਆਪਣੇ ਖੁਦ ਦੇ ਆਊਟਫਲੋ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਕੀਤੀ - ਰੋਸਟੇਲੀਕਾਮ ਦੀਆਂ ਸਾਇਬੇਰੀਅਨ ਅਤੇ ਸੇਂਟ ਪੀਟਰਸਬਰਗ ਸ਼ਾਖਾਵਾਂ ਵਿੱਚ।

"ਡਾਟਾ ਮਾਈਨਿੰਗ ਲੈਬਾਰਟਰੀ" ਕੰਪਨੀ "ਖੋਜ ਪੋਰਟਲ "ਸਪੁਟਨਿਕ"

ਸਰੋਤ: www.habr.com