څنګه چې موږ د طبیعي ناورین په څیر ورته نږدې کیدو سره د منحل کیدو وړاندوینه وکړه

ځینې ​​​​وختونه، د یوې ستونزې د حل کولو لپاره، تاسو اړتیا لرئ چې د یوې بلې زاویې څخه وګورئ. حتی که په تیرو لسو کلونو کې ورته ستونزې په بیلابیلو اغیزو سره په ورته ډول حل شوي وي، دا حقیقت نه دی چې دا طریقه یوازینۍ ده.

داسې موضوع شتون لري لکه د پیرودونکي منحل. دا ناگزیر دی، ځکه چې د هر شرکت پیرودونکي کولی شي، د ډیری دلیلونو لپاره، د خپلو محصولاتو یا خدماتو کارولو مخه ونیسي. البته، د یو شرکت لپاره، منحل یو طبیعي دی، مګر خورا مطلوب عمل نه دی، نو هرڅوک هڅه کوي چې دا منحل کم کړي. لا تر اوسه غوره، د کاروونکو د یوې ځانګړې کټګورۍ، یا یو ځانګړي کاروونکي لپاره د منحل احتمال اټکل کړئ، او د دوی ساتلو لپاره ځینې ګامونه وړاندیز کړئ.

دا اړینه ده چې لږ تر لږه د لاندې دلایلو لپاره د امکان په صورت کې د پیرودونکي ساتلو هڅه وکړئ:

• د نوي پیرودونکو راجلب کول د ساتلو پروسیجرونو په پرتله خورا ګران دي. د نوي پیرودونکو راجلبولو لپاره ، د یوې قاعدې په توګه ، تاسو اړتیا لرئ یو څه پیسې مصرف کړئ (اعتراض) ، پداسې حال کې چې موجوده پیرودونکي د ځانګړي شرایطو سره د ځانګړي وړاندیز سره فعال کیدی شي؛
• د هغو دلایلو پوهیدل چې ولې پیرودونکي پریږدي د محصولاتو او خدماتو د ښه کولو کلیدي ده.

د منحل وړاندوینې لپاره معیاري لارې شتون لري. مګر د AI اتلولیو څخه په یوه کې، موږ پریکړه وکړه چې د دې لپاره د Weibull ویش هڅه وکړو. دا ډیری وختونه د ژوندي پاتې کیدو تحلیل ، د هوا وړاندوینې ، د طبیعي پیښو تحلیل ، صنعتي انجینري او داسې نورو لپاره کارول کیږي. د ویبل توزیع یو ځانګړی توزیع فعالیت دی چې د دوه پیرامیټونو لخوا پیرامیټر شوی и .

ويکيپېډيا

په عموم کې ، دا یو په زړه پوری شی دی ، مګر د وړاندوینې وړاندوینې لپاره ، او په فینټیک کې په عموم کې ، دا ډیری وختونه نه کارول کیږي. د کټ لاندې موږ به تاسو ته ووایو چې موږ (د ډیټا کان کیندنې لابراتوار) دا څنګه ترسره کړل، په ورته وخت کې د مصنوعي استخباراتو په سیالیو کې د "AI په بانکونو کې" کټګورۍ کې د سرو زرو ګټل.

په عموم کې د مینځلو په اړه

راځئ چې په دې اړه لږ څه پوه شو چې د پیرودونکي منحل څه شی دی او ولې دا خورا مهم دی. د پیرودونکي اساس د سوداګرۍ لپاره مهم دی. نوي پیرودونکي دې اډې ته راځي، د بیلګې په توګه، د یو اعلان څخه د محصول یا خدمت په اړه زده کړه، د یو څه وخت لپاره ژوند کوي (په فعاله توګه د محصولاتو کارول) او یو څه وخت وروسته یې کارول بندوي. دا دوره د "پیرودونکو د ژوند دورې" په نوم یادیږي - یوه اصطلاح چې هغه مرحلې تشریح کوي چې یو پیرودونکی د محصول په اړه زده کړه کوي، د پیرود پریکړه کوي، پیسې ورکوي، کاروي او یو وفادار مصرف کوي، او بالاخره د محصول کارول ودروي. د یو دلیل یا بل لپاره. په دې اساس، منحل د پیرودونکي د ژوند دوره وروستنۍ مرحله ده، کله چې پیرودونکي د خدماتو کارول ودروي، او د سوداګرۍ لپاره دا پدې مانا ده چې پیرودونکي د ګټې یا کومې ګټې راوړل بند کړي.

د هر بانک پیرودونکی یو ځانګړی شخص دی چې یو یا بل بانک کارت په ځانګړي ډول د خپلو اړتیاو لپاره غوره کوي. که تاسو ډیری وختونه سفر کوئ، د میلونو سره یو کارت به په لاس کې راشي. ډیر پیرودل - سلام، کیش بیک کارت. هغه په ​​​​ځانګړي پلورنځیو کې ډیر څه اخلي - او د دې لپاره دمخه یو ځانګړی ملګری پلاستیک شتون لري. البته، ځینې وختونه کارت د "ارزانه خدمت" معیار پراساس غوره کیږي. په عموم کې، دلته کافي تغیرات شتون لري.

او یو سړی پخپله بانک هم غوره کوي - ایا د داسې بانک څخه د کارت غوره کولو کې کوم دلیل شتون لري چې څانګې یې یوازې په مسکو او سیمه کې دي، کله چې تاسو د خبروفسک څخه یاست؟ حتی که د داسې بانک کارت لږترلږه 2 ځله ډیر ګټور وي، د نږدې بانک څانګو شتون لاهم یو مهم معیار دی. هو، 2019 لا دمخه دلته دی او ډیجیټل زموږ هرڅه دي، مګر د ځینو بانکونو سره یو شمیر مسلې یوازې په یوه څانګه کې حل کیدی شي. برسیره پردې، یوځل بیا، د خلکو ځینې برخه په سمارټ فون کې د غوښتنلیک په پرتله په فزیکي بانک ډیر باور لري، دا هم باید په پام کې ونیول شي.

د پایلې په توګه، یو شخص ممکن د بانک محصولاتو (یا پخپله بانک) ردولو لپاره ډیری دلیلونه ولري. ما دندې بدلې کړې، او د کارت نرخ له معاش څخه "یوازې د مړو لپاره" ته بدل شو، کوم چې لږ ګټور دی. زه بل ښار ته لاړم چیرې چې د بانک څانګې نشته. ما په څانګه کې د غیر وړ آپریټر سره تعامل خوښ نه کړ. دا دی، ممکن د محصول کارولو په پرتله د حساب بندولو لپاره حتی ډیر دلیلونه وي.

او پیرودونکي نشي کولی یوازې په واضح ډول خپله اراده څرګند کړي - بانک ته راشي او یو بیان ولیکئ، مګر په ساده ډول د قرارداد پای ته رسولو پرته د محصولاتو کارول ودروي. پریکړه وشوه چې د دې ډول ستونزو د پوهیدو لپاره د ماشین زده کړې او AI کارول.

سربیره پردې، د پیرودونکي منحل کیدای شي په هر صنعت کې واقع شي (د مخابراتو، انټرنیټ چمتو کونکي، د بیمې شرکتونه، په عموم کې، چیرته چې د پیرودونکي اساس او دوره ایز لیږد شتون لري).

موږ څه کړي دي

تر ټولو لومړی، دا اړینه وه چې یو روښانه سرحد تشریح کړئ - له کوم وخت څخه چې موږ د پیرودونکي پریښودل پیل کوو. د بانک له نظره چې موږ ته یې زموږ د کار لپاره ډیټا چمتو کړې ، د پیرودونکي فعالیت حالت بائنری و - هغه یا فعال دی یا نه. په "فعالیت" جدول کې د ACTIVE_FLAG بیرغ و، چې ارزښت یې "0" یا "1" ("غیر فعال" او "فعال" په ترتیب سره) کیدی شي. او هرڅه به سم وي، مګر یو سړی داسې دی چې کولی شي په فعاله توګه د یو څه وخت لپاره وکاروي، او بیا د یوې میاشتې لپاره د فعال لیست څخه ووځي - هغه ناروغ شو، په رخصتۍ کې بل هیواد ته لاړ، یا حتی د ازموینې لپاره لاړ. د بل بانک څخه کارت. یا شاید د اوږدې مودې غیر فعالیت وروسته ، د بانک خدماتو کارول بیا پیل کړئ

له همدې امله ، موږ پریکړه وکړه چې د غیر فعالیت دورې ته یو ټاکلی دوامداره دوره ووایو په کوم کې چې د دې لپاره بیرغ "0" ته ټاکل شوی و.

پیرودونکي د مختلف اوږدوالي د غیر فعال کیدو دورې وروسته غیر فعال څخه فعال ته حرکت کوي. موږ فرصت لرو چې د تجربوي ارزښت درجې محاسبه کړو "د غیر فعالیت دورې اعتبار" - دا احتمال دی چې یو شخص به د لنډمهاله غیر فعالیت وروسته بیا د بانک محصولاتو کارول پیل کړي.

د مثال په توګه، دا ګراف د څو میاشتو غیر فعالیت وروسته د پیرودونکو د فعالیت (ACTIVE_FLAG=1) بیا پیل ښیي (ACTIVE_FLAG=0).

دلته به موږ د ډیټا سیټ یو څه روښانه کړو چې ورسره مو کار پیل کړ. نو، بانک په لاندې جدولونو کې د 19 میاشتو لپاره راټول شوي معلومات چمتو کړي:

• "فعالیت" - د پیرودونکو میاشتنۍ راکړې ورکړې (د کارتونو په واسطه، په انټرنیټ بانکداري او ګرځنده بانکداري کې)، په شمول د معاش او د بدلون په اړه معلومات.
• "کارډونه" - د ټولو کارتونو په اړه معلومات چې پیرودونکي لري، د تفصیلي تعرفې مهال ویش سره.
• "تړونونه" - د پیرودونکي تړونونو په اړه معلومات (دواړه خلاص او تړل شوي): پورونه، زیرمې، او داسې نور، چې د هر یو پیرامیټونه په ګوته کوي.
• "پیرودونکي" - د ډیموګرافیک ډیټا یوه مجموعه (جندر او عمر) او د اړیکو معلوماتو شتون.

د کار لپاره موږ د "نقشې" پرته ټولو میزونو ته اړتیا درلوده.

دلته یو بل مشکل شتون درلود - پدې معلوماتو کې بانک ندی په ګوته کړی چې په کارتونو کې کوم ډول فعالیت ترسره شوی. دا دی، موږ پوهیږو چې ایا لیږد شتون درلود یا نه، مګر موږ نور نشو کولی د دوی ډول وټاکو. له همدې امله، دا څرګنده نه وه چې آیا پیرودونکي نغدې پیسې وباسي، معاش ترلاسه کړي، یا پیسې په پیرود مصرف کړي. موږ د حساب بیلانس په اړه هم معلومات نه درلودل، کوم چې به ګټور وي.

نمونه پخپله بې طرفه وه - پدې نمونه کې، په 19 میاشتو کې، بانک د پیرودونکو ساتلو او د وتلو کمولو لپاره هیڅ هڅه نه ده کړې.

نو، د غیر فعالیت دورې په اړه.

د منحل تعریف د جوړولو لپاره، د غیر فعالیت موده باید وټاکل شي. په یو وخت کې د منحل وړاندوینې رامینځته کولو لپاره ، تاسو باید په وقفه کې لږترلږه د 3 میاشتو پیرودونکي تاریخ ولرئ . زموږ تاریخ تر 19 میاشتو پورې محدود و، نو موږ پریکړه وکړه چې د 6 میاشتو غیر فعالیت موده واخلو، که شتون ولري. او د لوړ کیفیت وړاندوینې لپاره د لږترلږه مودې لپاره ، موږ 3 میاشتې ونیولې. موږ د 3 او 6 میاشتو لپاره ارقام په تجربوي ډول د پیرودونکي ډیټا چلند تحلیل پراساس اخیستي.

موږ د منحل تعریف په لاندې ډول جوړ کړی: د پیرودونکي میاشت دا د ACTIVE_FLAG=0 سره لومړۍ میاشت ده، چیرې چې له دې میاشتې څخه د ACTIVE_FLAG ساحه کې لږ تر لږه شپږ پرله پسې صفرونه شتون لري، په بل عبارت، هغه میاشت چې پیرودونکي د 6 میاشتو لپاره غیر فعال و.

د هغو پیرودونکو شمیر چې پریښودل شوي

د پاتې پیرودونکو شمیر

خرما څنګه محاسبه کیږي؟

په داسې سیالیو کې، او په عمل کې په عموم کې، د وتلو ډیری وختونه په دې ډول اټکل کیږي. پیرودونکي په مختلفو وختونو کې محصولات او خدمات کاروي، د هغه سره د متقابل عمل ډاټا د یو ثابت اوږدوالی د ځانګړتیاوو د ویکتور په توګه ښودل کیږي. ډیری وختونه پدې معلوماتو کې شامل دي:

• ډاټا د کاروونکي ځانګړتیاوي (ډیموګرافیک ډاټا، د بازار موندنې برخه).
• د بانکي محصولاتو او خدماتو د کارولو تاریخ (دا د پیرودونکي عملونه دي چې تل د یو ځانګړي وخت یا وقفې مودې پورې تړلي وي چې موږ ورته اړتیا لرو).
• بهرني معلومات، که دا ممکنه وه چې دا ترلاسه کړي - د بیلګې په توګه، د ټولنیزو شبکو بیاکتنې.

او له هغې وروسته، دوی د منحل تعریف ترلاسه کوي، د هرې دندې لپاره توپیر لري. بیا دوی د ماشین زده کړې الګوریتم کاروي، کوم چې د پیرودونکي پریښودلو احتمال اټکل کوي د فکتورونو د ویکتور پر بنسټ . د الګوریتم د روزلو لپاره، د تصمیم ونې د جوړښتونو د جوړولو لپاره یو له مشهور چوکاټ څخه کار اخیستل کیږي، XGBoost, LightGBM, کیټ بوسټ او یا یې تعدیلات.

الګوریتم پخپله خراب ندی، مګر دا ډیری جدي نیمګړتیاوې لري کله چې د منحل اټکل کولو خبره راځي.

• هغه تش په نامه "یاد" نه لري. د ماډل داخلول د ځانګړتیاوو یو مشخص شمیر دی چې د اوسني وخت سره مطابقت لري. په پیرامیټونو کې د بدلونونو تاریخ په اړه د معلوماتو ذخیره کولو لپاره، دا اړینه ده چې ځانګړي ځانګړتیاوې محاسبه کړئ چې د وخت په تیریدو سره په پیرامیټونو کې بدلونونه مشخص کوي، د بیلګې په توګه، په تیرو 1,2,3، XNUMX، XNUMX میاشتو کې د بانکي معاملو شمیر یا مقدار. دا طریقه یوازې د لنډمهاله بدلونونو طبیعت په جزوي توګه منعکس کولی شي.
• د وړاندوینې ثابت افق. ماډل یوازې د دې وړتیا لري چې د دمخه ټاکل شوي مودې لپاره د پیرودونکي منحل اټکل وکړي ، د مثال په توګه ، یوه میاشت دمخه وړاندوینه. که وړاندوینه د مختلف وخت لپاره اړین وي، د بیلګې په توګه، درې میاشتې، نو تاسو اړتیا لرئ چې د روزنې سیټ بیا جوړ کړئ او یو نوی ماډل بیا وروزئ.

زموږ چلند

موږ سمدلاسه پریکړه وکړه چې موږ به معیاري تګلارې ونه کاروو. زموږ تر څنګ ۴۹۷ نورو کسانو په دې سیالیو کې نوم لیکنه کړې، چې هر یو یې د پام وړ تجربه درلوده. نو په داسې شرایطو کې د معیاري سکیم سره سم د یو څه کولو هڅه کول ښه نظر نه دی.

او موږ د بائنری طبقه بندي ماډل سره مخ د پیرودونکو د منحل وخت احتمالي توزیع وړاندوینې سره د ستونزو حل کول پیل کړل. ورته چلند لیدل کیدی شي دلته، دا تاسو ته اجازه درکوي په ډیر انعطاف سره د منحل وړاندوینه وکړئ او د کلاسیک چلند په پرتله ډیر پیچلي فرضیې و ازموئ. د توزیع د یوې کورنۍ په توګه چې د وتلو وخت موډل کوي، موږ توزیع غوره کړه ویبل د بقا تحلیل کې د دې پراخه کارونې لپاره. د پیرودونکي چلند د یو ډول بقا په توګه لیدل کیدی شي.

دلته د پیرامیټونو پورې اړه لري د Weibull احتمالي کثافت توزیع مثالونه دي и :

دا د درې مختلف پیرودونکو احتمالي کثافت فعالیت دی چې د وخت په تیریدو سره تیریږي. وخت په میاشتو کې وړاندې کیږي. په بل عبارت، دا ګراف ښیي کله چې یو پیرودونکي په راتلونکو دوو میاشتو کې ډیر احتمال لري. (۳،۱) وېش.

پایله یو ماډل دی چې د هر پیرودونکي لپاره، د هرچا لپاره
میاشت د Weibull د توزیع د پیرامیټونو وړاندوینه کوي، کوم چې د وخت په تیریدو سره د وتلو احتمال په ښه توګه منعکس کوي. په ډیر تفصیل سره:

• د روزنې په سیټ کې د هدف ځانګړتیاوې هغه وخت دی چې د یو ځانګړي پیرودونکي لپاره په یوه ځانګړې میاشت کې د مینځلو پورې پاتې کیږي.
• که چیرې د پیرودونکي لپاره د منحل نرخ شتون ونلري، نو موږ فکر کوو چې د منحل وخت د روانې میاشتې څخه د تاریخ تر پای پورې د میاشتو شمیر څخه ډیر دی.
• ماډل کارول شوی: د LSTM پرت سره تکرار عصبي شبکه.
• د ضایع فعالیت په توګه، موږ د ویبل توزیع لپاره د منفي لاګ احتمالي فعالیت کاروو.

دلته د دې طریقې ګټې دي:

• د احتمالي توزیع، د بائنری ډلبندۍ د څرګند احتمال سربیره، د مختلفو پیښو انعطاف وړ وړاندوینې ته اجازه ورکوي، د بیلګې په توګه، ایا یو پیرودونکی به د 3 میاشتو په اوږدو کې د بانک خدماتو کارول ودروي. همدارنګه، که اړتیا وي، مختلف میټریکونه د دې ویش په اړه اوسط کیدی شي.
• د LSTM تکرار عصبي شبکه حافظه لري او په مؤثره توګه ټول موجود تاریخ کاروي. لکه څنګه چې کیسه پراخه کیږي یا اصالح کیږي، دقت زیاتیږي.
• طریقه په اسانۍ سره اندازه کیدی شي کله چې د وخت مودې په کوچنیو ویشلو (د مثال په توګه، کله چې میاشتې په اونیو ویشل).

مګر دا د ښه ماډل جوړولو لپاره کافي ندي؛ تاسو اړتیا لرئ د هغې کیفیت په سمه توګه و ارزوئ.

کیفیت څنګه ارزول شوی؟

موږ د میټریک په توګه د لفټ وکر غوره کړ. دا د داسې قضیو لپاره په سوداګرۍ کې کارول کیږي ځکه چې د دې روښانه تفسیر، دا ښه تشریح شوی دلته и دلته. که تاسو د دې میټریک معنی په یوه جمله کې تشریح کړئ ، نو دا به وي "څو ځله الګوریتم په لومړي کې غوره وړاندوینه کوي % په تصادفي توګه."

د روزنې ماډلونه

د سیالۍ شرایطو یو ځانګړی کیفیت میټریک ندی رامینځته کړی چې له مخې یې مختلف ماډلونه او طریقې پرتله کیدی شي. برسېره پردې، د منحل تعریف مختلف کیدی شي او ممکن د ستونزې بیان پورې اړه ولري، کوم چې په پایله کې د سوداګرۍ اهدافو لخوا ټاکل کیږي. نو، د دې لپاره چې پوه شي چې کوم میتود غوره دی، موږ دوه ماډلونه روزلي:

1. د بائنری طبقه بندي کولو طریقه چې په عام ډول کارول کیږي د پریکړې ونې ماشین زده کړې الګوریتم په کارولو سره (LightGBM);
2. Weibull-LSTM ماډل

د ازموینې په ترتیب کې د 500 دمخه غوره شوي پیرودونکي شامل وو چې د روزنې په سیټ کې نه وو. هایپر پیرامیټونه د ماډل لپاره د کراس اعتبار په کارولو سره غوره شوي، د پیرودونکي لخوا مات شوي. د هر ماډل روزلو لپاره ورته ځانګړتیاوې کارول شوي.

د دې حقیقت له امله چې ماډل حافظه نلري، د دې لپاره ځانګړي ځانګړتیاوې په پام کې نیول شوي، چې په تیرو دریو میاشتو کې د پیرامیټونو اوسط ارزښت ته د یوې میاشتې لپاره د پیرامیټونو بدلونونو تناسب ښیي. هغه څه چې د دریو میاشتو په وروستۍ موده کې د ارزښتونو د بدلون کچه مشخصه کړه. له دې پرته، د بې ترتیب ځنګل پر بنسټ ماډل به د Weibull-LSTM په پرتله په زیان کې وي.

ولې د Weibull توزیع سره LSTM د یوې جوړې پریکړې ونې چلند څخه غوره دی

دلته هرڅه په یو څو عکسونو کې روښانه دي.

د کلاسیک الګوریتم او Weibull-LSTM لپاره د لفټ وکر پرتله کول

د کلاسیک الګوریتم او Weibull-LSTM لپاره په میاشت کې د لفټ وکر میټریک پرتله کول

په عموم کې، LSTM په نږدې ټولو قضیو کې د کلاسیک الګوریتم څخه غوره دی.

د کرن وړاندوینه

د ویبل توزیع سره د LSTM حجرو سره د تکراري عصبي شبکې پراساس یو ماډل کولی شي دمخه د منحل کیدو وړاندوینه وکړي ، د مثال په توګه ، په راتلونکو n میاشتو کې د پیرودونکي د مینځلو وړاندوینه وکړئ. د n = 3 لپاره قضیه په پام کې ونیسئ. پدې حالت کې، د هرې میاشتې لپاره، عصبي شبکه باید په سمه توګه معلومه کړي چې آیا پیرودونکي به پریږدي، د راتلونکې میاشتې څخه پیل او تر نهمې میاشتې پورې. په بل عبارت، دا باید په سمه توګه وټاکي چې آیا پیرودونکي به د n میاشتو وروسته پاتې شي. دا دمخه وړاندوینه ګڼل کیدی شي: د هغه شیبې وړاندوینه کول کله چې پیرودونکي یوازې د وتلو په اړه فکر کول پیل کړي.

راځئ چې د وتلو څخه دمخه د Weibull-LSTM 1، 2 او 3 میاشتو لپاره د لفټ وکر پرتله کړو:

موږ دمخه لیکلي چې د پیرودونکو لپاره رامینځته شوي وړاندوینې چې د یو څه وخت لپاره فعال ندي هم مهم دي. له همدې امله، دلته به موږ په نمونه کې دا ډول قضیې اضافه کړو کله چې لیرې شوی پیرودونکی دمخه د یوې یا دوه میاشتو لپاره غیر فعال وي، او وګورو چې Weibull-LSTM په سمه توګه دا ډول قضیې لکه چرن طبقه بندي کوي. څرنګه چې دا ډول قضیې په نمونه کې شتون درلود، موږ تمه لرو چې شبکه به یې په ښه توګه اداره کړي:

د پېرېدونکو ساتلو

په حقیقت کې ، دا هغه اصلي شی دی چې ترسره کیدی شي ، په لاس کې د معلوماتو درلودل چې دا ډول پیرودونکي د محصول کارولو مخه نیولو ته چمتو کوي. د داسې ماډل جوړولو په اړه خبرې کول چې پیرودونکو ته د ساتلو لپاره یو څه ګټور وړاندیز کولی شي، دا نشي ترسره کیدی که تاسو د ورته هڅو تاریخ نلرئ چې ښه پای ته ورسیږي.

موږ داسې کیسه نه درلوده، نو موږ دا پریکړه وکړه.

1. موږ یو ماډل جوړوو چې د هر پیرودونکي لپاره په زړه پوري محصولات پیژني.
2. هره میاشت موږ کټګوري چلوو او احتمالي پریږدي پیرودونکي پیژنو.
3. موږ ځینې پیرودونکو ته محصول وړاندیز کوو ، د 1 نقطې ماډل سره سم ، او زموږ کړنې په یاد ساتو.
4. د څو میاشتو وروسته، موږ ګورو چې کوم یو احتمالي پیرودونکي پریږدي او کوم پاتې دي. په دې توګه، موږ د روزنې نمونه جوړوو.
5. موږ موډل په 4 مرحله کې ترلاسه شوي تاریخ په کارولو سره روزو.
6. په اختیاري توګه، موږ طرزالعمل تکرار کوو، د 1 مرحلې څخه موډل په 5 ګام کې ترلاسه شوي ماډل سره بدلوو.

د دې ډول ساتلو کیفیت ازموینه د منظم A/B ازموینې لخوا ترسره کیدی شي - موږ پیرودونکي چې په احتمالي توګه پریږدي په دوه ډلو ویشو. موږ یو ته زموږ د ساتلو ماډل پراساس محصولات وړاندیز کوو ، او بل ته موږ هیڅ وړاندیز نه کوو. موږ پریکړه وکړه چې یو ماډل وروزو چې زموږ د مثال په 1 نقطه کې دمخه ګټور وي.

موږ غوښتل چې تقسیم د امکان تر حده د تفسیر وړ کړو. د دې کولو لپاره، موږ ډیری ځانګړتیاوې غوره کړې چې په اسانۍ سره تشریح کیدی شي: د معاملو ټول شمیر، معاشونه، د حساب ټول بدلون، عمر، جندر. د "نقشې" جدول ځانګړتیاوې د غیرمعلوماتي په توګه په پام کې نه دي نیول شوي، او د 3 جدول "قراردادونو" ځانګړتیاوې د پروسس پیچلتیا له امله په پام کې نه دي نیول شوي ترڅو د اعتبار او روزنې سیټ ترمنځ د معلوماتو لیک کیدو مخه ونیسي.

کلستر کول د گاوسین مخلوط ماډلونو په کارولو سره ترسره شوي. د اکایک معلوماتو معیار موږ ته اجازه راکړه چې د 2 غوره توب وټاکو. لومړی مطلوب د 1 کلستر سره مطابقت لري. دوهم غوره، لږ څرګند شوی، د 80 کلسترونو سره مطابقت لري. د دې پایلې پر بنسټ، موږ کولی شو لاندې پایلې ته ورسیږو: دا خورا ستونزمن کار دی چې ډاټا په کلسترونو ویشل شي پرته له دې چې مخکې ورکړل شوي معلومات. د غوره کلستر کولو لپاره، تاسو ډیټا ته اړتیا لرئ چې هر پیرودونکي په تفصیل سره بیان کړي.

له همدې امله، د څارنې زده کړې ستونزه په پام کې نیول شوې ترڅو هر یو پیرودونکي یو مختلف محصول وړاندې کړي. لاندې محصولات په پام کې نیول شوي: "اصطلاحي زیرمه"، "کریډیټ کارت"، "اوورډرافټ"، "مصرف پور"، "موټر پور"، "ګروي".

په معلوماتو کې یو بل ډول محصول شامل و: "اوسني حساب". مګر موږ د دې د ټیټ معلوماتي مینځپانګې له امله په پام کې ونه نیول شو. د هغو کاروونکو لپاره چې د بانک پیرودونکي دي، د مثال په توګه د خپلو محصولاتو کارول بند نه کړل، یو ماډل جوړ شو ترڅو وړاندوینه وکړي چې کوم محصول ممکن د دوی لپاره ګټور وي. لوژستیک ریګریشن د ماډل په توګه غوره شوی و، او د لومړي 10 سلنې لپاره د لیفټ ارزښت د کیفیت ارزونې میټریک په توګه کارول شوی و.

د ماډل کیفیت په انځور کې ارزول کیدی شي.

د پیرودونکو لپاره د محصول وړاندیز ماډل پایلې

نتیجه

دې طریقې موږ ته د RAIF- چیلنج 2017 AI سیالیو کې "AI in Banks" کټګورۍ کې لومړی ځای راوړو.

په ښکاره ډول، اصلي شی دا و چې ستونزې ته د غیر روایتی زاویې څخه مراجعه وکړئ او داسې طریقه وکاروئ چې معمولا د نورو حالتونو لپاره کارول کیږي.

که څه هم د کاروونکو پراخه جریان ممکن د خدماتو لپاره طبیعي ناورین وي.

دا طریقه د هرې بلې ساحې لپاره په پام کې نیول کیدی شي چیرې چې دا مهمه ده چې د وتلو حساب په پام کې ونیول شي، نه یوازې بانکونه. د مثال په توګه، موږ دا د خپل خپل جریان محاسبه کولو لپاره کارولی - د Rostelecom په سایبیریا او سینټ پیټرزبورګ څانګو کې.

"د معلوماتو کان کیندنې لابراتوار" شرکت "د لټون پورټل "Sputnik"

سرچینه: www.habr.com