Ndonjëherë, për të zgjidhur një problem, ndihmon të shohim situatën nga një këndvështrim tjetër. Edhe nëse gjatë 10 viteve të fundit probleme të ngjashme janë zgjidhur me të njëjtën qasje me rezultate të ndryshme, nuk është e sigurt që kjo qasje është e vetmja.
Ekziston një temë, e njohur si shkarkimi i klientëve. Kjo është një dukuri e pashmangshme, sepse klientët e çdo kompanie mund të vendosin për shumë arsye të ndalojnë përdorimin e produkteve ose shërbimeve të saj. Natyrisht, për kompaninë, shkarkimi është një veprim i natyrshëm, por jo gjithmonë i dëshiruar, ndaj të gjithë përpiqen ta minimizojnë atë. Më mirë akoma, është të parashikohet probabiliteti i shkarkimit të një kategorie të caktuar përdoruesish, ose klientit të veçantë, dhe të ofrohen disa hapa për mbajtjen e tyre.
ĂshtĂ« thelbĂ«sore tĂ« analizoni dhe tĂ« pĂ«rpiqeni tĂ« mbani klientin, nĂ«se Ă«shtĂ« e mundur, pĂ«r arsyet e mĂ«poshtme:
- të tërheqësh klientë të rinj është më e shtrenjtë se procedurat për mbajtjen e tyre. Për të tërhequr klientë të rinj, zakonisht duhet të shpenzohen disa para (reklamim), ndërsa klientët ekzistues mund të aktivizohen me një ofertë speciale me kushte të veçanta;
- kuptimi i arsyeve të largimit të klientëve është çelësi për përmirësimin e produkteve dhe shërbimeve.
Ekzistojnë qasje standart që parashikojnë ikjen e klientëve. Por në njërin nga kampionatet e IA-së vendosëm të provojmë shpërndarjen Weibull për këtë. Në përgjithësi, ajo përdoret për analizën e mbijetesës, parashikimin e kushteve meteorologjike, analizën e fatkeqësive natyrore, inxhinierinë industriale dhe të ngjashme. Shpërndarja Weibull është një funksion i veçantë shpërndarjeje, i parametrizuar me dy parametra. 
dhe 
.
Wikipedia
Në përgjithësi, është një gjë interesante, por për parashikimin e ikjes së klientëve, madje edhe në fintech, nuk përdoret aq shpesh. Më poshtë do flasim për mënyrën se si ne (Laboratori i Analizës Inteligjente të Të Dhënave) e bëmë këtë, duke fituar për njëkohësisht medaljen e artë në Kampionatin e Inteligjencës Artificiale në kategorinë 'IA në banka'.
Rreth ikjes në përgjithësi
Le tĂ« shohim pak se çfarĂ« Ă«shtĂ« largimi i klientit dhe pse Ă«shtĂ« kaq i rĂ«ndĂ«sishĂ«m. Baza e klientĂ«ve Ă«shtĂ« e rĂ«ndĂ«sishme pĂ«r çdo biznes. NĂ« kĂ«tĂ« bazĂ« hyjnĂ« klientĂ« tĂ« rinj, pĂ«r shembull, duke mĂ«suar pĂ«r produktin ose shĂ«rbimin pĂ«rmes reklamave, jetojnĂ« pĂ«r njĂ« periudhĂ« (pĂ«rdorin aktivisht produktet) dhe pas njĂ« kohĂ« ndalojnĂ« pĂ«rdorimin. Kjo periudhĂ« quhet "Cikli i jetĂ«s sĂ« klientit" â njĂ« term qĂ« pĂ«rshkruan fazat qĂ« kalon njĂ« klient kur mĂ«son pĂ«r produktin, merr vendimin pĂ«r blerje, paguan, pĂ«rdor dhe bĂ«het njĂ« konsumator i besnik, dhe nĂ« fund ndalon pĂ«rdorimin pĂ«r arsye tĂ« ndryshme. Prandaj, largimi Ă«shtĂ« shkalla e fundit e ciklit tĂ« jetĂ«s sĂ« klientit, kur klienti ndalon pĂ«rdorimin e shĂ«rbimeve, dhe pĂ«r biznesin kĂ«tĂ« do tĂ« thotĂ« qĂ« klienti ka ndaluar sĂ« sjelluri fitim dhe ndonjĂ« dobi.
Ădo klient banke Ă«shtĂ« njĂ« person konkret qĂ« zgjedh njĂ« kartelĂ« bankare tĂ« caktuar sipas nevojave tĂ« tij ose tĂ« saj. UdhĂ«ton shpesh â do tĂ« jetĂ« e dobishme njĂ« kartelĂ« me milje. BĂ«n shumĂ« blerje â pĂ«rshĂ«ndetje, kartela me keshbek. BĂ«n shumĂ« blerje nĂ« dyqane specifike â dhe pĂ«r kĂ«tĂ« ka plastikĂ« partnere tĂ« veçantĂ«. Natyrisht, ndonjĂ«herĂ« kartela zgjidhet edhe sipas kriterit "ShĂ«rbimi mĂ« i lirĂ«". NĂ« pĂ«rgjithĂ«si, ka mjaft variabla kĂ«tu.
Dhe njĂ«herĂ«sh, personi zgjedh vetĂ« bankĂ«n â çfarĂ« ka kuptim tĂ« zgjidhni kartelĂ«n e njĂ« banke, pĂ«rfaqĂ«sitĂ« e sĂ« cilĂ«s janĂ« vetĂ«m nĂ« MoskĂ« dhe rajon, kur jeni nga Habarovsku? PavarĂ«sisht nĂ«se kartela e tillĂ« Ă«shtĂ« dyfish mĂ« e favorshme, prania e degĂ«ve tĂ« bankĂ«s afĂ«r mbetet njĂ« kriter i rĂ«ndĂ«sishĂ«m. Po, 2019 Ă«shtĂ« kĂ«tu dhe digital â Ă«shtĂ« gjithçka pĂ«r ne, por disa çështje me disa banka mund tĂ« zgjidhen vetĂ«m nĂ« degĂ«. Gjithashtu, njĂ« pjesĂ« e popullsisĂ« i beson shumĂ« mĂ« tepĂ«r bankave fizike sesa aplikacioneve nĂ« smartfon, dhe kjo gjithashtu duhet tĂ« merret parasysh.
Si pasojë, arsyet për të anuluar produktet e bankës (apo vetë bankën) mund të jenë të shumta. Këmbova punën, dhe tarifa e kartës kaloi nga "Kartë pagese" në "Për të zakonshmit", e cila është më pak e favorshme. U transferova në një qytet tjetër, ku nuk ka degë të bankës. Nuk më pëlqeu komunikimi me një operator të pavërtetë në degë. Pra, arsyet për mbylljen e llogarisë mund të jenë madje shumë më tepër se ato për përdorimin e produktit.
Po ashtu, klienti mund tĂ« mos shprehĂ« thjesht qartĂ« qĂ«llimin e tij â tĂ« shkojĂ« nĂ« bankĂ« dhe tĂ« shkruajĂ« njĂ« kĂ«rkesĂ«, por vetĂ«m tĂ« ndalojĂ« sĂ« pĂ«rdoruri produktet, pa e çaktivizuar kontratĂ«n. Kjo Ă«shtĂ« pĂ«r tĂ« kuptuar kĂ«to lloj situatash qĂ« u vendos tĂ« pĂ«rdoret mĂ«simi me makinĂ« dhe AI.
Për më tepër, humbja e klientëve mund të ndodhë në çdo sektor (telekomunikacion, ofrues interneti, kompani sigurimesh, në përgjithësi, kudo ku ka një bazë klientësh dhe transaksione periodike).
ĂfarĂ« bĂ«mĂ«
SĂ« pari, duhej tĂ« pĂ«rshkruhej njĂ« kufi i qartĂ« â nga cila kohĂ« fillojmĂ« ta konsiderojmĂ« klientin si tĂ« larguar. Nga kĂ«ndvĂ«shtrimi i bankĂ«s, qĂ« na ofroi tĂ« dhĂ«nat pĂ«r punĂ«, gjendja e aktivit tĂ« klientit ishte binare â ai Ă«shtĂ« ose aktiv, ose jo. NĂ« tabelĂ«n 'Aktiviteti' kishte njĂ« flamur ACTIVE_FLAG, vlera e tĂ« cilit mund tĂ« ishte ose '0' ose '1' (pĂ«rkatĂ«sisht, 'Jo Aktiv' dhe 'Aktiv'). Dhe gjithçka do tĂ« ishte mirĂ«, por njeriu Ă«shtĂ« i tillĂ« qĂ« mund tĂ« pĂ«rdorĂ« aktivisht njĂ« periudhĂ« dhe pastaj tĂ« bie jashtĂ« numrit tĂ« aktivĂ«ve pĂ«r njĂ« muaj â mund tĂ« jetĂ« i sĂ«murĂ«, Ă«shtĂ« larguar nĂ« njĂ« vend tjetĂ«r pĂ«r pushime, ose madje Ă«shtĂ« duke testuar kartĂ«n e njĂ« banke tjetĂ«r. Dhe ndoshta pas njĂ« periudhe tĂ« gjatĂ« pasiviteti, do tĂ« fillojĂ« pĂ«rsĂ«ri tĂ« pĂ«rdorĂ« shĂ«rbimet e bankĂ«s.
Prandaj vendosëm ta quajmë një periudhë pasiviteti një interval të vazhdueshëm kohor, gjatë të cilit flamuri për të ishte përcaktuar si '0'.
KlientĂ«t kalojnĂ« nga inaktiv nĂ« aktiv pas periudhash inaktiviteti tĂ« ndryshme. KĂ«shtu, ne kemi mundĂ«sinĂ« tĂ« llogarisim gradĂ«n empirike tĂ« "besueshmĂ«risĂ« sĂ« periudhave inaktiviteti" â domethĂ«nĂ« probabilitetin qĂ« njĂ« person do tĂ« rinisĂ« pĂ«rdorimin e produkteve tĂ« bankĂ«s pas njĂ« periudhe inaktiviteti.
Për shembull, në këtë grafik ilustrohet rinovimi i aktivizmit (ACTIVE_FLAG=1) të klientëve pas disa muajsh inaktiviteti (ACTIVE_FLAG=0).
Këtu do të sqarojmë pak datat me të cilat kemi filluar të punojmë. Pra, banka ka ofruar informacion të agreguar për 19 muaj në tabelat e mëposhtme:
- "Aktiviteti" â transaksionet mujore tĂ« klientĂ«ve (pĂ«r kartat, nĂ« internet bankĂ« dhe bankĂ« mobile), duke pĂ«rfshirĂ« pagesat e pagave dhe informacionin rreth xhirove.
- "Kartat" â tĂ« dhĂ«nat pĂ«r tĂ« gjitha kartat qĂ« ka klienti, me njĂ« strukturĂ« tĂ« detajuar tarifore.
- "MarrĂ«veshjet" â informacioni mbi marrĂ«veshjet e klientit (si tĂ« hapura ashtu edhe tĂ« mbyllura): kredi, depozita dhe tĂ« tjera, duke treguar parametrat e secilĂ«s.
- "KlientĂ«t" â njĂ« set tĂ« dhĂ«nash demografike (gjinia dhe mosha) dhe disponueshmĂ«ria e tĂ« dhĂ«nave pĂ«r kontakt.
Për punë na nevojiteshin të gjitha tabelat, përveç "Hartës".
VĂ«shtirĂ«sia kĂ«tu ishte edhe nĂ« faktin se, nĂ« kĂ«to tĂ« dhĂ«na, banka nuk kishte treguar se cila aktivitet konkret niste nga kartat. Pra, mund tĂ« kuptonim nĂ«se kishte transaksione, por tĂ« pĂ«rcaktonim llojin e tyre â nuk mundĂ«m. Prandaj, nuk ishte e qartĂ« nĂ«se klienti po tĂ«rheqte para, po merrte pagĂ«n, apo po shpenzonte para pĂ«r blerje. Dhe nuk kishim tĂ« dhĂ«na pĂ«r saldo tĂ« llogarive, qĂ« do tĂ« kishte qenĂ« e dobishme.
Pika e vetĂ« Ă«shtĂ« se mostra ishte e paanshme â nĂ« kĂ«tĂ« prerje pĂ«r 19 muaj banka nuk kishte bĂ«rĂ« asnjĂ« pĂ«rpjekje pĂ«r tĂ« mbajtur klientĂ«t dhe pĂ«r tĂ« minimizuar ikjen e tyre.
Pra, për periudhat e pasivitetit.
Për formulimin e përcaktimit të ikjes duhet të zgjidhet një periudhë pasiviteti. Për të krijuar një parashikim të ikjes në një moment të caktuar 
, duhet të kemi histori klientësh për të paktën 3 muaj në intervalin e 
. Historia jonë ishte e kufizuar në 19 muaj, prandaj vendosëm të marrim periudhën e pasivitetit prej 6 muajsh, nëse ekziston. Dhe për periudhën minimale për një parashikim cilësor, morëm 3 muaj. Numrat në 3 dhe 6 muaj i morëm empirikisht mbi bazën e analizës së sjelljes së këtyre klientëve.
Ne e formuluar kështu: muaji i shkëputjes së klientit 
ky është muaji i parë me ACTIVE_FLAG=0, ku nga ky muaj ndodhin të paktën gjashtë zero rresht në fushën ACTIVE_FLAG, në fuqi, muaji, nga i cili klienti ka qenë joaktiv për 6 muaj.
Numri i klientëve që kanë ikur
Numri i klientëve të mbetur
Si zakonisht konsiderohet shkëputja
Në konkurse të tilla, dhe në përgjithësi në praktikë, shkëputja shpesh parashikohet në këtë mënyrë. Klienti përdor produkte dhe shërbime në intervale të ndryshme kohore, të dhënat për ndërveprimin me të paraqiten si një vektor tiparësh me gjatësi fikse n. Më së shpeshti, kjo informacion përfshin:
- Të dhëna që karakterizojnë përdoruesin (të dhëna demografike, segmenti i marketingut).
- Historia e përdorimit të produkteve dhe shërbimeve bankare (këto janë veprimet e klientëve, të cilat gjithmonë lidhen me një kohë ose periudhë të caktuar të intervalit që na nevojitet).
- TĂ« dhĂ«na tĂ« jashtme, nĂ«se Ă«shtĂ« e mundur tĂ« merren â pĂ«r shembull, komente nga mediat sociale.
Dhe pas kësaj ata japin një definim të shkarkimit, të tyren për çdo detyrë. Pastaj përdorin një algoritëm të mësimit të makinave që parashikon probabilitetin e largimit të klientit. 
sipas vektorit të faktorëve. 
Për të stërvitur algoritmin, ata përdorin një nga çadrat e njohura për ndërtimin e ansambleve të pemëve vendimmarrëse, , , apo modifikimet e tyre.
Algoritmi vetë është i mirë, por në lidhje me parashikimin e shkarkimit ka disa disavantazhe të rëndësishme.
- Ai nuk ka atë që quhet "memorie".Në hyrje të modelit, jepet një sasi e caktuar faktorësh që përputhen me momentin aktual. Për të inkorporuar informacionin në lidhje me historinë e ndryshimeve të parameterëve, është e nevojshme të llogariten faktorë të veçantë që karakterizojnë ndryshimet e parameterëve në kohë, si p.sh., numri ose shuma e transaksioneve bankare për tre muajt e fundit. Ky qasje mund të pasqyrojë vetëm pjesërisht karakterin e ndryshimeve temporale.
- Horizonti fiks i parashikimit. Modeli është në gjendje të parashikojë humbjen e klientëve vetëm për një periudhë të paracaktuar, për shembull, parashikimi për një muaj në të ardhmen. Nëse kërkohet një parashikim për një periudhë tjetër, për shembull, për tre muaj, atëherë duhet të ristrukturohet grupi i mësimit dhe të ri-ndarë një model të ri.
Qasja jonë
Ne e vendosĂ«m qartĂ« qĂ« nuk do ta pĂ«rdorim qasjen standarde. NĂ« garĂ«n regjistruan edhe 497 individĂ« tĂ« tjerĂ«, çdo njĂ«ri prej tĂ« cilĂ«ve kishte njĂ« pĂ«rvojĂ« tĂ« konsiderueshme. Pra, tĂ« pĂ«rpiqesh tĂ« bĂ«sh diçka sipas skemĂ«s standarde nĂ« kĂ«to kushte â nuk Ă«shtĂ« ideja mĂ« e mirĂ«.
Dhe ne filluam të zgjidhim problemet që i ndikojnë modelit të klasifikimit binar, duke përdorur parashikimin e shpërndarjes probabiliste të kohës së humbjes së klientëve. Një qasje e tillë mund të shihet , ajo lejon parashikimin më fleksibël të humbjes dhe verifikimin e hipotezave më të komplikuara se sa në qasjen klasike. Si grup shpërndarjesh që modelon kohën e humbjes, ne zgjodhëm shpërndarjen për aplikimin e saj të gjerë në analizën e mbijetesës. Shtyrja e klientëve mund të konsiderohet si një lloj mbijetesë.
Ja janë shembuj të shpërndarjeve të densiteteve të probabilitetit Weibull në varësi të parametrave 
dhe 
:
Kjo është densiteti i shpërndarjes së probabilitetit të ikjes së klientëve të tre klientëve të ndryshëm me kalimin e kohës. Koha paraqitet në muaj. Në fjalë të tjera, ky grafikon tregon se kur është më e mundshme që ikja e klientit të ndodhë në dy muajt në vazhdim. Siç duket, klienti me shpërndarjen, ka një potencial më të madh për t'u larguar më herët se klientët me shpërndarjet Weibull(2, 0.5) dhe Weibull(3,1).
Si rezultat, krijohet një model që për çdo klient në çdo
muaj parashikon parametrat e shpërndarjes Weibull, që pasqyrojnë më së miri ndodhinë e probabilitetit të ikjes me kalimin e kohës. Nëse flasim më shumë:
- Karakteristikat e synuara nĂ« mostrat e trajnimit â koha e mbetur deri nĂ« ikje nĂ« njĂ« muaj tĂ« caktuar pĂ«r njĂ« klient tĂ« caktuar.
- Nëse nuk ka të dhëna për ikjen e klientit, supozojmë se koha e ikjes është më e madhe se numri i muajve nga aktuali deri në fund të historisë që kemi.
- Modeli i përdorur: një rrjet nervor rekurent me një nivel LSTM.
- Si në funksion humbjeje përdorim funksionin e logaritmit negativ të të dhënave të distribucionit Weibull.
Ja përfitimet e këtij metodi:
- Distribucioni probabilistik, përveç mundësive të dukshme për klasifikim binar, lejon parashikimin fleksibël të ngjarjeve të ndryshme, për shembull, a do të ndalojë një klient së përdoruri shërbimet e bankës brenda 3 muajve. Gjithashtu, nëse është e nevojshme, mund të mesaturohen metrika të ndryshme sipas këtij distribucioni.
- Rrjeti nervor rekurent LSTM ka kujtesë dhe përdor në mënyrë efektive gjithë historinë e disponueshme. Me zgjerimin ose saktësimin e historisë, saktësia rritet.
- Qasja mund të shkallëzohet lehtësisht duke ndarë intervalet e kohës në pjesë më të vogla (për shembull, duke ndarë muajt në javë).
Por është e pamjaftueshme të krijosh një model të mirë, duhet gjithashtu ta vlerësosh atë siç duhet.
Si e vlerësuam cilësinë
Si metrikë ne zgjodhëm Lift Curve. Ajo përdoret në biznes për raste të ngjashme për shkak të interpretimit të qartë, është përshkruar mirë dhe . Nëse e përshkruani kuptimin e kësaj metrike në një frazë, rezulton "Sa herë algoritmi bën një parashikim më të mirë në fillim 
%, se për rastësorin.
Stërvitim modelesh
Kushtet e garës nuk përcaktuan një metrik të caktuar cilësie për të krahasuar modelet dhe qasjet e ndryshme. Për më tepër, përcaktimi i konceptit të shkallës mund të jetë i ndryshëm dhe mund të varet nga formimi i detyrës, i cila përcaktohet nga objektivat e biznesit. Prandaj, për të kuptuar se cili metodë është më e mirë, ne stërvitëm dy modele:
- Qasja e përdorur shpesh e klasifikimit binar duke përdorur algoritmin e mësimit të makinerive me ansambël të pemëve vendimmarrëse ();
- Modeli Weibull-LSTM
Grupi testues përbëhej nga 500 klientë të zgjedhur paraprakisht, të cilët nuk ishin në grupin e stërvitjes. Për modelin u bë zgjedhja e hiper-parametrave duke përdorur validimin e kryqëzuar me ndarje sipas klientëve. Për stërvitjen e çdo modeli u përdorën të njëjtat grupe veçorash.
Duke modeli nuk ka memorie, u morën veçori të veçanta që tregojnë lidhjen mes ndryshimeve të parametrave të një muaji në krahasim me mesataren e parametrave për tre muajt e fundit. Kjo karakterizonte shpejtësinë e ndryshimit të vlerave për periudhën e fundit prej tre muajsh. Pa këtë, modeli bazuar në Random Forest do të ishte në një pozicion të dobët në krahasim me Weibull-LSTM.
Si është më i mirë LSTM me shpërndarje Weibull se qasja e bazuar në një ansambël pemësh vendimi?
Këtu është gjithçka e qartë, përmes disa figurave.
Krahasimi i Lift Curve për algoritmin klasik dhe Weibull-LSTM.
Krahasimi i metrikës Lift Curve për muajt për algoritmin klasik dhe Weibull-LSTM.
Në përgjithësi, LSTM e tejkalon algoritmin klasik në pothuajse të gjitha rastet.
Parashikimi i humbjes së klientëve.
Modeli i bazuar në rrjetin neuronik rekurent me qelizat LSTM dhe shpërndarjen Weibull mund të parashikojë braktisjen në mënyrë të avancuar, për shembull, të parashikojë largimin e klientit brenda muajve të ardhshëm n. Let's consider the case for n = 3. Në këtë rast, për çdo muaj, rrjeti nervor duhet të identifikojë saktësisht nëse klienti do të largohet duke filluar nga muaji i ardhshëm deri në muajin n. Në terma të tjerë, ai duhet të identifikojë saktësisht nëse klienti do të qëndrojë pas n muajve. Kjo mund të konsiderohet si një parashikim i avancuar: parashikimi i momentit kur klienti fillon të mendojë për t'u larguar.
Le të krahasojmë Lift Curve për Weibull-LSTM në 1, 2 dhe 3 muaj më herët nga largimi:
Kemi shkruar më lart se parashikimet për klientët që bien nga aktivët për një kohë të caktuar janë gjithashtu të rëndësishme. Prandaj, këtu do të shtojmë në mostër raste kur klienti i larguar tashmë ka qenë jo-aktiv për një ose dy muaj dhe do të kontrollojmë që Weibull-LSTM të klasifikojë saktësisht këto raste si braktisje. Duke qenë se këto raste ishin të pranishme në mostër, ne presim që rrjeti të përballojë mirë me to:
Retentimi i klientëve
Kjo Ă«shtĂ« pikĂ«risht ajo qĂ« mund tĂ« bĂ«ni, duke pasur informacionin se disa klientĂ« po pĂ«rgatiten tĂ« ndalin pĂ«rdorimin e produktit. Kur flasim pĂ«r ndĂ«rtimin e njĂ« modeli qĂ« mund tĂ« ofrojĂ« diçka tĂ« dobishme pĂ«r klientĂ«t pĂ«r t'i mbajtur ata â kjo nuk do tĂ« bĂ«het nĂ«se nuk keni histori tĂ« pĂ«rpjekjeve tĂ« tilla qĂ« kanĂ« pĂ«rfunduar mirĂ«.
Ne nuk kemi pasur një histori të tillë, prandaj vendosëm kështu.
- Ndërtojmë një model që përcakton produkte interesante për çdo klient.
- Ădo muaj ekzekutojmĂ« klasifikuesin dhe pĂ«rcaktojmĂ« klientĂ«t potencialisht nĂ« ikje.
- Disa klientëve u ofrojmë produkte, sipas modelit nga pika 1, dhe mbajmë mend veprimet tona.
- Pas disa muajsh shohim se kush nga këta klientë potencialisht në ikje ka ikur dhe kush ka mbetur. Kështu formojmë një grup mësimor.
- E trajnojmë modelin në histori, të marrë nga pika 4.
- Opcionalisht, përsërisim procedurën, duke zëvendësuar modelin nga pika 1 me modelin e marrë nga pika 5.
NjĂ« testim i zakonshĂ«m A/B mund tĂ« shĂ«rbejĂ« si njĂ« kontroll i cilĂ«sisĂ« pĂ«r kĂ«tĂ« lloj mbajtjeje â ndajnĂ« klientĂ«t qĂ« potencialisht po largohen nĂ« dy grupe. NjĂ« grupi i ofrojmĂ« produkte bazuar nĂ« modelin tonĂ« tĂ« mbajtjes, kurse grupit tjetĂ«r nuk u ofrojmĂ« asgjĂ«. Ne vendosĂ«m tĂ« trajnojmĂ« njĂ« model qĂ« mund tĂ« sjellĂ« dobi qĂ« nĂ« pikĂ«n 1 tĂ« shembullit tonĂ«.
Donim ta bĂ«nim segmentimin sa mĂ« interpretuese. PĂ«r kĂ«tĂ«, zgjodhĂ«m disa karakteristika qĂ« mund tĂ« ishin lehtĂ«sisht interpretuese: numri total i transaksioneve, paga, volumi i pĂ«rgjithshĂ«m i llogarisĂ«, mosha, gjinia. Karakteristikat nga tabela 'Kartat' nuk u morĂ«n parasysh si tĂ« pakrerĂ« informative, ndĂ«rsa karakteristikat nga tabela 3 'MarrĂ«veshjet' â pĂ«r shkak tĂ« kompleksitetit nĂ« pĂ«rpunim pĂ«r tĂ« parandaluar kĂ«tĂ« rrjedhje tĂ« tĂ« dhĂ«nave midis grupeve tĂ« verifikimit dhe atyre pĂ«r trajnim.
Klastrimi u krye me modelet e përzierjes Gaussian. Kriteri informativ i Akaikes ndihmoi në përcaktimin e 2 optimumeve. Optimumi i parë korrespondon me 1 klaster. Optimumi i dytë, më pak i shprehur, korrespondon me 80 klastere. Nga ky rezultat mund të nxirret përfundimi se të dhënat janë shumë të vështira për t'u ndarë në klastere pa informacion të dhënë paraprakisht. Për një klastrim më cilësor, nevojiten të dhëna që përshkruajnë në detaje secilin klient.
Prandaj, u shqyrtua detyra e mësimit me mësues, për të proponuar një produkt të veçantë për çdo klient të veçantë. Produktet e shqyrtuara përfshinin: "Depositi afatgjatë", "Karta e kreditit", "Ovedrafi", "Kredi Konsumi", "Kredia e automjetit", "Hipoteka".
Në të dhëna ekzistonte një lloj produkti tjetër: "Llogaria Aktualle". Por ne nuk e shqyrtuam atë për shkak të informativitetit të ulët. Modeli ishte ndërtuar mbi përdoruesit që janë klientë të bankës, pra ata që nuk kanë ndërprerë përdorimin e produkteve të saj, për të parashikuar se cili produkt mund të jetë i interesit të tyre. Për këtë model u zgjodh regresioni logjistik, dhe si metrikë për vlerësimin e cilësisë u përdor vlera e Lift për percentilet e para 10.
Cilësia e modelit mund të vlerësohet në figurë.
Rezultatet e modelit të rekomandimit të produkteve për klientët
PĂ«rfundimi
Ky qasje na çoi në vendin e parë në kategorinë "AI në banka" në Kampionatin e AI RAIF-Challenge 2017.
Duket se e rëndësishmja ishte të afrohemi me problemin nga një këndvështrim jo shumë të zakonshëm dhe të përdorim një metodë që zakonisht përdoret për situata të tjera.
Megjithatë, largimi masiv i përdoruesve mund të jetë një katastrofë natyrore për shërbimet.
Ky metod mund të merret parasysh edhe për çdo fushë tjetër ku është e rëndësishme të merren parasysh largimet, jo vetëm nga bankat. Për shembull, ne e kemi përdorur atë për të llogaritur largimin tonë - në degët e Siberisë dhe Shën Petersburgut të Rostelecom.
«Laboratori i analizës intelektuale të të dhënave» kompania «Portali kërkues «Sputnik»
Burimi: habr.com
