الذكاء الاصطناعي في التنبؤ بتقلب العملاء

ونظرا لأن الاحتفاظ بالعميل أرخص بكثير من الفوز بعميل جديد، فإن التحذيرات المبكرة الدقيقة تتيح للأعمال التجارية التدخل وحماية الإيرادات.

يعد التنبؤ بالتوقف عن العمل مشكلة كلاسيكية في التعلم الخاضع للإشراف: حيث يتعلم النموذج من السجلات التاريخية للعملاء الذين بقوا مقابل أولئك الذين غادروا، ثم يسجل العملاء الحاليين حسب احتمالية مغادرتهم. تتضمن المدخلات عادةً تكرار الاستخدام، وحداثة النشاط الأخير، ونوع العقد، وتاريخ تذكرة الدعم، وتغييرات الفواتير، وإشارات المشاركة. تعتمد شركات الاشتراك وشركات الاتصالات والبنوك وشركات SaaS عليها بشكل كبير. الخوارزميات الشائعة هي الانحدار اللوجستي، والغابات العشوائية، والأشجار المعززة بالتدرج مثل XGBoost وLightGBM، والتي تتعامل بشكل جيد مع البيانات الجدولية الفوضوية. نظرًا لأن مجموعات البيانات غير المتوازنة عادة ما تكون غير متوازنة (معظم العملاء لا يغادرون)، تستخدم الفرق تقنيات مثل إعادة أخذ العينات وضبط العتبة، ويحكمون على النماذج باستخدام مقاييس مثل الدقة، والاستدعاء، وROC-AUC، والرفع بدلاً من الدقة الأولية.