Тест, свързан с ръководство · Среден Ниво

Викторина за водене на AI

Оценете как водещото точкуване използва исторически резултати, защо класовият дисбаланс влияе върху оценката и защо калибрирането и наблюдението на дрейфа имат значение.

Свързани ръководни пътекиAI водещи точки
Въпрос 1 на 8

По какво основно точкуването на водещи клиенти с изкуствен интелект се различава от традиционното точкуване, базирано на правила?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. По какво основно точкуването на водещи клиенти с изкуствен интелект се различава от традиционното точкуване, базирано на правила?
    • Той научава тегла от исторически данни за преобразуване, вместо да използва фиксирани точки
    • Отчита се само отварянето на имейли
    • Изобщо не изисква данни
    • Той пренебрегва размера на компанията и длъжността
  2. Коя задача за машинно обучение описва най-добре прогнозирането дали потенциален клиент ще реализира реализация?
    • Сегментиране на изображението
    • Двоична класификация
    • Разпознаване на реч
    • Учене с подсилване
  3. Защо обикновената точност е лоша метрика за оценка на моделите за оценка на потенциални клиенти?
    • Accuracy directly measures calibration
    • Accuracy tells sales representatives why a lead will convert
    • Converters may be rare, so a model can appear accurate by predicting “no conversion” for nearly every lead
    • Accuracy automatically adjusts decision thresholds
  4. According to HubSpot’s lead-scoring documentation, which data can a custom score use?
    • Only a person’s name
    • Само времето на деня
    • Unlabeled audio waveforms
    • Record actions or properties selected for the scoring model
  5. What can a lead-scoring model return for each prospect?
    • A score or estimated conversion probability, which still needs evaluation
    • A probability that is automatically calibrated by definition
    • A guaranteed sales outcome
    • A legal determination of creditworthiness
  6. What does feature importance summarize in a tree-based lead-scoring model?
    • That a feature causes conversion
    • How influential a feature is in the model’s decisions under that importance method
    • That a feature is legally required
    • The future sales quota
  7. What does calibration mean for a lead-conversion score?
    • Every lead receives the same score
    • The model’s accuracy is always 100 percent
    • Predicted probabilities match observed conversion frequencies over comparable cases
    • Scores are sorted alphabetically by company
  8. Why should a lead-scoring model be monitored after deployment?
    • The original threshold can never become outdated
    • Monitoring makes labels unnecessary
    • A model score permanently captures market behavior
    • Lead behavior and the meaning of historical patterns can drift