Kvíz spojený s průvodcem · Střední úroveň
AI v kvízu předpovědi odchodu zákazníků
Zkontrolujte, jak modely odchodu využívají historii chování, definujte okna predikce, zvládejte nevyvážené výsledky a řiďte úsilí o udržení.
Otázka 1 z 8
Co znamená „ubytování zákazníků“?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co znamená „ubytování zákazníků“?
- Zákazníci zruší nebo přestanou používat produkt nebo službu
- Zákazníci zvyšují své výdaje
- Proces získávání nových zákazníků
- Typ marketingového e-mailu
- Jaký typ problému strojového učení je obvykle koncipován jako predikce odchodu?
- Shlukování bez dozoru
- Kontrolovaná klasifikace pomocí historických označených dat
- Posílení učení z odměn
- Generování obrazu
- Proč je obyčejná přesnost špatnou metrikou pro modely churn?
- Přesnost není možné spočítat
- Přesnost funguje pouze u obrázků
- Datové sady o odchodu jsou nevyvážené, takže předpovídání „žádného odchodu“ pro každého může vypadat velmi přesně
- Churn nemá žádný měřitelný výsledek
- Co je v tomto kontextu „únik dat“?
- Zákazníci sdílejí svá hesla
- Ztráta záznamů o zákaznících kvůli hackerům
- Pomalé databázové dotazy
- Funkce, která náhodně zakóduje výsledek, jako je datum zrušení, čímž se zvýší výkon
- Která rodina algoritmů je obzvláště oblíbená pro tabulková data o odchodu?
- Rozhodovací stromy posílené přechodem jako XGBoost a LightGBM
- Konvoluční neuronové sítě
- Rekurentní neuronové sítě pro zvuk
- K-znamená pouze shlukování
- Co přináší „modelování vzestupu“ nad rámec standardní predikce odchodu?
- Díky tomu model běží rychleji
- It estimates which customers may be more likely to benefit from an intervention
- Odstraňuje potřebu jakýchkoli dat
- Funguje pouze pro nové zákazníky
- Which feature group can help a churn model detect weakening customer engagement?
- The color of the customer’s profile image
- A feature recorded only after cancellation has occurred
- Recent activity and usage frequency, alongside contract and support history
- The model’s GPU temperature during training
- What should a team define when labeling a churn model’s prediction target?
- The color scheme of the account dashboard
- The number of features before collecting customer history
- A fixed decision threshold before model training begins
- A clear prediction horizon, such as whether a customer will leave within the next 30 or 90 days