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.

Související vodicí cestyAI v předpovědi odchodu zákazníků
Otázka 1 z 8

Co znamená „ubytování zákazníků“?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co znamená „ubytování zákazníků“?
    • Zákazníci zruší nebo přestanou používat produkt nebo službu
    • Zákazníci zvyšují své výdaje
    • Proces získávání nových zákazníků
    • Typ marketingového e-mailu
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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