AI στο Quiz Πρόβλεψης Ανατροπής Πελατών

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Τι σημαίνει η «ανατροπή πελατών»;
   • Πελάτες που ακυρώνουν ή παύουν να χρησιμοποιούν ένα προϊόν ή μια υπηρεσία
   • Οι πελάτες αυξάνουν τις δαπάνες τους
   • Η διαδικασία ενσωμάτωσης νέων πελατών
   • Ένα είδος email marketing
2. Με ποιον τύπο προβλήματος μηχανικής μάθησης πλαισιώνεται συνήθως η πρόβλεψη ανατροπής;
   • Ομαδοποίηση χωρίς επίβλεψη
   • Εποπτευόμενη ταξινόμηση με χρήση ιστορικών δεδομένων με ετικέτα
   • Ενίσχυση μάθησης από ανταμοιβές
   • Δημιουργία εικόνας
3. Γιατί η απλή ακρίβεια είναι κακή μέτρηση για τα μοντέλα ανατροπής;
   • Η ακρίβεια είναι αδύνατο να υπολογιστεί
   • Η ακρίβεια λειτουργεί μόνο για εικόνες
   • Τα σύνολα δεδομένων Churn είναι ανισορροπημένα, επομένως η πρόβλεψη "χωρίς ανατροπή" για όλους μπορεί να φαίνεται εξαιρετικά ακριβής
   • Το Churn δεν έχει μετρήσιμο αποτέλεσμα
4. Τι είναι η «διαρροή δεδομένων» σε αυτό το πλαίσιο;
   • Πελάτες που μοιράζονται τους κωδικούς πρόσβασής τους
   • Απώλεια αρχείων πελατών από χάκερ
   • Αργή ερωτήματα βάσης δεδομένων
   • Ένα χαρακτηριστικό που κωδικοποιεί κατά λάθος το αποτέλεσμα, όπως μια ημερομηνία ακύρωσης, διογκώνοντας την απόδοση
5. Ποια οικογένεια αλγορίθμων είναι ιδιαίτερα δημοφιλής για δεδομένα απόσπασης πινάκων;
   • Δέντρα απόφασης ενισχυμένα με κλίση όπως το XGBoost και το LightGBM
   • Συνελικτικά νευρωνικά δίκτυα
   • Επαναλαμβανόμενα νευρωνικά δίκτυα για ήχο
   • K-σημαίνει μόνο ομαδοποίηση
6. Τι προσθέτει το «ανέβασμα μοντελοποίησης» πέρα από την τυπική πρόβλεψη ανατροπής;
   • Κάνει το μοντέλο να τρέχει πιο γρήγορα
   • It estimates which customers may be more likely to benefit from an intervention
   • Καταργεί την ανάγκη για οποιαδήποτε δεδομένα
   • Λειτουργεί μόνο για νέους πελάτες
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