IA en el cuestionario de predicción de la pérdida de clientes

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿A qué se refiere la "rotación de clientes"?
   • Clientes que cancelan o dejan de utilizar un producto o servicio.
   • Clientes que aumentan su gasto
   • El proceso de incorporación de nuevos clientes.
   • Un tipo de correo electrónico de marketing
2. ¿En qué tipo de problema de aprendizaje automático se suele enmarcar la predicción de abandono?
   • Agrupación no supervisada
   • Clasificación supervisada utilizando datos históricos etiquetados.
   • Aprendizaje reforzado a partir de recompensas
   • Generación de imágenes
3. ¿Por qué la precisión simple es una métrica deficiente para los modelos de abandono?
   • La precisión es imposible de calcular
   • La precisión solo funciona para imágenes
   • Los conjuntos de datos de abandono están desequilibrados, por lo que predecir que "no habrá abandono" para todos puede parecer muy preciso
   • La deserción no tiene un resultado mensurable
4. ¿Qué es la "fuga de datos" en este contexto?
   • Clientes que comparten sus contraseñas
   • Pérdida de registros de clientes a manos de piratas informáticos
   • Consultas lentas a la base de datos.
   • Una característica que accidentalmente codifica el resultado, como una fecha de cancelación, inflando el rendimiento.
5. ¿Qué familia de algoritmos es especialmente popular para los datos tabulares de abandono?
   • Árboles de decisión potenciados por gradiente como XGBoost y LightGBM
   • Redes neuronales convolucionales
   • Redes neuronales recurrentes para audio.
   • K-significa agrupación únicamente
6. ¿Qué aporta el 'modelado de mejora' más allá de la predicción de abandono estándar?
   • Hace que el modelo se ejecute más rápido.
   • It estimates which customers may be more likely to benefit from an intervention
   • Elimina la necesidad de cualquier dato.
   • Sólo funciona para nuevos clientes.
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