Kuis terkait panduan · Sedang Tingkat

AI dalam Kuis Prediksi Churn Pelanggan

Tinjau bagaimana model churn menggunakan riwayat perilaku, tentukan jendela prediksi, tangani hasil yang tidak seimbang, dan pandu upaya retensi.

Jalur panduan terkaitAI Dalam Prediksi Churn Pelanggan
Pertanyaan 1 dari 8

Apa yang dimaksud dengan 'churn pelanggan'?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang dimaksud dengan 'churn pelanggan'?
    • Pelanggan membatalkan atau berhenti menggunakan suatu produk atau layanan
    • Pelanggan meningkatkan pengeluaran mereka
    • Proses orientasi pelanggan baru
    • Jenis email pemasaran
  2. Jenis masalah pembelajaran mesin apa yang biasanya dibingkai dalam prediksi churn?
    • Pengelompokan tanpa pengawasan
    • Klasifikasi yang diawasi menggunakan data berlabel historis
    • Pembelajaran penguatan dari imbalan
    • Pembuatan gambar
  3. Mengapa akurasi biasa merupakan metrik yang buruk untuk model churn?
    • Akurasi tidak mungkin dihitung
    • Akurasi hanya berfungsi untuk gambar
    • Kumpulan data churn tidak seimbang, sehingga memprediksi 'tidak ada churn' untuk semua orang terlihat sangat akurat
    • Churn tidak memiliki hasil yang terukur
  4. Apa yang dimaksud dengan 'kebocoran data' dalam konteks ini?
    • Pelanggan membagikan kata sandi mereka
    • Kehilangan catatan pelanggan karena peretas
    • Kueri basis data lambat
    • Sebuah fitur yang secara tidak sengaja mengkodekan hasilnya, seperti tanggal pembatalan, sehingga meningkatkan kinerja
  5. Kelompok algoritme manakah yang sangat populer untuk data churn tabular?
    • Pohon keputusan yang ditingkatkan gradien seperti XGBoost dan LightGBM
    • Jaringan saraf konvolusional
    • Jaringan saraf berulang untuk audio
    • Hanya pengelompokan K-means saja
  6. Apa yang ditambahkan oleh 'pemodelan peningkatan' di luar prediksi churn standar?
    • Itu membuat model berjalan lebih cepat
    • It estimates which customers may be more likely to benefit from an intervention
    • Ini menghilangkan kebutuhan akan data apa pun
    • Ini hanya berfungsi untuk pelanggan baru
  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