Kuiz berkaitan panduan · Sederhana Tahap

AI dalam Kuiz Ramalan Churn Pelanggan

Semak cara model churn menggunakan sejarah tingkah laku, mentakrifkan tetingkap ramalan, mengendalikan hasil yang tidak seimbang dan membimbing usaha pengekalan.

Laluan panduan yang berkaitanAI Dalam Ramalan Churn Pelanggan
soalan 1 daripada 8

Apakah yang dirujuk oleh 'customer churn'?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah yang dirujuk oleh 'customer churn'?
    • Pelanggan membatalkan atau berhenti menggunakan produk atau perkhidmatan
    • Pelanggan meningkatkan perbelanjaan mereka
    • Proses menerima pelanggan baharu
    • Sejenis e-mel pemasaran
  2. Apakah jenis masalah pembelajaran mesin yang biasanya dirangka sebagai ramalan churn?
    • Pengelompokan tanpa pengawasan
    • Pengelasan diselia menggunakan data berlabel sejarah
    • Peneguhan pembelajaran daripada ganjaran
    • Penjanaan imej
  3. Mengapakah ketepatan biasa merupakan metrik yang lemah untuk model churn?
    • Ketepatan adalah mustahil untuk dikira
    • Ketepatan hanya berfungsi untuk imej
    • Set data churn tidak seimbang, jadi meramalkan 'tiada churn' untuk semua orang boleh kelihatan sangat tepat
    • Churn tidak mempunyai hasil yang boleh diukur
  4. Apakah 'kebocoran data' dalam konteks ini?
    • Pelanggan berkongsi kata laluan mereka
    • Kehilangan rekod pelanggan kepada penggodam
    • Pertanyaan pangkalan data perlahan
    • Ciri yang mengekod hasil secara tidak sengaja, seperti tarikh pembatalan, meningkatkan prestasi
  5. Keluarga algoritma manakah yang paling popular untuk data churn jadual?
    • Pokok keputusan yang dipertingkatkan kecerunan seperti XGBoost dan LightGBM
    • Rangkaian saraf konvolusi
    • Rangkaian saraf berulang untuk audio
    • K-means clustering sahaja
  6. Apakah 'pemodelan peningkatan' tambah melebihi ramalan churn standard?
    • Ia menjadikan model berjalan lebih pantas
    • It estimates which customers may be more likely to benefit from an intervention
    • Ia menghilangkan keperluan untuk sebarang data
    • Ia hanya berfungsi untuk pelanggan baharu
  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