Gids-gekoppelde quiz · Middelmatig Niveau

AI in de voorspellingsquiz voor klantverloop

Bekijk hoe churn-modellen gedragsgeschiedenissen gebruiken, voorspellingsvensters definiëren, onevenwichtige resultaten aanpakken en retentie-inspanningen begeleiden.

Vraag 1 van 8

Wat wordt bedoeld met ‘klantverloop’?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat wordt bedoeld met ‘klantverloop’?
    • Klanten die een product of dienst opzeggen of niet meer gebruiken
    • Klanten verhogen hun bestedingen
    • Het proces van het onboarden van nieuwe klanten
    • Een soort marketing-e-mail
  2. Als welk type machine learning-probleem wordt de churn-voorspelling gewoonlijk omschreven?
    • Onbeheerde clustering
    • Gecontroleerde classificatie met behulp van historisch gelabelde gegevens
    • Versterking door te leren van beloningen
    • Beeldgeneratie
  3. Waarom is pure nauwkeurigheid een slechte maatstaf voor churn-modellen?
    • Nauwkeurigheid is onmogelijk te berekenen
    • Nauwkeurigheid werkt alleen voor afbeeldingen
    • Churn-datasets zijn onevenwichtig, dus het voorspellen van 'geen churn' voor iedereen kan zeer accuraat lijken
    • Churn heeft geen meetbaar resultaat
  4. Wat is ‘datalekken’ in deze context?
    • Klanten delen hun wachtwoorden
    • Klantgegevens verliezen aan hackers
    • Trage databasequery's
    • Een functie die per ongeluk de uitkomst codeert, zoals een annuleringsdatum, waardoor de prestaties worden verhoogd
  5. Welke algoritmefamilie is vooral populair voor tabellarische churngegevens?
    • Verloopversterkte beslissingsbomen zoals XGBoost en LightGBM
    • Convolutionele neurale netwerken
    • Terugkerende neurale netwerken voor audio
    • K-betekent alleen clustering
  6. Wat voegt 'uplift-modellering' toe naast de standaard churn-voorspelling?
    • Het zorgt ervoor dat het model sneller werkt
    • It estimates which customers may be more likely to benefit from an intervention
    • Het elimineert de behoefte aan gegevens
    • Het werkt alleen voor nieuwe klanten
  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