Sztuczna inteligencja w quizie dotyczącym przewidywania rezygnacji klientów

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co oznacza „odpływ klientów”?
   • Klienci rezygnujący lub przestający korzystać z produktu lub usługi
   • Klienci zwiększają swoje wydatki
   • Proces onboardingu nowych klientów
   • Rodzaj marketingowego e-maila
2. Jako rodzaj problemu uczenia maszynowego zwykle określa się przewidywanie rezygnacji?
   • Klastrowanie bez nadzoru
   • Klasyfikacja nadzorowana z wykorzystaniem oznaczonych danych historycznych
   • Wzmocnienie uczenia się poprzez nagrody
   • Generowanie obrazu
3. Dlaczego zwykła dokładność jest słabą miarą w przypadku modeli rezygnacji?
   • Dokładności nie da się obliczyć
   • Dokładność działa tylko w przypadku obrazów
   • Zbiory danych dotyczące rezygnacji są niezrównoważone, więc przewidywanie braku rezygnacji w przypadku wszystkich może wyglądać bardzo dokładnie
   • Odejście nie ma wymiernych rezultatów
4. Czym jest „wyciek danych” w tym kontekście?
   • Klienci dzielą się swoimi hasłami
   • Utrata danych klientów na rzecz hakerów
   • Powolne zapytania do bazy danych
   • Funkcja, która przypadkowo koduje wynik, np. datę anulowania, zawyżając wyniki
5. Która rodzina algorytmów jest szczególnie popularna w przypadku tabelarycznych danych o rezygnacji?
   • Drzewa decyzyjne wzmocnione gradientem, takie jak XGBoost i LightGBM
   • Splotowe sieci neuronowe
   • Rekurencyjne sieci neuronowe dla dźwięku
   • K-oznacza tylko grupowanie
6. Co „modelowanie wzrostu” dodaje poza standardowym przewidywaniem rezygnacji?
   • Dzięki temu model działa szybciej
   • It estimates which customers may be more likely to benefit from an intervention
   • Eliminuje potrzebę jakichkolwiek danych
   • Działa tylko dla nowych klientów
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