Викторина, связанная с руководством · Средний Уровень

Викторина для оценки ведущего ИИ

Оцените, как при подсчете потенциальных клиентов используются исторические результаты, почему дисбаланс классов влияет на оценку и почему важны калибровка и мониторинг отклонений.

Связанные направляющие путиAI-подсчет очков
Вопрос 1 из 8

Чем ИИ-оценка потенциальных клиентов отличается от традиционной оценки на основе правил?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Чем ИИ-оценка потенциальных клиентов отличается от традиционной оценки на основе правил?
    • Он изучает веса на основе исторических данных о конверсиях вместо использования фиксированных точек.
    • Он учитывает только открытия электронной почты
    • вообще не требует данных
    • Он игнорирует размер компании и должность.
  2. Какая задача машинного обучения лучше всего описывает прогнозирование конверсии лида?
    • Сегментация изображений
    • Бинарная классификация
    • Распознавание речи
    • Обучение с подкреплением
  3. Почему простая точность — плохой показатель для оценки моделей оценки потенциальных клиентов?
    • Accuracy directly measures calibration
    • Accuracy tells sales representatives why a lead will convert
    • Converters may be rare, so a model can appear accurate by predicting “no conversion” for nearly every lead
    • Accuracy automatically adjusts decision thresholds
  4. According to HubSpot’s lead-scoring documentation, which data can a custom score use?
    • Only a person’s name
    • Только время суток
    • Unlabeled audio waveforms
    • Record actions or properties selected for the scoring model
  5. What can a lead-scoring model return for each prospect?
    • A score or estimated conversion probability, which still needs evaluation
    • A probability that is automatically calibrated by definition
    • A guaranteed sales outcome
    • A legal determination of creditworthiness
  6. What does feature importance summarize in a tree-based lead-scoring model?
    • That a feature causes conversion
    • How influential a feature is in the model’s decisions under that importance method
    • That a feature is legally required
    • The future sales quota
  7. What does calibration mean for a lead-conversion score?
    • Every lead receives the same score
    • The model’s accuracy is always 100 percent
    • Predicted probabilities match observed conversion frequencies over comparable cases
    • Scores are sorted alphabetically by company
  8. Why should a lead-scoring model be monitored after deployment?
    • The original threshold can never become outdated
    • Monitoring makes labels unnecessary
    • A model score permanently captures market behavior
    • Lead behavior and the meaning of historical patterns can drift