Müşteri Kaybetme Tahmini Testinde Yapay Zeka

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. 'Müşteri kaybı' ne anlama geliyor?
   • Bir ürün veya hizmeti iptal eden veya kullanmayı bırakan müşteriler
   • Müşteriler harcamalarını artırıyor
   • Yeni müşteri kazanma süreci
   • Bir tür pazarlama e-postası
2. Kayıp tahmini genellikle ne tür bir makine öğrenimi problemi olarak çerçevelenir?
   • Denetimsiz kümeleme
   • Geçmiş etiketli verileri kullanarak denetimli sınıflandırma
   • Ödüllerden pekiştirici öğrenme
   • Görüntü oluşturma
3. Düz doğruluk neden kayıp modelleri için zayıf bir ölçümdür?
   • Doğruluğun hesaplanması imkansızdır
   • Doğruluk yalnızca görseller için işe yarar
   • Kayıp veri kümeleri dengesiz olduğundan, herkes için "kaybetme olmayacağını" tahmin etmek son derece doğru görünebilir
   • Churn'un ölçülebilir bir sonucu yok
4. Bu bağlamda 'veri sızıntısı' nedir?
   • Müşteriler şifrelerini paylaşıyor
   • Müşteri kayıtlarının bilgisayar korsanlarına kaptırılması
   • Yavaş veritabanı sorguları
   • İptal tarihi gibi sonucu yanlışlıkla kodlayan, performansı artıran bir özellik
5. Tablosal kayıp verileri için özellikle hangi algoritma ailesi popülerdir?
   • XGBoost ve LightGBM gibi gradyan destekli karar ağaçları
   • Evrişimsel sinir ağları
   • Ses için tekrarlayan sinir ağları
   • K-yalnızca kümeleme anlamına gelir
6. 'Artış modellemesi' standart kayıp tahmininin ötesine ne katıyor?
   • Modelin daha hızlı çalışmasını sağlar
   • It estimates which customers may be more likely to benefit from an intervention
   • Herhangi bir veriye olan ihtiyacı ortadan kaldırır
   • Yalnızca yeni müşteriler için çalışır
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