Вікторина, пов’язана з посібником · Середній Рівень

ШІ у вікторині прогнозування відтоку клієнтів

Перегляньте, як моделі відтоку використовують історію поведінки, визначають вікна прогнозування, обробляють незбалансовані результати та керують зусиллями щодо утримання.

Пов'язані напрямні шляхиAI у прогнозуванні відтоку клієнтів
Питання 1 з 8

Що означає «відтік клієнтів»?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що означає «відтік клієнтів»?
    • Клієнти скасовують або припиняють використовувати продукт чи послугу
    • Клієнти збільшують свої витрати
    • Процес залучення нових клієнтів
    • Тип маркетингової електронної пошти
  2. Який тип проблеми машинного навчання зазвичай оформляється прогнозуванням відтоку?
    • Кластеризація без нагляду
    • Контрольована класифікація з використанням історичних позначених даних
    • Навчання за допомогою винагород
    • Генерація зображення
  3. Чому звичайна точність є поганим показником для моделей відтоку?
    • Точність неможливо обчислити
    • Точність працює лише для зображень
    • Набори даних про відтік незбалансовані, тому прогноз «відсутності відтоку» для всіх може виглядати дуже точним
    • Відтік не має вимірюваного результату
  4. Що таке «витік даних» у цьому контексті?
    • Клієнти діляться своїми паролями
    • Втрата записів про клієнтів через хакерів
    • Повільні запити до бази даних
    • Функція, яка випадково кодує результат, наприклад дату скасування, завищуючи ефективність
  5. Яке сімейство алгоритмів є особливо популярним для табличних даних відтоку?
    • Градієнтні дерева рішень, такі як XGBoost і LightGBM
    • Згорткові нейронні мережі
    • Рекурентні нейронні мережі для аудіо
    • K-означає лише кластеризацію
  6. Що додає «моделювання підвищення» крім стандартного прогнозування відтоку?
    • Завдяки цьому модель працює швидше
    • It estimates which customers may be more likely to benefit from an intervention
    • Це усуває потребу в будь-яких даних
    • Це працює лише для нових клієнтів
  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