引导式测验 · 中等 等级

人工智能在客户流失预测测验中的应用

回顾流失模型如何使用行为历史、定义预测窗口、处理不平衡的结果并指导保留工作。

相关引导路径人工智能在客户流失预测中的应用
问题 1 的 8

“客户流失”指的是什么？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. “客户流失”指的是什么？
    • 客户取消或停止使用产品或服务
    • 客户增加支出
    • 新客户入职流程
    • 营销电子邮件的一种
  2. 流失预测通常被定义为什么类型的机器学习问题？
    • 无监督聚类
    • 使用历史标记数据进行监督分类
    • 从奖励中强化学习
    • 图像生成
  3. 为什么简单准确度对于流失模型来说是一个糟糕的指标？
    • 准确度无法计算
    • 准确性仅适用于图像
    • 流失数据集不平衡，因此为每个人预测“无流失”看起来非常准确
    • 流失没有可衡量的结果
  4. 在这种情况下什么是“数据泄漏”？
    • 客户分享他们的密码
    • 客户记录被黑客窃取
    • 数据库查询速度慢
    • 意外对结果进行编码的功能，例如取消日期、夸大性能
  5. 哪种算法系列对于表格流失数据特别受欢迎？
    • 梯度增强决策树，例如 XGBoost 和 LightGBM
    • 卷积神经网络
    • 音频循环神经网络
    • 仅 K 均值聚类
  6. 除了标准流失预测之外，“提升建模”还增加了什么？
    • 它使模型运行得更快
    • It estimates which customers may be more likely to benefit from an intervention
    • 它消除了对任何数据的需要
    • 仅适用于新客户
  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