🧗 👩🏻‍💻 ✒️ जैसा कि हमने बहिर्वाह की भविष्यवाणी की है, यह एक प्राकृतिक आपदा के रूप में है 💺 🚶 🤶🏽

कभी-कभी, किसी समस्या को हल करने के लिए, आपको इसे एक अलग कोण से देखने की जरूरत है। भले ही पिछले 10 वर्षों में इस तरह की समस्याओं को अलग-अलग प्रभावों से हल किया गया हो, लेकिन यह एक तथ्य नहीं है कि यह तरीका एकमात्र है।

ग्राहक मंथन जैसा विषय है। बात अपरिहार्य है, क्योंकि किसी भी कंपनी के ग्राहक कई कारणों से अपने उत्पादों या सेवाओं का उपयोग करना बंद कर सकते हैं। बेशक, कंपनी के लिए, बहिर्वाह एक प्राकृतिक है, लेकिन सबसे वांछनीय कार्रवाई नहीं है, इसलिए हर कोई इस बहिर्वाह को कम करने की कोशिश कर रहा है। और इससे भी बेहतर - एक विशेष श्रेणी के उपयोगकर्ताओं, या एक विशिष्ट उपयोगकर्ता के बहिर्वाह की संभावना का अनुमान लगाने के लिए, और कुछ अवधारण चरणों की पेशकश करें।

विश्लेषण करें और ग्राहक को रखने का प्रयास करें, यदि संभव हो तो, कम से कम निम्नलिखित कारणों से:

नए ग्राहकों को आकर्षित करना प्रतिधारण प्रक्रियाओं की तुलना में अधिक महंगा है । नए ग्राहकों को आकर्षित करने के लिए, एक नियम के रूप में, आपको कुछ पैसे (विज्ञापन) खर्च करने की आवश्यकता है, जबकि मौजूदा ग्राहकों को विशेष शर्तों के साथ एक विशेष प्रस्ताव के साथ सक्रिय किया जा सकता है;
यह समझना कि ग्राहक क्यों जा रहे हैं, उत्पादों और सेवाओं को बेहतर बनाने की कुंजी है ।

पूर्वानुमान के पूर्वानुमान के लिए मानक दृष्टिकोण हैं। लेकिन एआई चैंपियनशिप में से एक में, हमने इसके लिए वीबुल वितरण लेने और लेने का फैसला किया। अधिकतर इसका उपयोग उत्तरजीविता विश्लेषण, मौसम पूर्वानुमान, प्राकृतिक आपदा विश्लेषण, औद्योगिक इंजीनियरिंग और इसी तरह के लिए किया जाता है। वीबुल वितरण एक विशेष वितरण फ़ंक्शन है जो दो मापदंडों द्वारा पैरामीटरित किया जाता है

λ

$λ$ और

k

$k$ ।

विकिपीडिया

सामान्य तौर पर, बात मनोरंजक है, लेकिन बहिर्वाह की भविष्यवाणी करने के लिए, और वास्तव में फिनटेक में, इसका उपयोग अक्सर नहीं किया जाता है। कटौती के तहत, हम आपको बताएंगे कि कैसे हमने (डेटा माइनिंग की प्रयोगशाला) "एआई इन बैंक्स" नामांकन में एआई चैम्पियनशिप में स्वर्ण पदक जीता।

सामान्य रूप से बहिर्वाह के बारे में

आइए थोड़ा देखें कि ग्राहक का बहिर्वाह क्या है और यह इतना महत्वपूर्ण क्यों है। व्यापार के लिए, ग्राहक आधार महत्वपूर्ण है। नए ग्राहक इस डेटाबेस में आते हैं, उदाहरण के लिए, विज्ञापन से किसी उत्पाद या सेवा के बारे में जानने के बाद, वे कुछ समय के लिए रहते हैं (सक्रिय रूप से उत्पादों का उपयोग करते हैं) और कुछ समय बाद वे इसका उपयोग करना बंद कर देते हैं। इस अवधि को "ग्राहक जीवनचक्र" (eng। ग्राहक जीवनचक्र) कहा जाता है - एक पद जो ग्राहक द्वारा किसी उत्पाद के बारे में पता लगाने पर उन चरणों का वर्णन करता है, जो खरीदारी का निर्णय लेते हैं, भुगतान करते हैं, उपयोग करते हैं और एक निष्ठावान ग्राहक बन जाते हैं, और अंततः इसका उपयोग करना बंद कर देते हैं एक कारण या किसी अन्य उत्पाद के लिए। तदनुसार, बहिर्वाह ग्राहक के जीवन चक्र का अंतिम चरण है जब ग्राहक सेवाओं का उपयोग करना बंद कर देता है, और व्यापार के लिए इसका मतलब है कि ग्राहक को लाभ और सामान्य रूप से कोई लाभ नहीं हुआ है।

बैंक का प्रत्येक ग्राहक एक विशिष्ट व्यक्ति होता है जो विशेष रूप से अपनी आवश्यकताओं के लिए एक विशेष बैंक कार्ड का चयन करता है। अक्सर यात्रा - मील के साथ एक नक्शा उपयोगी है। वह बहुत कुछ खरीदता है - हैलो, कैशबैक के साथ कार्ड। वह विशिष्ट दुकानों में बहुत कुछ खरीदता है - और इसके लिए पहले से ही एक विशेष सहबद्ध प्लास्टिक है। बेशक, कभी-कभी "सस्ता सेवा" की कसौटी के अनुसार एक कार्ड भी चुना जाता है। सामान्य तौर पर, यहां पर्याप्त चर होते हैं।

और एक अन्य व्यक्ति स्वयं बैंक का चयन करता है - क्या यह बैंक कार्ड चुनने के लायक है, जो शाखाएँ केवल मास्को और क्षेत्र में हैं जब आप खाबरोवस्क से हैं? यदि ऐसे बैंक का कार्ड कम से कम 2 गुना अधिक लाभदायक है, तो पास में बैंक शाखाओं की उपस्थिति अभी भी एक महत्वपूर्ण मानदंड है। हां, 2019 पहले से ही यहां है और डिजिटल हमारा सब कुछ है, लेकिन कुछ बैंकों के लिए कई मुद्दों को शाखा में ही हल किया जा सकता है। इसके अलावा, फिर से, आबादी का कुछ हिस्सा एक स्मार्टफोन पर एक आवेदन की तुलना में एक भौतिक बैंक पर भरोसा करता है, इसे भी ध्यान में रखना होगा।

परिणामस्वरूप, किसी व्यक्ति के पास बैंक (या स्वयं बैंक) के उत्पादों को अस्वीकार करने के कई कारण हो सकते हैं। उसने अपनी नौकरी बदल दी, और कार्ड की दर एक वेतन से बदलकर "मात्र नश्वर के लिए" हो गई, जो कम लाभदायक है। वह दूसरे शहर में चला गया जहाँ बैंक की शाखाएँ नहीं हैं। मुझे विभाग में एक अकुशल ऑपरेटर के साथ बात करना पसंद नहीं था। अर्थात्, किसी उत्पाद का उपयोग करने की तुलना में खाता बंद करने के और भी कारण हो सकते हैं।

और ग्राहक न केवल अपने इरादे को स्पष्ट रूप से व्यक्त कर सकता है - बैंक में आकर एक बयान लिख सकता है, लेकिन केवल अनुबंध को तोड़ने के बिना उत्पादों का उपयोग करना बंद कर सकता है। यहां, इस तरह की समस्याओं को समझने के लिए, मशीन लर्निंग और एआई का उपयोग करने का निर्णय लिया गया।

इसके अलावा, ग्राहकों का बहिर्वाह किसी भी उद्योग में हो सकता है (दूरसंचार, इंटरनेट प्रदाता, बीमा कंपनियाँ, जहाँ भी ग्राहक आधार और आवधिक लेनदेन होता है)।

हमने क्या किया है?

सबसे पहले, एक स्पष्ट सीमा का वर्णन करना आवश्यक था - जब से हमने ग्राहक को विदा करने के लिए विचार करना शुरू किया। बैंक के दृष्टिकोण से, जिसने हमें काम के लिए डेटा प्रदान किया, ग्राहक की गतिविधि की स्थिति द्विआधारी थी - यह या तो सक्रिय है या नहीं। "गतिविधि" तालिका में एक ACTIVE_FLAG ध्वज था, जिसका मूल्य या तो "0" या "1" (क्रमशः, "निष्क्रिय" और "सक्रिय") हो सकता है। और सबकुछ ठीक हो जाएगा, लेकिन व्यक्ति ऐसा है कि वह इसे थोड़ी देर के लिए सक्रिय रूप से उपयोग कर सकता है, और फिर एक महीने के लिए सक्रिय से बाहर हो जाता है - वह बीमार हो जाता है, दूसरे देश में आराम करने के लिए जाता है, या यहां तक कि दूसरे बैंक के कार्ड का परीक्षण करने के लिए जाता है। या शायद निष्क्रियता की लंबी अवधि के बाद, फिर से बैंक की सेवाओं का उपयोग करना शुरू करें

इसलिए, हमने निष्क्रियता की अवधि को एक निश्चित निरंतर अवधि कहा, जिसके दौरान ध्वज को "0" के रूप में सेट किया गया था।

विभिन्न लंबाई की निष्क्रियता के बाद ग्राहक निष्क्रिय से सक्रिय हो जाते हैं। हम अनुभवजन्य मूल्य की डिग्री "निष्क्रियता की अवधि की विश्वसनीयता" की गणना करने में सक्षम हैं - अर्थात्, एक व्यक्ति फिर से अस्थायी निष्क्रियता के बाद बैंक के उत्पादों का उपयोग करना शुरू कर देगा।

उदाहरण के लिए, यह ग्राफ कई महीनों की निष्क्रियता (ACTIVE_FLAG = 0) के बाद ग्राहकों की गतिविधि (ACTIVE_FLAG = 1) को फिर से शुरू करता है।

यहाँ हम थोड़ा डेटा सेट स्पष्ट करेंगे जिसके साथ हमने काम करना शुरू किया। इसलिए, बैंक ने निम्न तालिकाओं में 19 महीने के लिए समग्र जानकारी प्रदान की:

"गतिविधि" - मासिक ग्राहक लेनदेन (कार्ड द्वारा, इंटरनेट बैंकिंग और मोबाइल बैंकिंग में), जिसमें पेरोल और टर्नओवर की जानकारी शामिल है।
"कार्ड" - एक विस्तृत टैरिफ अनुसूची के साथ ग्राहक के पास मौजूद सभी कार्डों का डेटा।
"अनुबंध" - ग्राहक अनुबंध (खुले और बंद दोनों) पर जानकारी: ऋण, जमा, आदि, प्रत्येक के मापदंडों को दर्शाता है।
"ग्राहक" - जनसांख्यिकीय डेटा (लिंग और आयु) और संपर्क डेटा की उपलब्धता का एक सेट।

काम के लिए, हमें "मैप" को छोड़कर सभी तालिकाओं की आवश्यकता थी।

यहां कठिनाई कुछ और थी - इस डेटा में बैंक ने यह नहीं बताया कि कार्ड पर किस तरह की गतिविधि हुई थी। यही है, हम समझ सकते हैं कि लेनदेन थे या नहीं, लेकिन हम अब उनके प्रकार का निर्धारण नहीं कर सकते हैं। इसलिए, यह स्पष्ट नहीं था कि क्या ग्राहक नकद वापस ले रहा था, चाहे वह वेतन प्राप्त करता था, या यदि वह खरीद पर पैसा खर्च करता था। और हमारे पास खाते में शेष राशि का डेटा नहीं था, जो उपयोगी होगा।

नमूना ही निष्पक्ष था - इस खंड के लिए 19 महीने तक बैंक ने ग्राहकों को बनाए रखने और बहिर्वाह को कम करने के लिए कोई प्रयास नहीं किया।

तो, निष्क्रियता की अवधि के बारे में।

बहिर्वाह की परिभाषा तैयार करने के लिए, आपको निष्क्रियता की अवधि चुनने की आवश्यकता है। एक समय में एक बहिर्वाह पूर्वानुमान बनाने के लिए

t t

$tt$ , आपके पास अंतराल में कम से कम 3 महीने का ग्राहक इतिहास होना चाहिए

[ट ी - 3; t - 1]

$[टी - 3; t - 1]$ । हमारा इतिहास 19 महीने तक सीमित था, इसलिए हमने 6 महीने की निष्क्रियता की अवधि लेने का फैसला किया, यदि कोई हो। और गुणात्मक पूर्वानुमान के लिए न्यूनतम अवधि के लिए उन्हें 3 महीने लगे। 3 और 6 महीने के आंकड़े हमने अनुभवजन्य रूप से ग्राहक डेटा के व्यवहार के विश्लेषण के आधार पर लिए।

बहिर्वाह की परिभाषा हमने निम्नानुसार तैयार की है: ग्राहक का महीना बहिर्वाह

k

$k$ यह ACTIVE_FLAG = 0 के साथ पहला महीना है, जहाँ ACTIVE_FLAG फ़ील्ड में एक पंक्ति में कम से कम छह शून्य इस महीने से चल रहे हैं, दूसरे शब्दों में, वह महीना जिसके बाद से ग्राहक 6 महीने से निष्क्रिय है।

दिवंगत ग्राहकों की संख्या

शेष ग्राहकों की संख्या

जैसा कि इसे बहिर्वाह माना जाता है

ऐसी प्रतियोगिताओं में, और वास्तव में व्यवहार में, बहिर्वाह अक्सर इस तरह से भविष्यवाणी की जाती है। क्लाइंट विभिन्न समय अंतराल पर उत्पादों और सेवाओं का उपयोग करता है, उसके साथ बातचीत पर डेटा निश्चित लंबाई n की एक सुविधा वेक्टर के रूप में प्रस्तुत किया जाता है। अक्सर इस जानकारी में शामिल हैं:

उपयोगकर्ता-विशिष्ट डेटा (जनसांख्यिकीय डेटा, विपणन खंड)।
बैंकिंग उत्पादों और सेवाओं के उपयोग का इतिहास (ये ग्राहक क्रियाएं हैं जो हमेशा एक विशिष्ट समय या उस अंतराल से जुड़ी होती हैं जिसकी हमें आवश्यकता होती है)।
बाहरी डेटा, यदि यह प्राप्त करने में सक्षम है - उदाहरण के लिए, सामाजिक नेटवर्क से समीक्षा।

और इसके बाद वे प्रत्येक कार्य के लिए बहिर्वाह की परिभाषा प्राप्त करते हैं। फिर वे मशीन लर्निंग एल्गोरिदम का उपयोग करते हैं, जो क्लाइंट के छोड़ने की संभावना की भविष्यवाणी करता है

k

$k$ कारकों के वेक्टर के आधार पर

X^{n}

$X ^ n$ । एल्गोरिथ्म सीखने के लिए, निर्णय पेड़ों, XGBoost , LightGBM , CatBoost या उनके संशोधनों के ensembles के निर्माण के लिए प्रसिद्ध रूपरेखाओं में से एक का उपयोग किया जाता है।

एल्गोरिथ्म स्वयं खराब नहीं है, लेकिन बहिर्वाह के पूर्वानुमान के संदर्भ में, इसके कई गंभीर नुकसान हैं।

उसके पास तथाकथित "स्मृति" नहीं है । मॉडल के इनपुट को दी गई कई विशेषताएं प्राप्त होती हैं जो समय में वर्तमान क्षण के अनुरूप होती हैं। मापदंडों में परिवर्तन के इतिहास के बारे में जानकारी रखने के लिए, विशेष विशेषताओं की गणना करना आवश्यक है जो समय के साथ मापदंडों में परिवर्तन की विशेषता रखते हैं, उदाहरण के लिए, पिछले 1.2.3 महीनों में बैंक लेनदेन की संख्या या राशि। ऐसा दृष्टिकोण केवल अस्थायी परिवर्तनों की प्रकृति को आंशिक रूप से प्रतिबिंबित कर सकता है।
निश्चित पूर्वानुमान क्षितिज। मॉडल केवल समय की पूर्व निर्धारित अवधि के लिए ग्राहकों के बहिर्वाह की भविष्यवाणी करने में सक्षम है, उदाहरण के लिए, एक महीने पहले पूर्वानुमान। यदि आपको एक और अवधि के लिए पूर्वानुमान की आवश्यकता है, उदाहरण के लिए, तीन महीने के लिए, तो आपको प्रशिक्षण सेट को फिर से बनाने और नए मॉडल को फिर से बनाने की आवश्यकता है।

हमारा दृष्टिकोण

हमने तुरंत निर्णय लिया कि हम मानक दृष्टिकोण का उपयोग नहीं करेंगे। हमारे अलावा, चैंपियनशिप में 497 लोगों ने पंजीकरण कराया, जिनमें से प्रत्येक को अच्छा अनुभव था। इसलिए, ऐसी परिस्थितियों में मानक तरीके से कुछ करने की कोशिश करना अच्छा विचार नहीं है।

और हमने ग्राहक बहिर्वाह समय के संभावित वितरण की भविष्यवाणी करके द्विआधारी वर्गीकरण मॉडल के सामने आने वाली समस्याओं को हल करना शुरू किया। एक समान दृष्टिकोण यहाँ देखा जा सकता है , यह शास्त्रीय दृष्टिकोण की तुलना में अधिक लचीले पूर्वानुमान और अधिक जटिल परिकल्पनाओं का परीक्षण करने की अनुमति देता है। बहिर्वाह समय का अनुकरण करने वाले वितरणों के एक परिवार के रूप में, हमने उत्तरजीविता विश्लेषण में इसके व्यापक उपयोग के लिए वीबुल वितरण को चुना। ग्राहक व्यवहार को एक तरह के अस्तित्व के रूप में देखा जा सकता है।

यहाँ मापदंडों के आधार पर वीबुल संभावना घनत्व वितरण के उदाहरण दिए गए हैं

λ

$λ$ और

k

$k$ :

यह समय के साथ तीन अलग-अलग ग्राहकों के ग्राहक मंथन की संभावना घनत्व वितरण है। समय महीनों में प्रस्तुत किया जाता है। दूसरे शब्दों में, यह ग्राफ दिखाता है कि यह सबसे अधिक संभावना है कि ग्राहक अगले दो महीनों में बह जाएगा। जैसा कि आप देख सकते हैं, एक वितरण के साथ एक ग्राहक के पास एक वीबुल (2, 0.5) और वेबुल (3.1) वितरण वाले ग्राहकों की तुलना में पहले छोड़ने की काफी संभावना है।

परिणाम एक मॉडल है जो किसी भी ग्राहक के लिए है
महीने में वेइबुल वितरण मापदंडों की भविष्यवाणी की जाती है, जो समय के साथ बहिर्वाह की संभावना की शुरुआत को सबसे अच्छा दर्शाता है। यदि अधिक विवरण:

प्रशिक्षण नमूने में लक्ष्य विशेषताएँ - किसी विशेष ग्राहक के लिए एक विशेष महीने में बहिर्वाह से पहले का समय शेष है।
यदि क्लाइंट के लिए कोई बहिर्वाह संकेतक नहीं है, तो हम मानते हैं कि बहिर्वाह समय हमारे इतिहास के वर्तमान और अंत से शुरू होने वाले महीनों की संख्या से अधिक है।
मॉडल का इस्तेमाल किया: एक LSTM परत के साथ एक आवर्तक तंत्रिका नेटवर्क।
एक नुकसान समारोह के रूप में, हम वेइबुल वितरण के लिए नकारात्मक लघुगणक संभावना समारोह का उपयोग करते हैं।

इस विधि के फायदे इस प्रकार हैं:

बाइनरी वर्गीकरण की स्पष्ट संभावना के अलावा, संभाव्य वितरण, आपको लचीले ढंग से विभिन्न घटनाओं की भविष्यवाणी करने की अनुमति देता है, उदाहरण के लिए, क्या ग्राहक 3 महीने के भीतर बैंक की सेवाओं का उपयोग करना बंद कर देता है। इसके अलावा, यदि आवश्यक हो, तो इस वितरण पर विभिन्न मैट्रिक्स औसतन हो सकते हैं।
LSTM आवर्तक तंत्रिका नेटवर्क में स्मृति है और कुशलतापूर्वक पूरे इतिहास का उपयोग करता है। इतिहास के विस्तार या परिशोधन के साथ सटीकता बढ़ती है।
दृष्टिकोण को समस्याओं के बिना छोटा किया जा सकता है जब समय अंतराल को छोटे लोगों में विभाजित किया जाता है (उदाहरण के लिए, जब महीनों को हफ्तों में विभाजित किया जाता है)।

लेकिन यह एक अच्छा मॉडल बनाने के लिए पर्याप्त नहीं है, आपको इसकी गुणवत्ता का सही मूल्यांकन करने की भी आवश्यकता है।

गुणवत्ता का मूल्यांकन कैसे करें

एक मीट्रिक के रूप में, हमने लिफ्ट कर्व चुना। इसका उपयोग व्यापार में ऐसे मामलों के लिए किया जाता है, जो समझने योग्य व्याख्या के कारण होते हैं; यह यहाँ और यहाँ अच्छी तरह से वर्णित है । यदि आप एक वाक्य में इस मीट्रिक के अर्थ का वर्णन करते हैं, तो आपको "कितनी बार एल्गोरिथ्म पहले में सबसे अच्छी भविष्यवाणी करता है।"

k

$k$ बेतरतीब ढंग से%। "

हम मॉडल को प्रशिक्षित करते हैं

प्रतियोगिता की स्थिति एक विशिष्ट गुणवत्ता मीट्रिक स्थापित नहीं करती है जिसके द्वारा विभिन्न मॉडलों और दृष्टिकोणों की तुलना की जा सकती है। इसके अलावा, बहिर्वाह की अवधारणा की परिभाषा अलग हो सकती है और समस्या के बयान पर निर्भर हो सकती है, जो बदले में, व्यावसायिक लक्ष्यों के लिए निर्धारित होती है। इसलिए, यह समझने के लिए कि कौन सी विधि बेहतर है, हमने दो मॉडलों को प्रशिक्षित किया:

एक निर्णय वृक्ष पहनावा ( लाइट जीबीएम ) के मशीन लर्निंग एल्गोरिथ्म का उपयोग करके अक्सर उपयोग किए जाने वाले द्विआधारी वर्गीकरण दृष्टिकोण;
मॉडल वीबुल-एलएसटीएम

परीक्षण नमूने में 500 पूर्व चयनित ग्राहक शामिल थे जो प्रशिक्षण नमूने में नहीं थे। मॉडल के लिए, क्लाइंट द्वारा क्रॉस-सत्यापन का उपयोग करके हाइपर-मापदंडों का चयन किया गया था। प्रत्येक मॉडल को प्रशिक्षित करने के लिए, विशेषताओं के समान सेट का उपयोग किया गया था।

इस तथ्य के कारण कि मॉडल में मेमोरी नहीं है, इसके लिए विशेष संकेत लिए गए थे, जिसमें पिछले तीन महीनों में मापदंडों के लिए एक महीने के औसत मान में बदलाव के अनुपात को दिखाया गया था। तीन महीनों की अंतिम अवधि में मूल्यों के परिवर्तन की दर क्या है। इसके बिना, रैंडम फॉरेस्ट पर आधारित एक मॉडल वेइबुल-एलएसटीएम के सापेक्ष पहले से खोने की स्थिति में होगा।

वीबुल वितरण के साथ एलएसटीएम निर्णय पेड़ों के पहनावा के आधार पर दृष्टिकोण से बेहतर क्यों है

यहाँ, सब कुछ स्पष्ट रूप से चित्रों का एक जोड़ा है।

क्लासिक एल्गोरिथ्म और वीबुल-एलटीएमएम के लिए लिफ्ट वक्र की तुलना

क्लासिक एलगोरिदम और वीबुल-एलएसटीएम के लिए मासिक लिफ्ट कर्व मेट्रिक तुलना

सामान्य तौर पर, LSTM लगभग सभी मामलों में क्लासिक एल्गोरिथ्म करता है।

बहिर्वाह की भविष्यवाणी

Weibull वितरण के साथ LSTM कोशिकाओं के साथ एक आवर्तक तंत्रिका नेटवर्क पर आधारित एक मॉडल अग्रिम में बहिर्वाह का अनुमान लगा सकता है, उदाहरण के लिए, अगले n महीनों में एक ग्राहक के प्रस्थान की भविष्यवाणी करता है। N = 3. के लिए मामले पर विचार करें। इस मामले में, प्रत्येक महीने के लिए, तंत्रिका नेटवर्क को सही ढंग से यह निर्धारित करना होगा कि ग्राहक अगले महीने से nth महीने तक छोड़ देगा। दूसरे शब्दों में, उसे सही ढंग से यह निर्धारित करना होगा कि ग्राहक n महीनों के बाद रहेगा या नहीं। इसे पहले से एक भविष्यवाणी माना जा सकता है: उस क्षण की भविष्यवाणी करना जब ग्राहक सिर्फ यह सोचना शुरू कर दिया कि कैसे छोड़ना है।

वेबल-एलएसटीएम 1, 2, और बहिर्वाह से 3 महीने पहले के लिए लिफ्ट वक्र की तुलना करें:

हमने पहले ही ऊपर लिखा था कि कुछ समय के लिए सक्रिय नहीं होने वाले ग्राहकों के लिए पूर्वानुमान भी महत्वपूर्ण हैं। इसलिए, यहां हम ऐसे मामलों का नमूना जोड़ेंगे जब दिवंगत ग्राहक पहले से ही एक या दो महीने के लिए निष्क्रिय हो गया है, और जांच लें कि वीबुल-एलएसटीएम ऐसे मामलों को सही रूप से बहिर्वाह के रूप में वर्गीकृत करता है। चूंकि ऐसे मामले नमूने में मौजूद थे, इसलिए हम उम्मीद करते हैं कि नेटवर्क उनके साथ अच्छी तरह से सामना करेगा:

ग्राहक प्रतिधारण

दरअसल, यह मुख्य चीज है जो हाथ पर जानकारी के साथ किया जा सकता है कि इस तरह के और ग्राहक उत्पाद का उपयोग बंद करने की तैयारी कर रहे हैं। एक मॉडल बनाने के बारे में बात करना, जो ग्राहकों को उन्हें बनाए रखने के लिए कुछ उपयोगी प्रदान कर सके, यह काम नहीं करेगा यदि आपके पास ऐसे प्रयासों का इतिहास नहीं है जो अच्छी तरह से समाप्त हो जाएंगे।

हमारे पास ऐसी कोई कहानी नहीं थी, इसलिए हमने इसे इस तरह तय किया।

हम एक मॉडल बना रहे हैं जो प्रत्येक ग्राहक के लिए दिलचस्प उत्पादों को परिभाषित करता है।
प्रत्येक महीने में, हम एक क्लासिफायर चलाते हैं और संभावित आउटगोइंग ग्राहकों की पहचान करते हैं।
कुछ ग्राहक एक उत्पाद पेश करते हैं, जो पैरा 1 के मॉडल के अनुसार अपने कार्यों को याद करते हैं।
कुछ महीनों के बाद, हम देखते हैं कि इनमें से कौन-कौन से संभावित आउटगोइंग ग्राहक बचे हैं और जो बने हुए हैं। इस प्रकार, हम एक प्रशिक्षण नमूना बनाते हैं।
हम पैरा 4 में प्राप्त कहानी पर मॉडल को प्रशिक्षित करते हैं।
वैकल्पिक रूप से, पैरा 5 से प्राप्त मॉडल के साथ पैरा 1 से मॉडल की जगह, प्रक्रिया को दोहराएं।

सामान्य ए / बी परीक्षण ऐसे प्रतिधारण की गुणवत्ता की जांच के रूप में काम कर सकता है - हम उन ग्राहकों को विभाजित करते हैं जो संभावित रूप से दो समूहों में छोड़ते हैं। हम अपने प्रतिधारण मॉडल के आधार पर उत्पादों की पेशकश करते हैं, और हम दूसरे को कुछ भी नहीं देते हैं। हमने एक ऐसे मॉडल को प्रशिक्षित करने का निर्णय लिया जो हमारे उदाहरण के बिंदु 1 पर पहले से ही लाभान्वित हो सके।

हम संभव के रूप में विभाजन को व्याख्यात्मक बनाना चाहते थे। ऐसा करने के लिए, हमने कई संकेतों को चुना, जिनकी आसानी से व्याख्या की जा सकती है: लेनदेन की कुल संख्या, वेतन, कुल खाता कारोबार, आयु, लिंग। "कार्ड्स" तालिका के संकेतों को एकरूपता के रूप में ध्यान में नहीं रखा गया था, और तालिका 3 "अनुबंध" के संकेतों - सत्यापन सेट और प्रशिक्षण सेट के बीच डेटा रिसाव से बचने के लिए प्रसंस्करण की जटिलता के कारण।

गाऊसी मिश्रण मॉडल का उपयोग करके क्लस्टरिंग किया गया था।आकाइक सूचना मानदंड ने 2 आशाओं को निर्धारित करना संभव बना दिया। पहला इष्टतम 1 क्लस्टर से मेल खाता है। दूसरा इष्टतम, कम स्पष्ट, 80 समूहों से मेल खाता है। इस परिणाम से निम्नलिखित निष्कर्ष निकाला जा सकता है: बिना किसी पूर्व सूचना के डेटा को क्लस्टर में विभाजित करना बेहद मुश्किल है। बेहतर क्लस्टरिंग के लिए, आपको डेटा की आवश्यकता होती है जो प्रत्येक क्लाइंट का विस्तार से वर्णन करता है।

इसलिए, प्रत्येक व्यक्तिगत ग्राहक को एक उत्पाद पेश करने के लिए एक शिक्षक के साथ प्रशिक्षण का कार्य माना जाता था। निम्नलिखित उत्पादों पर विचार किया गया: "सावधि जमा", "क्रेडिट कार्ड", "ओवरड्राफ्ट", "उपभोक्ता ऋण", "कार ऋण", "बंधक"।

डेटा में एक अन्य प्रकार का उत्पाद मौजूद था: "करंट अकाउंट"। लेकिन हमने कम सूचना सामग्री के कारण इस पर विचार नहीं किया। उपयोगकर्ताओं द्वारा जो बैंक के ग्राहक हैं, अर्थात्। उन्होंने इसके उत्पादों का उपयोग बंद नहीं किया, एक मॉडल बनाया गया था जो यह भविष्यवाणी करता था कि कौन सा उत्पाद उनके लिए रुचि का हो सकता है। लॉजिस्टिक प्रतिगमन को मॉडल के रूप में चुना गया था, और पहले 10 प्रतिशत के लिए लिफ्ट मूल्य का उपयोग गुणवत्ता मूल्यांकन मीट्रिक के रूप में किया गया था।

आंकड़े में मॉडल की गुणवत्ता का अनुमान लगाया जा सकता है।

ग्राहक की सिफारिश मॉडल के परिणाम

संपूर्ण

इस दृष्टिकोण ने हमें RAIF-Challenge 2017 AI चैम्पियनशिप में "AI इन बैंक्स" नामांकन में पहला स्थान दिलाया।

जाहिर तौर पर, मुख्य बात यह थी कि समस्या को एक असामान्य पक्ष से संपर्क करें और एक ऐसी विधि का उपयोग करें जो आमतौर पर अन्य स्थितियों के लिए उपयोग की जाती है।

हालांकि उपयोगकर्ताओं के बड़े पैमाने पर बहिर्वाह सेवाओं के लिए एक प्राकृतिक आपदा हो सकती है।

इस पद्धति को किसी अन्य क्षेत्र के लिए भी नोट किया जा सकता है जहां बहिर्वाह पर विचार करना महत्वपूर्ण है, बैंकों द्वारा समग्र रूप से नहीं। उदाहरण के लिए, हमने इसका उपयोग अपने स्वयं के बहिर्वाह की गणना करने के लिए किया - रोस्टेलेकॉम की साइबेरियाई और सेंट पीटर्सबर्ग शाखाओं में।

"डेटा माइनिंग की प्रयोगशाला" कंपनी "खोज पोर्टल" स्पुतनिक "

जैसा कि हमने बहिर्वाह की भविष्यवाणी की है, यह एक प्राकृतिक आपदा के रूप में है