Platform For AI:Previsão de churn de usuários

Contexto

Criar um modelo de previsão de churn de usuários permite identificar clientes propensos ao cancelamento e adotar medidas proativas de retenção.

As soluções tradicionais de monitoramento de churn geralmente se baseiam em regras. Esses métodos não têm capacidade inteligente de previsão e podem falhar na identificação precisa de usuários em risco.

Solução

Pré-requisitos

• Ative o PAI e crie um workspace. Para mais informações, consulte Activate PAI and create a default workspace.

• Associe o workspace a recursos do MaxCompute. Para mais informações, consulte Quick start - Preparations.

Conjunto de dados

Procedimento

1. Acesse a página Machine Learning Designer.

   1. Faça login no PAI console.

   2. No painel de navegação à esquerda, clique em Workspaces. Na página Workspaces, clique em no nome do workspace desejado.

   3. No painel de navegação à esquerda, escolha Model Training > Visualized Modeling (Designer).

2. Crie o pipeline.

   1. Na página Designer, clique em na aba Preset Templates.

   2. Na categoria Risk Control, em Business Area, localize a seção Churn User Monitoring e clique em Create.

   3. Na caixa de diálogo Create Pipeline, configure os parâmetros. Use as configurações padrão para todos os parâmetros.

      O parâmetro Data Storage especifica um caminho de bucket do OSS para armazenar dados temporários e modelos gerados durante a execução do pipeline.

   4. Clique em Confirm.

      A criação do pipeline leva cerca de 10 segundos.

   5. Na lista de pipelines, clique duas vezes no pipeline Churn User Monitoring para abri-lo na tela.

   6. O sistema cria automaticamente o pipeline com base no modelo predefinido, conforme mostra a figura a seguir.

      

      Seção	Descrição
      ①	Conjunto de dados do pipeline.
      ②	Use os componentes One Hot Encoding e SQL Script para executar a engenharia de recursos e converter recursos originais do tipo string em recursos numéricos. Por exemplo, para o campo alvo churn, cujos valores originais são Yes ou No, use uma instrução SQL para converter Yes em 1 e No em 0, conforme o exemplo a seguir. select (case churn when 'Yes' then 1 else 0 end) as churn from ${t1};
      ③	Os dados são divididos em um conjunto de treinamento e um conjunto de previsão. Como um cliente pode cancelar ou não o service, a previsão de churn é um problema de classificação binária solucionável com algoritmos desse tipo.
      ④	O componente Binary Classification Evaluation valida o modelo. Avalie o desempenho usando métricas como AUC, valor KS e pontuação F1.

3. Execute o pipeline e visualize os resultados do modelo.

   1. Na parte superior da tela, clique em Run.

   2. Após a conclusão da execução do pipeline, clique com o botão direito no componente Binary Classification Evaluation na tela e selecione Visual Analysis no menu de atalho.

   3. Na caixa de diálogo Binary Classification Evaluation, clique em na aba Indicator Data para visualizar as métricas de avaliação do modelo.

      As métricas incluem KS value, AUC, F1 score, Negative Samples, Positive Samples e Total Samples. Um valor de AUC mais próximo de 1 indica maior precisão na previsão. Neste exemplo, o valor de AUC é superior a 0,8, o que demonstra alta precisão do modelo.