Platform For AI:Kullanıcı kaybı tahmini

Arka Plan

Kullanıcı kaybı tahmin modeli oluşturmak, ayrılma riski taşıyan müşterileri belirlemenize ve onları elde tutmak için proaktif önlemler almanıza olanak tanır.

Geleneksel kayıp izleme çözümleri genellikle kural tabanlıdır. Bu yöntemler akıllı tahmin yeteneklerinden yoksundur ve risk altındaki kullanıcıları doğru bir şekilde tespit etmekte başarısız olabilir.

Çözüm

Ön Koşullar

• PAI'yi etkinleştirdiniz ve bir çalışma alanı oluşturdunuz. Daha fazla bilgi için bkz. PAI'yi Etkinleştirme ve Varsayılan Çalışma Alanı Oluşturma.

• Çalışma alanı MaxCompute kaynaklarıyla ilişkilendirilmiştir. Daha fazla bilgi için bkz. Hızlı Başlangıç - Hazırlıklar.

Veri Kümesi

Yordam

1. Machine Learning Designer sayfasına gidin.

   1. PAI console adresinde oturum açın.

   2. Sol gezinme bölmesinde Workspaces öğesini tıklayın. Workspaces sayfasında yönetmek istediğiniz çalışma alanının adını tıklayın.

   3. Sol gezinme bölmesinde Model Training > Visualized Modeling (Designer) seçeneğini belirleyin.

2. İşlem hattını oluşturun.

   1. Designer sayfasında Preset Templates sekmesini tıklayın.

   2. Business Area altındaki Risk Control kategorisine gidin, Churn User Monitoring bölümünü bulun ve Create öğesini tıklayın.

   3. Create Pipeline iletişim kutusunda parametreleri yapılandırın. Tüm parametreler için varsayılan ayarları kullanabilirsiniz.

      Data Storage parametresi, işlem hattı çalıştırması sırasında oluşturulan geçici verileri ve modelleri depolamak için bir OSS Bucket yolu belirtir.

   4. Confirm öğesini tıklayın.

      İşlem hattının oluşturulması yaklaşık 10 saniye sürer.

   5. İşlem hattı listesinde Churn User Monitoring işlem hattını tuvalde açmak için çift tıklayın.

   6. Sistem, aşağıdaki şekilde gösterildiği gibi önceden ayarlanmış şablona göre işlem hattını otomatik olarak oluşturur.

      

      Bölüm	Açıklama
      ①	İşlem hattı için veri kümesi.
      ②	Özellik mühendisliği yapmak ve orijinal dize türündeki özellikleri sayısal özelliklere dönüştürmek için One Hot Encoding ve SQL Script bileşenlerini kullanabilirsiniz. Örneğin, orijinal değerleri Yes veya No olan hedef alan churn için aşağıdaki örnekte gösterildiği gibi bir SQL ifadesi kullanarak Yes değerini 1'e ve No değerini 0'a dönüştürebilirsiniz. select (case churn when 'Yes' then 1 else 0 end) as churn from ${t1};
      ③	Veriler eğitim veri kümesine ve tahmin veri kümesine ayrılır. Bir müşteri ya ayrılabilir ya da ayrılamayacağından, kullanıcı kaybı tahmini ikili sınıflandırma algoritmalarıyla çözülebilen bir ikili sınıflandırma problemidir.
      ④	Binary Classification Evaluation bileşeni modeli doğrular. AUC, KS değeri ve F1 skoru gibi ölçümleri kullanarak performansını değerlendirebilirsiniz.

3. İşlem hattını çalıştırın ve model sonuçlarını görüntüleyin.

   1. Tuvalin üst kısmında Run öğesini tıklayın.

   2. İşlem hattı çalıştırması tamamlandığında, tuvaldeki Binary Classification Evaluation bileşenine sağ tıklayın ve kısayol menüsünden Visual Analysis seçeneğini belirleyin.

   3. Binary Classification Evaluation iletişim kutusunda model değerlendirme ölçümlerini görüntülemek için Indicator Data sekmesini tıklayın.

      Ölçümler arasında KS değeri, AUC, F1 skoru, Negative Samples, Positive Samples ve Total Samples yer alır. AUC değeri 1'e ne kadar yakınsa tahmin doğruluğu o kadar yüksek olur. Bu örnekte AUC değeri 0,8'den büyüktür, bu da yüksek model tahmin doğruluğunu gösterir.