进化式流失预测：引导干预和再培训
美丽时尚的进化：引导干预与再培训
重新训练流失模型面临独特挑战，需要特别关注
重新训练机器学习模型，尤其是那些专注于客户流失预测的模型，是确保其与时间的相关性和准确性的重要步骤。然而，重新训练流失模型面临独特挑战，需要特别关注。其中最显著的挑战之一是区分干预的因果效应 – 识别因为积极的保留计划而留下的客户，以便独立针对他们。
干预对流失重训练的影响
考虑以下事件顺序：
- 初始模型训练：使用历史客户数据进行模型训练。
- 模型推断：将某些客户标记为可能流失。
- 业务干预：与这些客户互动，劝导他们留下，或者采取措施如促销和个性化优惠以鼓励保留。
- 使用新数据进行重训练：当模型的性能下降时，很可能是重新训练的时候了 – 使用更新的数据更新模型，其中包括这些干预的结果。
想象这样的情景：一个客户被预测会流失，我们派专员与其接触后，该客户决定留下。当我们尝试解释他们的决定原因时，就会遇到挑战 – 他们的决定是由于干预而改变了吗，还是一开始模型就把他们错分了？在这种模糊数据上重新训练模型时，有可能扭曲模型的未来预测 – 将上述客户标记为“留下”可能会误导，因为如果我们没有劝导他们留下，他们可能会离开。对于流失标签也是一样 – 干预可能是流失的唯一触发因素，使得某些流失标签不可靠。
应对偏差的可能方法：
- 对照组和合成数据：创建一个“可能流失”的客户子集，对其不应用任何干预措施。通过比较控制组和干预组之间的结果，可以了解干预的真实影响 – 如果某个客户细分在接受干预时更容易流失，应该检查将其排除在干预之外的原因。在进行重训练时，可以利用控制组的数据并排除干预组的数据，确保模型依赖可靠的流失标签。这种方法的缺点是丢失关键数据，因此为了弥补无干预客户被排除的情况，可以尝试生成合成控制组的样本，以代表那些客户。这可以通过SMOTE等过采样策略来实现。
- 反馈调查：在干预后直接与客户互动，了解他们留下或流失的原因。收集到的见解可以清楚干预措施的有效性，并帮助区分真实的留下客户和被努力影响的客户。
- 合并模型：尝试将初始训练模型与新模型合并。对预测进行平均或使用集成方法可以降低任何单个模型的偏差主导整体预测的风险。请注意，随着时间的推移，初始训练数据可能变得不太相关。
提升建模：优化流失预测的黄金标准
与传统的预测可能离开的流失模型不同，提升建模认定由于干预而改变行为的客户。通过将受治疗组与对照组进行比较，这些模型可以预测由于干预而留下的客户，以及由于干预而离开的客户。这种有针对性的方法帮助企业优化资源，最大化客户价值。
- 9种AI改进数据中心安全的方法
- 为像素赋予个性，Inworld 使用生成式人工智能提升游戏角色
- 微软与OpenAI合作的内幕故事 (Wēiruǎn yǔ OpenAI hézuò de nèimǔ gùshì)
客户可以根据他们是否为保留努力而接受处理/未接受处理分为四个理论类别：
确定事项：这些客户不会流失。针对他们不会提供额外的回报，但会增加成本，例如沟通努力和潜在的财务激励。
无望案例：无论是否干预，这些客户都会流失。他们不会增加收入，与确定事项相比，可能会减少成本，因为他们不会利用提供的激励。
可说服的人：在保留努力之后仍然留下来的客户。他们贡献额外的收入。
不要打扰的人：只有在受到针对性干预的情况下才会流失的客户。不打扰他们是有益的，而针对他们增加显著的成本但没有收入增益，使他们成为“沉睡的狗”。
提升建模的目标是专门针对可说服的人。问题在于我们无法确定个体属于哪个类别。我们无法同时对待他们并将他们置于对照组中。那么，我们如何识别他们？我们如何知道他们是否被说服或者最初并不打算流失？这就是提升建模的应用。
有几种应对这个挑战的提升方法，我们将看看“转化结果”方法。这种方法需要来自对照组和治疗组的数据，并将我们的注意点从分类任务转移到回归任务上。标签根据特定公式分配，并且对于随机治疗分配，治疗倾向为0.5，目标变量转化为如下值：
我们可以使用均方误差（MSE）等损失函数作为解决这个回归问题的度量标准：对于可说服的人，对照组标记为0，治疗组标记为2。他们之间的最低MSE将在得分为1的地方，代表可说服的人的提升。对于不要打扰的人，对照组为-2，治疗组为0，最佳预测值为-1，表示提升。对于无望案例和确定事项，最佳预测值为0。理想情况下，应该针对最高得分的人群，尽力保留可说服的人，并尽可能避免不要打扰的人和其他人。
导航流失预测的未来
正如我们所探讨的，流失预测的领域，随着干预和不断变化的数据的复杂性，给企业带来了挑战。重新训练模型不仅仅是一个技术练习，而是了解客户行为并理解真正的保留的一部分。利用像对照组、反馈机制和提升建模这样的工具。但或许最关键的是认识到数据并非静态的。我们对客户行为的理解必须适应。积极面对这种动态情况，不断完善模型，并保持对变化模式的关注将是未来成功的流失预测和管理的关键。
