将机器学习与敏感性分析相结合来制定业务策略？

考虑一家提供不同类型产品的虚构公司。我将其两个主要产品称为产品A和B。我仅了解有关该公司产品和客户的部分信息。该公司最近发现客户流失有所增加。数据集包含有关数以千计的客户的不同属性的信息，这些信息是在几个月内收集和分类的。这些客户中有一些已经流失了，有些还没有。通过使用特定客户列表，我将预测任何一个人流失的可能性。在此过程中，我尝试回答几个问题：我们能否创建一个可靠的客户流失预测模型?哪些变量可以解释客户流失的可能性?公司可以采取哪些策略来减少客户流失?

这篇文章将介绍使用ML模型创建减少客户流失策略的以下步骤：

1. 探索数据和设计新功能

我首先介绍如何通过查看各个输入要素与客户流失标签之间的简单关联来探索客户数据。我还研究了特征之间的关联(称为互相关或协方差)。这使我能够做出算法决策，尤其是确定那些特征需要派生，更改或删除。

2. 开发一组ML模型

然后，我建立了多个机器学习算法，包括自动特征选择，并结合了多个模型来提高性能。

3. 评估和完善ML模型的性能

在第三部分中，我测试了我开发的不同模型的性能。从这里，我确定了一种决策机制，该机制可以将高估客户流失数量的风险降到很低。

4. 将ML模型应用于业务策略设计

最后，在第四部分中，我将使用ML结果来了解影响客户流失的因素，得出特征选择并量化评估这些选择对客户流失率的影响。我通过执行敏感性分析来做到这一点，在该分析中，我修改了在现实生活中可以控制的一些因素(例如折现率)，并预测了针对该控制因素的不同值预期的客户流失率的相应降低幅度。所有预测都将使用第3节中确定的优秀ML模型进行。

探索数据和建立新的特征

在ML模型开发期间经常出现问题的关键问题包括输入数据中共线和低方差特征的存在，离群值的存在以及数据的丢失(缺少特征和某些特征的值)。本节介绍如何使用Amazon SageMaker处理Python 3.4中的每个问题。(我还通过深度学习AMI在Amazon EC2实例上评估了独立代码。两者都可用。)

这种带有时间戳的数据可以在某些指标内包含重要的模式。我将这些指标分为每日，每周和每月的细分，这使我能够开发新功能来说明指标的动态性质。

（编辑：南通站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!