მოთამაშეთა გადინების პროგნოზი

მოთამაშეთა გადინების პროგნოზი

გადინების პროგნოზის მიზანია წინასწარ დაადგინონ რისკის მქონე მოთამაშეები, რომ არ დაბრუნდნენ და დაიწყონ კონტროლირებადი მოქმედებები (R- გააქტიურება, RG შეზღუდვები, პირადი ოფისები), მაქსიმალური ღირებულება და ზიანის შემცირება. ქვემოთ მოცემულია მონაცემთა ჩარჩოს დასრულება ექსპლუატაციამდე.

1) განმარტებები და ჩარჩო

აღრიცხვის ერთეული: მომხმარებელი (მომხმარებლის/ოსტატი _ id) - ნაგულისხმევი.
გადინების წესი: სამიზნე აქტივობის არარსებობა T დღის განმავლობაში (მაგალითად, 14/30). ჩაწერეთ აქტივობა: 1 სესია/კურსი/ანაბარი.
პროგნოზის ჰორიზონტი: H დღე (გადინების რისკი მომდევნო 7/14/30 დღეში).
Cutoff თარიღი: fick- ის შექმნის დღე; ეტიკეტები არ უნდა იქნას გამოყენებული ინფორმაცია მოგვიანებით, ვიდრე cutoff.

2) ეტიკეტების მარკირება გაჟონვის გარეშე (Point-in-Time)

Target (კლასიფიკაცია): 'churn _ next _ H = 1', თუ მოთამაშე არასოდეს არის აქტიური ფანჯარაში (t, t + H] და შემდეგ ასრულებს T- ს წესს.
დრო ღონისძიებამდე (გადარჩენა): დრო გადინებამდე ან ცენზურამდე; კარგია ქუდების/რიგების დაგეგმვა.
მოცურების ნაჭრები: განათავსეთ სასწავლო მაგალითები სხვადასხვა თარიღით ლაგებით, ისე რომ მომავალი არ გაჟღენთილიყო.
ჭეშმარიტების ფანჯრები: დაელოდეთ T გადინების დადასტურებას ეტიკეტის დაფიქსირებამდე.

3) ფიჩი და ფანჯრები

ჩანაწერები/Frequency/Monetary: დღეები ბოლო აქტივობით/ანაბრით, ინტენსივობით ფანჯრებისთვის 7/14/30/90, ARPPU/სიხშირით.
ქცევა და შინაარსი: თამაშების კატეგორიები, მრავალფეროვნება, „სერიები“, დღის/კვირის დრო.
მარკეტინგი: იარაღის/წერილების გახსნა, რეაქციები ოფერებზე, ხელმოწერები.
რისკები/RG/frode: დროშები და მრიცხველები, სისუფთავე - guardrails- ის მსგავსად.
კალენდარი: არდადეგები/მატჩები/ხელფასები, სეზონური ფიჩები (dow, dom, wom).
იდენტურობა/მოწყობილობები: პლატფორმა/OS/მოწყობილობის ცვლილებები, IP/ASN სტაბილურობა.
ონლაინ/ოფლაინ პარიტეტი: ბიულეტენი იგივე რეცეპტებით და ჭრის დრო.

4) მოდელირება

4. 1 კლასიფიკაცია (ფანჯრის გადინების რისკი H)

ლოგისტიკური რეგრესია (ინტერპრეტაცია), GBM/Random Forest (ძლიერი ბასლაინები), Tab/Seq-NN.
შეცდომების ღირებულების ბარიერები, არა „ლამაზი ROC“.

4. 2 გადარჩენა/ჰაზარდი (გადინების დრო)

Kaplan-Meier (მრუდის ფორმა), Cox PH/AFT, discrete time hazard (კალენდარი დღეების მიხედვით).
ისინი იძლევა დროულად გადინების ალბათობას, საშუალებას გაძლევთ დაგეგმოთ კონტაქტების და ქუდის სიხშირე.

4. 3 თანმიმდევრული და ჰიბრიდული

RNN/TFT/Transformer დროებითი მახასიათებლებითა და ნიღბებით.
ჰიბრიდი: ორობითი რისკი და მოვლენამდე დრო უკეთეს გადაწყვეტილებას მიიღებს.

4. 4 Uplift მოდელები

ისინი პროგნოზირებენ კონტაქტისგან შეკავების ზრდას; გამოიყენეთ, თუ არსებობს მოქმედებების/ექსპერიმენტების ლოგო.

5) შეფასება და კალიბრაცია

კლასების დისბალანსი: ძირითადი - PR-AUC, Recall @ FPR - x%, Precision @ k.
ალბათობის კალიბრაცია: Brier, reliability plots; Platt/Isotonic.
დრო: backtesting კალენდრით გამოყოფილი ხალხური (rolling origin).
სტაბილურობა: მეტრიკის მიმოფანტვა სეგმენტებში (ქვეყანა/არხი/პლატფორმა).
გადარჩენა: ინტეგრალური შეცდომა რისკის მრუდი, კალიბრაცია S (t).

6) ბარიერები, ჰისტესეზი და გადაწყვეტილებების პოლიტიკა

• 'score _ block' - ძლიერი ჩარევა (პერსონალური ოფისის/ზარი)
• '_ review' score
• 'score

ჰისტერეზი: შესასვლელი ბარიერი უფრო მაღალია, ვიდრე შაბათ-კვირას, ისე რომ არ „მოხრილი“.
Culdowns: per/channel- ის განმეორებითი შეხების მინიმალური ინტერვალები.
Guardrails: ROMI - 0, საჩივრები X, RG შეზღუდვები, კონტაქტების სიხშირე.

decision table მაგალითი

7) გადაწყვეტილების ეკონომიკა

[
EV = p _ {\text {შეკავება	მოქმედება }\\cdot LTV _ {\text {future}

p _ {\\\{ ზიანი }\\cdot Harm - Cost
]

ოპტიმიზაცია მოახდინეთ არხების ბარიერებსა და ალოკაციას EV- ს მიხედვით, და არა შიშველ CR- ზე.

8) ექსპერიმენტები და მიზეზები

A/B: კონტაქტების/ოფისის სტრატეგიები; მთავარი მეტრიკა არის retention uplift (D7/D30), guardrails - საჩივრები/RG.
კვაზიექსპერიმენტები: DiD/სინთეზური კონტროლი რეგიონალურ ჩვენებებში.
Uplift ნიშანი: Qini/AUUC, uplift @ k.

9) deploy და ონლაინ კონტური

სკორინგი: p95-100-300 ms; მოთხოვნის იდემპოტენტობა, 'correlation _ id'.
ორკესტრი: გარანტირებული მიწოდება, retry/backoff, DLQ, rate-limit per channel/user.
გადაწყვეტილებების ჟურნალი: 'signal' score 'decision' მოქმედება - outcome 'მოდელის/პოლიტიკის ვერსიებით.
Feature Paradity: იგივე ფიჩები ონლაინ/ოფლაინ; დროებითი ჭრილობები - მკაცრად cutoff- მდე.

10) მონიტორინგი და დრიფტი

ხარისხი: PR-AUC/Recall @ FPR მოცურების ფანჯრის, კალიბრაციის მიხედვით; წილი „ბლოკის/მიმოხილვის“ ზონებში.
დრიფტი: PSI/KL საკვანძო ფიგურებში, მიზნობრივი წილი, „ახალი“ ნიმუშები.
ოპერაციები: latency, Timauts,% folbecks, კონტაქტების ხაზი, საჩივრები.
Fairness: შეცდომების/რეიდების დიფერენციაცია სეგმენტებზე; განმარტების აუდიტი.

11) ფსევდო-SQL/რეცეპტები

A. churn _ next _ 14 ეტიკეტის ფორმირება (კლასიფიკაცია)

sql
WITH activity AS (
SELECT user_id, DATE_TRUNC('day', ts) AS d
FROM event_activity
),
snap AS (-- cut-off date
SELECT DISTINCT DATE_TRUNC('day', ts) AS cut
FROM event_activity
WHERE ts BETWEEN:train_from AND:train_to
),
label AS (
SELECT s. cut, a. user_id,
CASE WHEN NOT EXISTS (
SELECT 1 FROM activity a2
WHERE a2. user_id = a. user_id
AND a2. d > s. cut AND a2. d <= s. cut + INTERVAL '14 day'
) THEN 1 ELSE 0 END AS churn_next_14
FROM snap s
JOIN (SELECT DISTINCT user_id FROM activity) a ON 1=1
)
SELECT FROM label;

B. Rolling-fichi (7/30/90) წერტილოვანი დროით

sql
SELECT u. user_id, s. cut AS cut_day,
SUM(CASE WHEN a. d > s. cut - INTERVAL '7 day' AND a. d <= s. cut THEN 1 END) AS act_7d,
SUM(CASE WHEN a. d > s. cut - INTERVAL '30 day' AND a. d <= s. cut THEN 1 END) AS act_30d,
SUM(CASE WHEN p. d > s. cut - INTERVAL '30 day' AND p. d <= s. cut THEN p. amount ELSE 0 END) AS rev_30d,
DATE_PART('day', s. cut - MAX(a. d)) AS recency_last_act
FROM snap s
JOIN users u ON 1=1
LEFT JOIN activity a ON a. user_id = u. user_id AND a. d <= s. cut
LEFT JOIN payments p ON p. user_id = u. user_id AND p. d <= s. cut
GROUP BY 1,2;

12) არტეფაქტების შაბლონები

გადინების მოდელის პასპორტი

ID/ვერსია: 'CHURN _ 14D _ GBM _ v4'

Target/ფანჯარა: 'churn _ next _ 14', PIT ნაჭრები დღის განმავლობაში

ფიჩი: RFM, შინაარსი, მარკეტინგი, კალენდარი, მოწყობილობა

მეტრიკი: PR-AUC-0. 45, Recall@FPR≤1% ≥ 0. 30, Brier≤X

კალიბრაცია: isotonic

ბარიერები: „_ block/_ review“ ჰისტერეზიით

SLO: მორიელი 150 ms p95; ანგარიშის წარმოება 06:00 საათზე

მეპატრონეები, აუდიტის თარიღი, runbook დეგრადაცია

Decision-ready ანგარიში (ჩონჩხი)

„Churn 14d: რისკი სეგმენტებზე, ტოპ მიზეზებზე, სწრაფი რეაქტიული კონვერტაციის შესახებ“

რისკები: მაღალი რანგის წილი გაიზარდა X/Y პლატფორმებში (+ pp)

რეკომენდაციები: A სეგმენტში კონტაქტების ბიუჯეტის გაზრდა, არხის B, RG შეზღუდვები C სეგმენტში

13) უსაფრთხოება, კონფიდენციალურობა, ეთიკა

PII მინიმიზაცია: იდენტიფიკატორის ტოქსიკაცია, RLS/CLS.
გამჭვირვალობა: გამოსავალი/კონტაქტის მიზეზები (top-features/წესები) ხელმისაწვდომია saport.
ეთიკა/RG: არ დაისახოთ დაუცველი ჯგუფები აგრესიული ოფერებით; cap კონტაქტების სიხშირე.

14) ხშირი შეცდომები

ეტიკეტი იყენებს მომავალს (label leakage), TZ/ფანჯრების ნაზავი.
ROC-AUC- ის შეფასება 1% ტარგეტის გარეშე PR-AUC/Recall @ FPR.
არ არსებობს კალიბრაცია - ბარიერები არის „ბრმა“.
ჰისტერეზისის/კულდუნის არარსებობა არის კონტაქტების და საჩივრების „მოციმციმე“.
მათ არ დაუკავშირეს რისკი EV/LTV- სთან - ჩვენ „მკურნალობენ“ მათ, ვინც წამგებიანი მკურნალობაა.
ონლაინ/ოფლაინ rassinchron fich - ხარისხი გაყიდვაში ეცემა.

15) ჩეკის სია კონტურის გამოსვლამდე

• განსაზღვრულია T/H/TZ, აქტივობა, გამონაკლისი; PIT პროცედურები გაიცემა
• Datasets გარეშე გაჟონვა; rolling validation, enchmarks და კალიბრაცია
• პოლიტიკის ბარიერი, ჰისტესეზი, ქუდი და guardrails დოკუმენტირებულია
• სამოქმედო ორკესტრი, idempotence, აუდიტი „signal - decision - action“
• ხარისხის მონიტორინგი/დრიფტი/fairness, alerty და runbooks
• Uplift შეფასება და/ან A/B მზად არის; დეკლარაციის ანგარიში (EV- სთან ერთად)
• მოდელის/fich/metrick ვერსიები, მფლობელები, SLO ასახულია

შედეგი

გადინების პროგნოზი მუშაობს მხოლოდ როგორც სისტემა: მკაფიო მარკირება გაჟონვის გარეშე - ინფორმაციული ფიჩები - შესაფერისი მოდელი (კლასიფიკაცია ან/ან გადარჩენა) - მეტრიკა, კალიბრაცია და ბარიერები შეცდომების ღირებულებიდან, უსაფრთხო მოქმედების ორკესტრი, დრიფტის და ფრენის მონიტორინგი. ასეთი წრე იძლევა გადაწყვეტილებებს და არა მხოლოდ „რისკებს“: ვინ, როდის და როგორ უნდა დაუკავშირდეს შენარჩუნების გაზრდას და LTV- ს.