ChurnNet: A Optimized Modern AI for Churn Prediction
यह अध्ययन प्रदर्शित करता है कि यूनिफाइड मल्टी-टास्क टाइम सीरीज़ मॉडल की उन्नत टेम्पोरल मॉडलिंग क्षमताओं के बावजूद, रैंडम फॉरेस्ट्स, एक्सजीबूस्ट और सपोर्ट वेक्टर मशीन जैसे पारंपरिक मशीन लर्निंग एल्गोरिदम ग्राहक मंथन (कस्टमर चर्न) भविष्यवाणी के संबंध में सटीकता, डेटा दक्षता और कम्प्यूटेशनल लागत के मामले में लगातार इसे पीछे छोड़ देते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपकी एक व्यस्त किराने की दुकान है। आपके पास हजारों ग्राहक हैं, लेकिन हाल ही में, कुछ ग्राहक चुपचाप दूर जा रहे हैं। वे आपको औपचारिक रूप से "मैं छोड़ रहा हूँ" का पत्र नहीं भेज रहे हैं; वे बस आना बंद कर देते हैं, या कम बार आते हैं। इसे चर्न (churn) कहा जाता है। आपका लक्ष्य इन ग्राहकों को पूरी तरह से गायब होने से पहले पहचानना है ताकि आप उन्हें एक कूपन या एक दोस्ताना नमस्ते देकर वापस ला सकें।
इसे करने के लिए, आपको एक स्मार्ट कंप्यूटर प्रोग्राम (एक AI) की आवश्यकता है जो आपके बिक्री रिकॉर्ड को देखे और भविष्यवाणी करे कि कौन जाने वाला है।
यह शोध पत्र, जिसका शीर्षक "ChurnNet" है, दो अलग-अलग प्रकार के जासूसों के बीच एक दौड़ की तरह है जो इस रहस्य को सुलझाने की कोशिश कर रहे हैं:
- "पुराने स्कूल" के जासूस: ये स्थापित, विश्वसनीय उपकरण हैं जैसे कि रैंडम फॉरेस्ट (Random Forests), XGBoost, और SVMs। इन्हें अनुभवी दिग्गजों के रूप में सोचें जो दशकों से मामले सुलझा रहे हैं। वे तेज़ हैं, उन्हें काम करने के लिए सबूतों की बहुत बड़ी लाइब्रेरी की आवश्यकता नहीं होती है, और वे स्प्रेडशीट में पैटर्न पहचानने में माहिर हैं।
- "हाई-टेक" जासूस: यह एक नया, शानदार मॉडल है जिसे UniTS कहा जाता है। इसे एक प्रतिभाशाली, भविष्यवादी रोबोट के रूप में समझें जिसे दुनिया भर के विशाल डेटा पर प्रशिक्षित किया गया है। इसे जटिल समय-आधारित कहानियों (जैसे वर्षों के ग्राहक खरीदारी के पैटर्न) को समझने के लिए डिज़ाइन किया गया है, और यह "स्टेट-ऑफ-द-आर्ट" समाधान होने का दावा करता है।
बड़ा सवाल
शोधकर्ताओं ने पूछा: रिटेल (खुदरा) की इस अस्त-व्यस्त, वास्तविक दुनिया में, क्या शानदार, हाई-टेक रोबोट वास्तव में पुराने, भरोसेमंद दिग्गजों से बेहतर काम करता है?
उन्होंने इसका परीक्षण कैसे किया
उन्होंने केवल अनुमान नहीं लगाया; उन्होंने एक विशाल प्रयोगशाला प्रयोग स्थापित किया:
- साक्ष्य: उन्होंने चार अलग-अलग वास्तविक खरीदारी डेटा सेट का उपयोग किया (दो एक निजी कंपनी से, दो सार्वजनिक अभिलेखागारों से)।
- नियम: उन्होंने विभिन्न परिदृश्य बनाए। कभी-कभी डेटा पूरी तरह से संतुलित था (जाने वाले और रुकने वाले लोगों की संख्या समान थी)। कभी-कभी यह अस्त-व्यस्त और असंतुलित था (ज्यादातर लोग रुक रहे थे, केवल कुछ ही जा रहे थे)। उन्होंने बहुत बड़े डेटासेट और बहुत छोटे डेटासेट पर भी परीक्षण किया।
- "छोड़ने" की परिभाषा: चूंकि रिटेल में लोग "मैं छोड़ रहा हूँ" का पत्र नहीं भेजते, इसलिए शोधकर्ताओं को एक नियम बनाना पड़ा। उन्होंने तय किया कि एक ग्राहक तब "चर्न" (छोड़ रहा) माना जाएगा यदि उनका खर्च और आने की आवृत्ति उनके अपने पिछले व्यवहार की तुलना में काफी कम हो जाती है।
परिणाम: चौंकाने वाला विजेता
परिणाम तकनीकी जगत के लिए थोड़े आश्चर्यजनक थे।
पुराने स्कूल के जासूसों (XGBoost और Random Forest) ने लगभग हर बार जीत हासिल की।
- सटीकता (Accuracy): वे यह पहचानने में बेहतर थे कि कौन जा रहा था।
- दक्षता (Efficiency): उन्हें प्रशिक्षित करना बहुत तेज़ था और उन्हें चलाने के लिए सुपरकंप्यूटर की आवश्यकता नहीं थी।
- डेटा की भूख (Data Hunger): हाई-टेक रोबोट (UniTS) एक ऐसे बेहतरीन शेफ की तरह था जिसे अच्छा भोजन पकाने के लिए एक विशाल भंडार गृह (पेंट्री) की आवश्यकता होती है। जब शोधकर्ताओं ने इसे एक छोटा डेटासेट (जैसे एक छोटी पेंट्री) दिया, तो रोबोट का प्रदर्शन गिर गया। हालांकि, पुराने स्कूल के जासूस बहुत कम सामग्री के साथ भी स्वादिष्ट भोजन बना सकते थे।
- "असंतुलन" की समस्या: वास्तविक जीवन में, अधिकांश ग्राहक रुकते हैं, और केवल कुछ ही जाते हैं। यह "घास के ढेर में सुई" खोजने जैसी समस्या है। पुराने स्कूल के जासूस शोर में भ्रमित हुए बिना सुई (चर्नर्स) को खोजने में बहुत बेहतर थे। फैंसी रोबोट कभी-कभी शोर में खो जाता था।
हाई-टेक रोबोट क्यों हारा?
शोध पत्र सुझाव देता है कि UniTS मॉडल को एक "यूनिवर्सल" टूल बनाने के लिए बनाया गया है, जिसका अर्थ है कि इसे किसी भी प्रकार के टाइम-सीरीज़ डेटा (जैसे शेयर बाजार, मौसम, या दिल की धड़कन) को संभालने के लिए डिज़ाइन किया गया है। क्योंकि यह इतना जटिल है और एक साथ सब कुछ सीखने की कोशिश करता है, इसे ठीक से काम करने के लिए विशाल मात्रा में डेटा की आवश्यकता होती है।
हालांकि, रिटेल डेटा अक्सर "टेबुलर" (संख्याओं की पंक्तियाँ और कॉलम) होता है और हमेशा बहुत बड़ा नहीं होता है। इन विशिष्ट स्थितियों में, सरल, विशेष उपकरण (पुराने स्कूल के दिग्गज) वास्तव में अधिक प्रभावी थे। उन्हें सामान्य अर्थों में "स्मार्ट" होने की आवश्यकता नहीं थी; उन्हें बस इस विशिष्ट समस्या के बारे में स्मार्ट होने की आवश्यकता थी।
मुख्य निष्कर्ष
यदि आप एक रिटेलर हैं जो ग्राहकों को जाने से रोकना चाहते हैं:
- आपको आवश्यक रूप से सबसे महंगे, जटिल, "फ्यूचर-टेक" AI की आवश्यकता नहीं है।
- सरल, सिद्ध उपकरण (जैसे Random Forest और XGBoost) अक्सर अधिक सटीक, तेज़ और उपयोग करने में सस्ते होते हैं, खासकर यदि आपके पास एक विशाल मॉडल को खिलाने के लिए लाखों डेटा पॉइंट नहीं हैं।
शोध पत्र निष्कर्ष निकालता है कि जबकि फैंसी AI मॉडल प्रभावशाली हैं, रिटेल ग्राहक चर्न की भविष्यवाणी करने के विशेष कार्य के लिए, "बोरिंग" पुराने तरीके अभी भी चैंपियन हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।