A Rolling-Window Framework for Churn Prediction and Behavioral Driver Identification
यह शोध पत्र गैर-अनुबंधात्मक सेवा परिवेशों में मंथन (churn) भविष्यवाणी के लिए एक कालानुक्रमिक रूप से स्पष्ट, रोलिंग-विंडो ढांचे का प्रस्ताव करता है जो मजबूत, व्याख्या योग्य और तैनाती-योग्य जोखिम मूल्यांकन प्राप्त करने के लिए फीचर-आधारित और अनुक्रम-आधारित शिक्षण को एकीकृत करता है, जो बार-बार मॉडल पुन: प्रशिक्षण की आवश्यकता के बिना वास्तविक दुनिया के डेटा पर उच्च सटीकता और स्थिरता प्रदर्शित करता है।
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 आप एक व्यस्त, ऑन-डिमांड कार वॉश सर्विस चलाते हैं। आपके पास कोई कॉन्ट्रैक्ट नहीं है; लोग जब ज़रूरत होती है तभी आते हैं। सबसे बड़ी समस्या क्या है? आपको कभी पता नहीं चलता कि कोई ग्राहक कब आना बंद करने वाला है, जब तक कि वह वास्तव में आना बंद न कर दे। वे "मैं छोड़ रहा हूँ" का पत्र नहीं भेजते; वे बस चुप हो जाते हैं।
यह पेपर एक स्मार्ट रडार सिस्टम बनाने के बारे में है जो उन शांत ग्राहकों को गायब होने से पहले ही पकड़ सके, जो एक ऐसी विधि का उपयोग करता है जो उनके व्यवहार को एक स्थिर फोटो के बजाय एक चलती हुई मूवी रील की तरह देखती है।
लेखकों ने इसे कैसे हल किया, इसका सरल विवरण यहाँ दिया गया है:
1. पुराने तरीकों के साथ समस्या: "वर्षगांठ की फोटो" (Yearbook Photo)
पुराने तरीके ग्राहकों के चर्न (churn) यानी छोड़ने की भविष्यवाणी करने के लिए एक वर्षगांठ की फोटो देखने जैसे हैं। वे ग्राहक के पूरे जीवन का सारा डेटा लेते हैं, उसे एक बड़े सारांश में मिला देते हैं, और पूछते हैं: "क्या यह व्यक्ति छोड़ देगा?"
लेखक कहते हैं कि यह त्रुटिपूर्ण है क्योंकि:
- यह स्थिर (static) है। यह यह नहीं देख पाता कि एक ग्राहक पिछले महीने खुश था लेकिन पिछले दो हफ्तों से शांत है।
- यह बहुत धीमा है। जब तक "वर्षगांठ" अपडेट होती है, तब तक ग्राहक शायद जा चुका होता है।
2. नया समाधान: "रोलिंग विंडो" (The Rolling Window)
वर्षगांठ के बजाय, लेखक एक रोलिंग विंडो का उपयोग करते हैं। कल्पना कीजिए कि एक कैमरा है जो हर दिन एक कदम आगे बढ़ता है।
- अवलोकन विंडो (पिछले 30 दिन): कैमरा पिछले एक महीने में ग्राहक ने क्या किया, उसे देखता है। क्या उन्होंने बुकिंग की? क्या उन्होंने रद्द किया? क्या उन्होंने भुगतान किया?
- मूल्यांकन विंडो (अगले 30 दिन): कैमरा फिर भविष्य के महीने को देखता है यह देखने के लिए कि क्या वे वास्तव में आना बंद कर चुके हैं।
यदि ग्राहक "भविष्य" के महीने में शांत है, तो सिस्टम सीखता है: "आह, पिछले महीने के व्यवहार ने इस चुप्पी की भविष्यवाणी की थी।"
जादू यह है कि यह कैमरा हर एक दिन आगे बढ़ता है। यह महीने के खत्म होने का इंतज़ार नहीं करता। जैसे ही एक नया दिन बीतता है, विंडो खिसक जाती है, और सिस्टम ग्राहक के जोखिम का पुनर्मूल्यांकन करता है। यह मौसम की जानकारी महीने में एक बार लेने के बजाय हर घंटे मौसम की जाँच करने जैसा है।
3. दो अलग-अलग "जासूस"
पेपर ने यह देखने के लिए दो अलग-अलग प्रकार के AI जासूसों का परीक्षण किया कि कौन शांत ग्राहकों को बेहतर तरीके से पकड़ सकता है:
जासूस A (फीचर-आधारित मॉडल): यह जासूस पिछले 30 दिनों की एक सारांश रिपोर्ट को देखता है। यह "कुल बुकिंग," "औसत लागत," और "पिछली विज़िट के बाद कितने दिन हुए" जैसी चीज़ों को गिनता है। यह एक बहुत ही व्यवस्थित अकाउंटेंट की तरह है जो नंबरों में पैटर्न पहचानता है।
- परिणाम: यह जासूस बहुत स्थिर और सटीक (87.6% सटीकता) था। यह बड़े चित्र को देखने में माहिर था।
जासूस B (सीक्वेंस-आधारित मॉडल): यह जासूस पिछले 30 दिनों की कहानी को देखता है। यह केवल बुकिंग को गिनता ही नहीं; यह देखता है कि उनका क्रम क्या था। क्या उन्होंने हर दिन बुकिंग की और फिर अचानक रुक गए? या उन्होंने एक बार बुकिंग की और फिर प्रतीक्षा की? यह एक फिल्म निर्देशक की तरह है जो उनकी चुप्पी की गति (pacing) को नोटिस करता है।
- परिणाम: यह जासूस उन लोगों को पकड़ने में उस्ताद था जो छोड़ने वाले थे (96% रिकॉल)। यह उनकी चुप्पी की "कहानी" के प्रति बहुत संवेदनशील था, हालांकि कभी-कभी यह थोड़ा अधिक घबरा जाता था और सोचता था कि कुछ सक्रिय लोग भी जा रहे हैं (गलत अलार्म)।
4. "फ्यूचर टेस्ट" (समय यात्रा)
यह सुनिश्चित करने के लिए कि ये जासूस केवल अतीत को याद नहीं कर रहे हैं, लेखकों ने एक विशेष परीक्षण किया। उन्होंने मॉडल्स को 2024 के डेटा पर प्रशिक्षित किया और फिर उन्हें जून और जुलाई 2025 के व्यवहार की भविष्यवाणी करने के लिए भेजा (एक ऐसा भविष्य जिसे उन्होंने पहले नहीं देखा था)।
- परिणाम: दोनों जासूसों ने बिना दोबारा प्रशिक्षित हुए भी अच्छा काम किया। "अकाउंटेंट" (फीचर मॉडल) बहुत स्थिर रहा, जबकि "निर्देशक" (सीक्वेंस मॉडल) ने छोड़ने वालों को पकड़ना जारी रखा, भले ही दुनिया थोड़ी बदल गई थी। यह साबित करता है कि यह सिस्टम वास्तविक दुनिया के उपयोग के लिए पर्याप्त मजबूत है।
5. लोग क्यों छोड़ते हैं? ("क्यों" का कारक)
पेपर ने केवल यह भविष्यवाणी नहीं की कि कौन छोड़ेगा; इसने यह भी समझाया कि क्यों। SHAP नामक टूल का उपयोग करके (जो AI के मस्तिष्क के लिए एक आवर्धक लेंस की तरह काम करता है), उन्होंने पाया कि ग्राहकों के जोखिम में होने के मुख्य कारण क्या थे:
- ट्रेंड (Trend): यदि बुकिंग की संख्या कम हो रही है, तो यह एक बड़ा रेड फ्लैग है।
- चुप्पी (Silence): पिछली बुकिंग के बाद कितना समय बीत गया है, यह जितना लंबा होगा, जोखिम उतना ही अधिक होगा।
- वीकेंड (Weekend): यदि वे आमतौर पर वीकेंड पर बुकिंग करते हैं और अचानक रुक जाते हैं, तो यह एक संकेत है।
मुख्य निष्कर्ष
इस पेपर का मुख्य सबक सबसे जटिल, महंगे AI के बारे में नहीं है। यह इस बारे में है कि आप समस्या को कैसे फ्रेम करते हैं।
लेखकों ने पाया कि यदि आप अपने सिस्टम को समय को सही ढंग से देखने के लिए डिज़ाइन करते हैं (रोलिंग विंडो का उपयोग करके) और "पिछले व्यवहार" को "भविष्य के परिणाम" से स्पष्ट रूप से अलग करते हैं, तो आपको खराब डेटा पर एक बहुत ही फैंसी, जटिल मॉडल का उपयोग करने की तुलना में बहुत बेहतर परिणाम मिलता है।
संक्षेप में: केवल ग्राहक के पूरे इतिहास को न देखें; उनकी हालिया मूवी रील को देखें, दिन-ब-दिन, ताकि आप उस क्षण को पकड़ सकें जब वे धुंधले होने लगते 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।