Týmy vědí, že churn je problém, ale zaseknou se na tom, postavit první model od nuly. Tahle automatizace dodá funkční základ, se kterým se dá pracovat.
sonnet1 týdenPythonscikit-learnPostgresSHAP
Claude
75ROI
76Scale
$2.7k91Saved
ROI for
README.md
Proč tento subagent
Týmy vědí, že churn je problém, ale zaseknou se na tom, postavit první model od nuly. Tahle automatizace dodá funkční základ, se kterým se dá pracovat.
Vytáhne historii účtů, vytvoří standardní příznaky a natrénuje gradient-boosted model, pak živé účty ohodnotí podle rizika churnu. Každý ohrožený účet přijde s hlavními příčinami ze SHAP, takže success tým vidí nejen to, kdo by mohl odejít, ale i důvod za skóre.
Jak běží
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Vytvoří feature pro délku vazby, trend využití a kontakt na podporu, poté natrénuje základní gradient-boosted model.
pending
Skóruje aktuální účty a seřadí je podle předpovězené pravděpodobnosti odchozu.
pending
Pomocí SHAP odhalí hlavní příčiny pro každý účet a zapíše seznam rizikových zákazníků zpět do databáze.
pending
Ukázkový výstup
json
// Sample output
// (generated when the pipeline finishes)
Train a baseline churn model, score active accounts, and return a ranked at-risk list with the top driver per account.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.