Teams ved, at kundetab er et problem, men går i stå med at bygge en første model fra bunden. Denne automatisering leverer en fungerende baseline, du kan handle på.
sonnet1 ugePythonscikit-learnPostgresSHAP
Claude
75ROI
76Scale
$2.7k91Saved
ROI for
README.md
Hvorfor denne subagent
Teams ved, at kundetab er et problem, men går i stå med at bygge en første model fra bunden. Denne automatisering leverer en fungerende baseline, du kan handle på.
Den trækker kontohistorik, bygger standardfunktioner og træner en gradient-boostet model og scorer derefter aktive konti efter churn-risiko. Hver udsat konto leveres med sine vigtigste drivere fra SHAP, så successteamet ikke kun ser, hvem der måske forsvinder, men også grunden bag scoren.
Sådan kører den
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.
Byg features for tenure, brugstrend og supportkontakt, og træn derefter en baseline gradient-boosted-model.
pending
Score aktuelle konti og ranger dem efter forudsagt churn-sandsynlighed.
pending
Brug SHAP til at afdække de vigtigste drivere pr. konto og skriv listen over risikokunder tilbage til databasen.
pending
Eksempel på output
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.