Οι ομάδες ξέρουν ότι το churn είναι πρόβλημα, αλλά κολλάνε στο να φτιάξουν ένα πρώτο μοντέλο από την αρχή. Αυτή η αυτοματοποίηση παραδίδει ένα λειτουργικό baseline πάνω στο οποίο μπορείς να δράσεις.
sonnet1 εβδομάδαPythonscikit-learnPostgresSHAP
Claude
75ROI
76Scale
$2.7k91Saved
ROI for
README.md
Γιατί αυτός ο subagent
Οι ομάδες ξέρουν ότι το churn είναι πρόβλημα, αλλά κολλάνε στο να φτιάξουν ένα πρώτο μοντέλο από την αρχή. Αυτή η αυτοματοποίηση παραδίδει ένα λειτουργικό baseline πάνω στο οποίο μπορείς να δράσεις.
Ανακτά το ιστορικό των λογαριασμών, δημιουργεί τα βασικά features και εκπαιδεύει ένα gradient-boosted μοντέλο, στη συνέχεια βαθμολογεί τους ενεργούς λογαριασμούς ως προς τον κίνδυνο churn. Κάθε λογαριασμός σε κίνδυνο συνοδεύεται από τους κορυφαίους παράγοντές του μέσω SHAP, ώστε η ομάδα success να βλέπει όχι μόνο ποιος μπορεί να φύγει αλλά και τον λόγο πίσω από το score.
Πώς λειτουργεί
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.
Δημιουργήστε features για tenure, τάση χρήσης και επαφές support, και εκπαιδεύστε ένα baseline gradient-boosted model.
pending
Υπολογίστε το score στους τρέχοντες λογαριασμούς και ταξινομήστε τους κατά την προβλεπόμενη πιθανότητα churn.
pending
Χρησιμοποιήστε SHAP για να αναδείξετε τους κορυφαίους παράγοντες ανά λογαριασμό και να επιστρέψετε τη λίστα με τους κινδυνεύοντες λογαριασμούς στη βάση δεδομένων.
pending
Δείγμα εξόδου
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.