Los equipos saben que el churn es un problema, pero se atascan al construir un primer modelo desde cero. Esta automatización entrega una base que funciona y sobre la que puedes actuar.
sonnet1 semanaPythonscikit-learnPostgresSHAP
Claude
75ROI
76Scale
$2.7k91Saved
ROI for
README.md
Por qué este subagente
Los equipos saben que el churn es un problema, pero se atascan al construir un primer modelo desde cero. Esta automatización entrega una base que funciona y sobre la que puedes actuar.
Extrae el histórico de cuentas, construye variables estándar y entrena un modelo de gradient boosting, luego puntúa las cuentas vivas por riesgo de churn. Cada cuenta en riesgo viene con sus principales motores de SHAP, así el equipo de éxito de cliente ve no solo quién podría irse, sino el motivo detrás de la puntuación.
Cómo se ejecuta
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.
Construye variables de antigüedad, tendencia de uso y contacto con soporte, luego entrena un modelo base de gradient boosting.
pending
Puntúa las cuentas actuales y ordénalas por probabilidad de churn prevista.
pending
Usa SHAP para sacar los principales motores por cuenta y escribe la lista de riesgo de vuelta en la base de datos.
pending
Salida de ejemplo
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.