Tiimit tietävät asiakaskadon olevan ongelma, mutta ensimmäisen mallin rakentaminen tyhjästä tökkii. Tämä automaatio toimittaa toimivan perustason, jonka pohjalta toimia.
sonnet1 viikkoPythonscikit-learnPostgresSHAP
Claude
75ROI
76Scale
$2.7k91Saved
ROI for
README.md
Miksi tämä subagentti
Tiimit tietävät asiakaskadon olevan ongelma, mutta ensimmäisen mallin rakentaminen tyhjästä tökkii. Tämä automaatio toimittaa toimivan perustason, jonka pohjalta toimia.
Se hakee asiakastilitiedot, rakentaa vakiopiirteet ja kouluttaa gradient-boosted-mallin sekä pisteyttää aktiiviset tilit asiakaskadoriskin mukaan. Jokaisen riskitilin mukana tulevat sen tärkeimmät ajurit SHAP:sta, joten customer success -tiimi näkee paitsi sen, kuka saattaa lähteä, myös pisteytyksen taustalla olevan syyn.
Kuinka se toimii
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.
Rakentaa ominaisuuksia asiakkuuden kestolle, käytön trendille ja tukiyhteydenottojen määrälle, ja kouluttaa gradient boosting -pohjamallin.
pending
Arvioi nykytilisiä ja sijoittaa ne ennustetun churn-probabiliteetin mukaan tärkeysjärjestykseen.
pending
Käyttää SHAP:ia tunnistamaan jokaisen tilin tärkeimmät churn-tekijät ja kirjoittaa riskitililuettelon takaisin tietokantaan.
pending
Näyteulostulo
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.