Tim tahu churn itu masalah, tapi mandek saat harus membangun model pertama dari nol. Otomasi ini menghadirkan baseline yang berfungsi dan siap Anda tindak lanjuti.
sonnet1 mingguPythonscikit-learnPostgresSHAP
Claude
75ROI
76Scale
$2.7k91Saved
ROI for
README.md
Mengapa subagent ini
Tim tahu churn itu masalah, tapi mandek saat harus membangun model pertama dari nol. Otomasi ini menghadirkan baseline yang berfungsi dan siap Anda tindak lanjuti.
Ia menarik riwayat akun, membangun fitur-fitur standar, dan melatih model gradient-boosted, lalu memberi skor pada akun aktif berdasarkan risiko churn. Tiap akun berisiko disertai pendorong utamanya dari SHAP, jadi tim success bisa melihat bukan cuma siapa yang mungkin pergi, tapi juga alasan di balik skornya.
Cara kerjanya
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.
Membangun fitur untuk durasi berlangganan, tren penggunaan, dan kontak dukungan, lalu melatih model gradient-boosted dasar.
pending
Memberikan skor pada akun saat ini dan mengurutkannya berdasarkan probabilitas churn yang diprediksi.
pending
Menggunakan SHAP untuk mengungkap pendorong utama per akun dan menulis daftar akun berisiko kembali ke database.
pending
Contoh 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.