I team sanno che il churn è un problema, ma si bloccano nel costruire un primo modello da zero. Questa automazione consegna una base funzionante su cui agire.
sonnet1 settimanaPythonscikit-learnPostgresSHAP
Claude
75ROI
76Scale
$2.7k91Saved
ROI for
README.md
Perché questo subagent
I team sanno che il churn è un problema, ma si bloccano nel costruire un primo modello da zero. Questa automazione consegna una base funzionante su cui agire.
Estrae lo storico degli account, costruisce le feature standard e addestra un modello gradient-boosted, poi assegna agli account attivi un punteggio in base al rischio di abbandono. Ogni account a rischio arriva con i suoi principali fattori da SHAP, così il team customer success vede non solo chi potrebbe andarsene, ma anche il motivo dietro il punteggio.
Come gira
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.
Costruisce le feature per anzianità, trend di utilizzo e contatti con il supporto, poi addestra un modello gradient-boosted di base.
pending
Assegna un punteggio agli account attuali e li ordina in base alla probabilità prevista di abbandono.
pending
Usa SHAP per far emergere i principali fattori per ogni account e riscrive nel database l'elenco a rischio.
pending
Esempio di 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.