As equipas sabem que o churn é um problema, mas ficam presas na hora de construir um primeiro modelo do zero. Esta automação entrega uma base funcional com a qual pode agir.
sonnet1 semanaPythonscikit-learnPostgresSHAP
Claude
75ROI
76Scale
$2.7k91Saved
ROI for
README.md
Porquê este subagente
As equipas sabem que o churn é um problema, mas ficam presas na hora de construir um primeiro modelo do zero. Esta automação entrega uma base funcional com a qual pode agir.
Vai buscar o histórico das contas, cria as features padrão e treina um modelo de gradient boosting, depois pontua as contas ativas por risco de churn. Cada conta em risco traz os seus principais fatores via SHAP, para que a equipa de sucesso veja não só quem pode sair, mas a razão por detrás da pontuação.
Como funciona
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.
Cria funcionalidades para tempo de permanência, tendência de utilização e contactos de suporte, treinando depois um modelo base gradient boosted.
pending
Pontua as contas atuais e ordena-as pela probabilidade prevista de churn.
pending
Utiliza SHAP para expor os principais fatores por conta e grava a lista de risco na base de dados.
pending
Saída de exemplo
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.