استخراج قوانین عملی از داده های خام

نویسنده (ها): نهدی

در ابتدا منتشر شده در به سمت هوش مصنوعیبشر

تصویر توسط دال 3

هنگام کار با محصولات ، ما اغلب با موقعیت هایی روبرو می شویم که معرفی “قوانین” خاصی ضروری می شود. بگذارید از طریق برخی از نمونه های عملی منظور من از “قوانین” را روشن کنم:

تصور کنید که ما در حال افزایش فعالیت کلاهبرداری در محصول خود هستیم و باعث می شود که نیاز به محکم کردن سوار شدن برای یک بخش خاص مشتری برای کاهش خطر داشته باشیم. به عنوان مثال ، تجزیه و تحلیل نشان می دهد که بیشتر کلاهبرداران صفات مشترکی مانند نمایندگان خاص کاربر و آدرس های IP که از برخی کشورها ناشی می شود ، به اشتراک می گذارند. یک استراتژی دیگر می تواند کوپن هایی را برای استفاده در فروشگاه آنلاین ما ارائه دهد. با این حال ، ما هدف ما این است که فقط کسانی را که در معرض خطر خفگی هستند ، هدف قرار دهیم ، زیرا احتمالاً کاربران وفادار بدون مشوق های اضافی باز می گردند. به عنوان مثال ، ما ممکن است امیدوار کننده ترین بخش را به عنوان مشتریانی که طی یک سال گذشته به آن پیوسته اند شناسایی کنیم و در یک ماه گذشته افت بیش از 30 ٪ هزینه را نشان دهیم. مشاغل متعارف اغلب به بخشی از مشتریانی خدمت می کنند که به جای سود ، ضرر ایجاد می کنند. به عنوان مثال ، یک مشتری بانکی که تأیید را تکمیل می کند و مرتباً با پشتیبانی مشتری که واردات و هزینه های سرویس دهی را انجام می دهد ، تماس می گیرد اما حداقل معاملات را انجام می دهد و کم درآمد و درآمدی کم می کند. برای پرداختن به این موضوع ، بانک ممکن است در نظر داشته باشد که هزینه اشتراک ماهانه کمی را برای مشتریانی که دارای مانده حساب در زیر هستند ، معرفی کند … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر

منتشر شده از طریق به سمت هوش مصنوعی