Анализ данных науки

Question

Пожалуйста, помогите мне получить правильный ответ на вопрос ниже, который задается в одном из интервью.

Существует банк, никто из пользователей не посещает банк для разных услуг, но большинство пользователей дают плохой рейтинг и остаются неудовлетворенными.Что должен сделать банк, чтобы определить причины плохих рейтингов.Банк собирает такие данные, как информация о пользователе, информация об агенте, который имеет дело с пользователями, предлагаемые услуги, и нет, если вещи.

1. Как определить правила или причины, которые играют важную роль в плохой оценке, используя только методы машинного обучения.

2. Если мы создаем классификациюмодель, что пользователь будет неудовлетворен / удовлетворен.Тогда, скажем, мы получаем список пользователей, которые будут недовольны.Теперь, что мы должны сделать с этими данными неудовлетворенных пользователей, чтобы помочь банку улучшить рейтинг и бизнес.

Answer 1

Тренируйте классификатор для прогнозирования неудовлетворенности.

Не используйте нейтральную сеть, но что-то интерпретируемое .

Затем интерпретируйте модель для важности функции.

Хорошим выбором будет случайный лес.

Answer 2

Я надеюсь, что ваш неудовлетворенный набор данных о клиентах содержит информацию о причине неудовлетворенности, а также другие атрибуты, такие как данные пользователя, возраст, регион и услуги, которые они получают в банке. В этом случае может быть случай, что еще одна модель ML и алгоритм могутНужно пройти обучение и оптимизировать, чтобы получить точную картину. Независимо от того, какие критические факторы следует искать, это Услуги, с которыми они связаны, Причина неудовлетворенности и, возможно, агент, к которому они привязаны.Вышеупомянутые 3 ключевых атрибута могут быть выполнены с регрессионными моделями для получения прогноза и плана улучшения. Обратите внимание, что выбор моделей ML также зависит от детального анализа набора данных, а также от вопросов и получения правильных вопросов от заинтересованных сторон.