23、机器学习在客户流失预测与葡萄酒质量评估中的应用

机器学习在客户流失预测与葡萄酒质量评估中的应用

1. 客户流失预测中的收益估算

在客户流失预防方面，我们可以通过简单假设对留存努力有响应的客户比例，来估算因预防流失而保留的收益。例如，假设流失模型锁定的 N 个会员能够被成功留存，那么保留的收益就是 N 乘以平均客户消费额 $X$。将这个数字呈现给利益相关者，有助于为实施机器学习项目提供合理依据。

客户流失建模远不止如此简单。除了针对流失概率最高的客户，我们还可以考虑客户流失时的收益损失，优先关注高价值客户，即便他们的流失概率低于低价值客户。此外，由于有些客户无论干预与否都会流失，而有些客户则更有可能留存，因此除了对流失概率建模，还可以对留存可能性进行建模。总之，即便形式简单，客户流失建模对大多数企业来说也是易于实现的，是实施机器学习的理想起点。

2. 理解回归树和模型树

决策树构建的模型类似于流程图，其中决策节点、叶节点和分支定义了一系列决策，用于对示例进行分类。对树生长算法进行小调整后，这类树也可用于数值预测。

数值预测树主要分为两类：
- 回归树 ：于 20 世纪 80 年代作为经典分类与回归树（CART）算法的一部分被引入。尽管名为回归树，但它并不使用本章前面所述的线性回归方法，而是基于到达叶节点的示例的平均值进行预测。
- 模型树 ：比回归树晚几年引入，相对不太知名，但可能更强大。模型树的生长方式与回归树类似，但在每个叶节点，会根据到达该节点的示例构建一个多元线性回归模型。根据叶节点的数量，模型树可能会构建数十甚至数百个这样的模型。

模型树比等效的回归树更难理解，