Nicio coloană nu spune „clientul e pe cale să plece”. Spun asta, împreună, ritmul comenzilor, pauza de acum și suma medie.
Din date brute, semnal
Șapte comenzi, patru coloane. Vrem să prezicem dacă un client comandă din nou în următoarele 30 de zile. Adaugă variabile și urmărește cum se schimbă modelul.
Calitatea modelului Exemplu ilustrativ50
Doar cu coloanele brute, modelul abia întrece aruncatul unei monede.
| Data | Client | Sumă | Oraș | Zile de la ultima comandă | Frecvență pe 90 de zile | Valoare medie | Sezon | Zi a săptămânii | Cod client | Comenzi în următoarele 30 de zile | Comandă din nou? |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 14.01.2025 | Magazin Nord | 1.240 lei | Iași | prima | 1 | 1.240 lei | iarnă | marți | C-0412 | 0 | nu |
| 03.02.2025 | Casa Verde | 860 lei | Cluj-Napoca | prima | 1 | 860 lei | iarnă | luni | C-0977 | 0 | nu |
| 20.02.2025 | Magazin Nord | 1.510 lei | Iași | 37 zile | 2 | 1.375 lei | iarnă | joi | C-0412 | 1 | da |
| 11.03.2025 | Magazin Nord | 1.180 lei | Iași | 19 zile | 3 | 1.310 lei | primăvară | marți | C-0412 | 1 | da |
| 28.03.2025 | Casa Verde | 2.300 lei | Cluj-Napoca | 53 zile | 2 | 1.580 lei | primăvară | vineri | C-0977 | 0 | nu |
| 02.04.2025 | Atelier Sud | 540 lei | Craiova | prima | 1 | 540 lei | primăvară | miercuri | C-1305 | 0 | nu |
| 08.04.2025 | Magazin Nord | 1.320 lei | Iași | 28 zile | 4 | 1.313 lei | primăvară | marți | C-0412 | ? | încă nu se știe |
Exemplu ilustrativ: comenzi inventate, iar scorul arată doar ideea, nu rezultatul unui model real. Pe datele voastre măsurăm contribuția fiecărei variabile.
De ce un model bun iese prost
Rar e vina algoritmului. De cele mai multe ori, modelul a primit coloane care nu spun ce trebuie sau spun prea mult.
Coduri, ID-uri, câmpuri completate la întâmplare. Un model le poate învăța pe de rost și pare bun, până vede date noi.
Una singură care ascunde răspunsul, de exemplu o dată de retur, face modelul perfect la test și inutil în producție.
Ce construim
Variabile cu sens pentru afacerea voastră, nu sute de coloane generate automat în speranța că una va merge.
comenzi_90_zile, suma_30_zileAgregări în timpSume, medii și numărători pe client sau produs, pe ferestre de timp.
zile_de_la_ultima_comandaRitm și recențăCât a trecut de la un eveniment și cât de regulat se repetă.
zi_saptamana, sezon, zi_liberaCalendarZile, luni, sărbători legale, perioade de salariu sau de reduceri.
retururi / comenziRapoarte cu sensCombinații de coloane care au sens pentru afacere, nu doar pentru statistică.
categorie_produs, orasCategorii și textTransformate în valori pe care modelul le poate folosi, fără să piardă sensul.
importanta > pragSelecțieScoatem ce e redundant sau zgomot. Un set mic și curat bate unul mare și confuz.
Aceeași rețetă la antrenare și în producție
Un model care merge la test și greșește în producție are adesea o cauză banală: variabilele se calculează altfel live decât la antrenare.
- Un singur cod de calcul
- Codul care calculează variabilele la antrenare rulează identic și în producție. Altfel modelul vede live altceva decât a învățat.
- Doar ce se știa atunci
- Fiecare variabilă se calculează doar din date disponibile în momentul predicției. Verificăm asta pentru fiecare, nu presupunem.
- Documentată
- Pentru fiecare variabilă: ce e, din ce se calculează și de ce există. Oricine o poate verifica sau refolosi.
Cum lucrăm
Pornim de la datele curate, iar dacă nu sunt, de la curățare și normalizare. La final, variabilele merg în antrenarea modelului.
- 1Întrebarea
Ce trebuie să prezică modelul și în ce moment se ia decizia. De aici știm ce date sunt permise.
- 2Ipoteze
Cu oamenii care cunosc afacerea, listăm ce ar putea influența rezultatul.
- 3Construcție
Calculăm variabilele și verificăm fiecare pentru scurgeri din viitor.
- 4Măsurare
Vedem ce aduce fiecare la calitatea modelului și păstrăm doar ce contează.
- 5În producție
Livrăm rețeta ca pipeline, gata să ruleze pe date noi, la fel ca la antrenare.
Întrebări frecvente
Ce e feature engineering, pe scurt?
Transformarea datelor brute în variabile care spun ceva util modelului. De exemplu, din lista de comenzi calculăm câte zile au trecut de la ultima comandă a fiecărui client. E pasul dintre datele curate și modelul antrenat și decide adesea cât de bun iese modelul.
Modelele moderne nu găsesc singure ce contează?
Găsesc multe, mai ales pe volume mari. Dar cunoașterea afacerii, o fereastră de timp potrivită sau o regulă din domeniul vostru, le scutește de nevoia de date multe și le face mai stabile.
Ce e o scurgere din viitor?
O variabilă care conține, direct sau indirect, răspunsul pe care modelul ar trebui să-l prezică, de exemplu o informație care apare abia după eveniment. Modelul pare excelent la test și cade în producție. Verificăm fiecare variabilă pentru asta.
Merge cu modelele pe care le avem deja?
Da. Rețeta de variabile produce un tabel pe care îl poate folosi orice model, al vostru sau unul construit de noi.
Datele trec printr-un serviciu extern?
Nu. Calculul variabilelor rulează pe serverul firmei, cu unelte open-source.
Cât costă?
Depinde de date și de problema de rezolvat. După evaluarea gratuită primiți un preț fix, în scris.
Modelul vostru poate mai mult
Arătați-ne datele și ce vreți să prezică modelul. La evaluarea gratuită vă spunem ce variabile merită construite, cu preț fix în scris.
