Skip to main content

> ML_RECIPE // SAAS-CUSTOMER-CHURN-PREDICTION_v1.0

SaaS Abonelik Kaybı (Churn) Tahmini

Sözleşme yenilemesinden 60 gün önce iptal riski yüksek hesapları belirleyerek proaktif müşteri temsilcisi müdahalesi sağlamak.

binary classificationsaas ecommerceApache-2.0low-cloud
Tüm Tariflere Dön

İş Hedefi ve Beklenen Çıktı

Sözleşme yenilemesinden 60 gün önce iptal riski yüksek hesapları belirleyerek proaktif müşteri temsilcisi müdahalesi sağlamak.

Kabul Kriteri (Acceptance Criteria):

Model must achieve higher Top-Decile Lift than simple heuristic rule (days since last login).

Sezgisel Temel (Heuristic Baseline)

Sezgisel kural: Birincil yönetici girişi 30 günden uzun süredir hareketsiz olan hesapları işaretleme.

Temel Model Performansı:

Heuristic inactivity rule achieves PR-AUC 0.48 and Top-10% precision 0.38.

Aşama 1: Prototip Geliştirme Yolu

Veri ambarından 12 aylık kullanım özelliklerini çekin. Geliştirici bilgisayarında (CPU) LightGBM temel modelini eğitin. PR-AUC ve En Üst %10 Yakalama Oranını değerlendirin.

Donanım: Any standard laptop (4+ CPU cores, 8GB RAM)

Aşama 2: Üretim Dağıtım Yolu

Haftalık özellik dönüşümlerini dbt/Feast ile otomatikleştirin. LightGBM modelini MLflow içinde değişmez sürüm olarak paketleyin. Sunucuda Evidently kayma alarmlarıyla haftalık toplu CPU çıkarımı yapın.

Donanım: General-purpose CPU server (e.g. 4 cores, 16GB RAM, no GPU required)

Hesaplama ve Dağıtım Mimarisi (Placement Topologies)

Eğitim Dağıtımı (Training Placement)

CPU server üzerinde zamanlanmış batch pipeline (örn. 4 core, 16GB RAM)

Çıkarım Dağıtımı (Inference Placement)

Churn olasılıklarını CRM sistemine geri yazan haftalık zamanlanmış batch job

3 Kademeli Dağıtım Seçenekleri (Placement Alternatives)

Plan A: En Basit Yaşayabilir (Simplest)

Aylık CSV çıktısı alıp puanlama yapan yerel geliştirici cron betiği.

Plan B: Donanıma Uygun (Hardware-Fitted)

Mevcut veri ambarı kümesinde konteynerleştirilmiş toplu çıkarım çalıştıran çok çekirdekli CPU sunucusu.

Plan C: Üretime Hazır (Production-Ready)

Zamanlanmış dbt/Feast öznitelik boru hattı + MLflow yapıt kaydı + Evidently kayma izlemeli ve Slack/CRM alarmlı konteynerleştirilmiş CPU toplu çıkarımı.

Önerilen Kütüphaneler & Araçlar

★ BİRİNCİL KÜTÜPHANELightGBMMicrosoft
İncele
XGBoostDMLC (Distributed Machine Learning Community)
İncele
scikit-learnscikit-learn Consortium / Inria
İncele
CatBoostYandex / Open Source
İncele

Yönetişim, Güvenceler ve Riskler

Yönetişim Kuralları:
  • Korunan demografik özniteliklerin model girdisi olarak kullanımını yasaklayın.
  • Müşteri temsilcilerinin bir hesabın neden işaretlendiğini anlaması için TreeSHAP ile model açıklanabilirliği sağlayın.
  • Otomatik e-postaları tetiklemeden önce modeli 30 gün boyunca gölge modda (shadow run) test edin.
Operasyonel Risk Desenleri:
training-serving-skewfeature-concept-drift