No hay duda, retención de usuarios Es una métrica de rendimiento crucial para muchas empresas y aplicaciones en línea. Analizaremos cómo podemos utilizar las capacidades integradas de aprendizaje automático del almacén de datos para ejecutar modelos de propensión en datos de comportamiento del usuario para determinar la probabilidad de abandono de usuarios. En esta historia, me gustaría centrarme en la preparación de conjuntos de datos y el entrenamiento de modelos utilizando SQL estándar. Los almacenes de datos modernos lo permiten. De hecho, la retención es una métrica empresarial importante que ayuda a comprender la mecánica del comportamiento del usuario. Proporciona una descripción general de alto nivel del éxito de nuestra aplicación en términos de retener usuarios al responder una pregunta simple: ¿Es nuestra aplicación lo suficientemente buena para retener usuarios? Es un hecho bien conocido que es más barato retener a un usuario existente que adquirir uno nuevo.
En uno de mis artículos anteriores, escribí sobre el almacenamiento de datos moderno. [1].
Modern DWH tiene muchas características y componentes útiles que los diferencian de otros tipos de plataformas de datos. [2].
El soporte del modelo ML parece ser el componente fundamental de DWH cuando se trata de big data.
En esta historia usaré Regresión logística binaria, uno de los modelos más rápidos para entrenar. Demostraré cómo podemos usarlo para predecir la propensión de los usuarios a abandonar. De hecho, no necesitamos conocer todos los modelos de aprendizaje automático.
No podemos competir con proveedores de servicios en la nube como Amazon y Google en aprendizaje automático y ciencia de datos, pero necesitamos saber cómo usarlo.
Anteriormente escribí sobre esto en mi artículo aquí. [3]:
En este tutorial, aprenderemos cómo transformar datos de eventos sin procesar para crear un conjunto de datos de entrenamiento para nuestro ML…