説明
顧客が離脱する可能性があるかどうかを予測するには、デシジョン ツリー タイプのモデルを使用します。デシジョン ツリーは、一連のルールを使用して顧客をその属性と行動に基づいてさまざまなカテゴリに分類する予測モデルの一種です。デシジョン ツリーは、バイナリ結果 (解約するかどうかなど) または複数クラスの結果 (低リスク、中リスク、高リスクなど) を予測できます。参考文献:
https://academy.pega.com/module/predictive-analytics/topic/using-decion-tree-models

説明
次善のアクションを決定する際に考慮される最も重要な側面は、ビジネス目標と顧客のニーズです。ビジネス目標は、収益の増加、コストの削減、リスクの管理など、組織の目標と優先事項を反映しています。顧客ニーズは、顧客の興味、意図、ライフイベントなどの好みや期待を反映しています。参考文献:
https://academy.pega.com/module/one-one-customer-engagement/topic/next-best-action-designer

説明
Prediction Studio で適応モデルの全体的な健全性を評価するには、モデルのパフォーマンスと決定の数を検査します。モデルのパフォーマンスは、長期にわたる顧客の行動をモデルがどの程度正確に予測しているかを示します。決定の数は、各モデルが学習に使用できるデータの量を示します。参考文献:
https://academy.pega.com/module/predicting-customer-behavior-using-real-time-data-archived/topic/monitoring

説明
予測モデルを構築する場合、有効な予測子のデータ型はブール型であり、次の 2 つの値のみを持つことができます。
正しいか間違っているか。他の有効な予測子のデータ型は、数値、日付、シンボリック (カテゴリカル) です。参考文献:
https://academy.pega.com/module/predictive-analytics/topic/predictor-data-types

説明
受信メールの感情を検出するには、Prediction Studio でテキスト分析予測 1234 を構成する必要があります。テキスト分析予測は、自然言語処理 (NLP) を使用してテキスト データを分析し、トピック、エンティティ、センチメントなどの洞察を抽出する予測の一種です。テキスト分析予測を使用すると、メールの内容に基づいて電子メールのセンチメントを検出し、-1 (ネガティブ) から 1 (ポジティブ) の範囲のスコアを割り当てることができます。これは、不満を抱いている顧客を特定し、適切な措置を講じることにより、顧客エクスペリエンスを向上させるのに役立ちます。