Крупный оператор мобильной связи разработал модель для прогнозирования клиентов, которые, вероятно, откажутся от услуг, чтобы предложить им стимулы для удержания. После тестирования на 100 клиентах модель показала следующие результаты оценки. Почему эту модель можно считать приемлемой для развертывания в production?

Правильный ответ заключается в том, что модель имеет точность 86%, а бизнес-затраты от ложноположительных результатов меньше, чем затраты от ложноотрицательных результатов. В контексте прогнозирования оттока клиентов, ложноположительный результат означает, что модель предсказала отток клиента, который на самом деле не собирался уходить. В этом случае компания может предложить ненужные стимулы. Ложноотрицательный результат означает, что модель не предсказала отток клиента, который в итоге ушел. Это приводит к потере клиента и связанного с ним дохода. Обычно потеря клиента (ложноотрицательный результат) обходится значительно дороже, чем предоставление ненужных стимулов (ложноположительный результат). Высокая точность (precision) модели в 86% означает, что из всех клиентов, которых модель предсказала как склонных к оттоку, 86% действительно отвалятся. Это важно, поскольку минимизирует бесполезные затраты на удержание клиентов, которые и так не собирались уходить. Другие варианты неверны: Утверждение, что затраты от ложноотрицательных результатов меньше, чем от ложноположительных, противоречит типичной бизнес-логике в сценариях оттока. Утверждения о сравнении точности (precision) с общей точностью (accuracy) не имеют прямого отношения к приемлемости модели для развертывания без дополнительного контекста и не являются основной причиной.