Mobile Customer Churn Prediction

0 reseñas

La pérdida de clientes se refiere a la pérdida de clientes o usuarios existentes. Esta solución identifica a los suscriptores de redes móviles que tienen más probabilidades de cambiar de operador. Durante la etapa de entrenamiento, la solución realiza automáticamente la interacción de características en los datos de entrenamiento y selecciona un subconjunto de características basado en la importancia de las características. Luego entrena múltiples modelos e identifica el modelo con mejor rendimiento. Este modelo se selecciona para la predicción en nuevos datos.

E-commerce Customer Churn Prediction

0 reseñas

La pérdida de clientes se refiere a la pérdida de clientes o usuarios existentes. Esta solución identifica a los clientes de comercio electrónico que tienen más probabilidades de dejar de usar la aplicación o el portal de comercio electrónico. Durante la etapa de entrenamiento, la solución realiza automáticamente la interacción de características en los datos de entrenamiento y selecciona un subconjunto de características basado en la importancia de las características. Luego entrena múltiples modelos e identifica el modelo de mejor rendimiento. Este modelo se selecciona para la predicción en nuevos datos.

Service Desk Ticket Classification

0 reseñas

Una alta frecuencia de problemas puede generar un número abrumador de tickets de servicio y una delegación incorrecta a los equipos para manejarlos. Esto lleva a un aumento en el MTTR (tiempo medio de resolución) y una disminución en el FCR (resolución en la primera llamada). La solución mitiga estos problemas entrenando un modelo de ML multifactorial que considera factores como el impacto del ticket, la urgencia, la prioridad, la descripción del problema y otras características para predecir el grupo más relevante para resolver un ticket. Se ejecuta un conjunto de modelos a través de los datos para seleccionar el modelo más generalizable para la tarea de clasificación de tickets.

Banking Customer Churn Prediction

0 reseñas

La pérdida de clientes se refiere a la pérdida de clientes o usuarios existentes. Esta solución identifica a los clientes del banco que tienen más probabilidades de cerrar su cuenta y dejar el banco. Durante la etapa de entrenamiento, la solución realiza automáticamente la interacción de características en los datos de entrenamiento y selecciona un subconjunto de características basado en la importancia de las características. Luego entrena múltiples modelos e identifica el modelo de mejor rendimiento. Este modelo se selecciona para la predicción en nuevos datos.

PACE ML Text Augmentation

0 reseñas

PACE ML La Augmentación de Texto ayuda a preparar conjuntos de datos creando un conjunto más completo de posibles puntos de datos y su distribución. El módulo proporciona una solución al problema de datos limitados para las técnicas de Procesamiento de Lenguaje Natural. Se utiliza una combinación de transformaciones y generaciones para aumentar el tamaño y la calidad de los datos de entrenamiento.

Financial Headlines Sentiment Analyzer

0 reseñas

Esta solución clasifica los titulares de noticias financieras en sentimientos positivos, negativos y neutrales. Utiliza análisis de texto, procesamiento de lenguaje natural y técnicas de aprendizaje automático para predecir las clases de sentimiento. Esta solución se construye en torno a un vocabulario especializado que se encuentra en finanzas y economía. Puede utilizarse para identificar los sentimientos de los titulares y declaraciones financieras desde la perspectiva de posibles inversores y partes interesadas.

Mobile Phone Review Sentiment Analyzer

0 reseñas

La solución analiza reseñas de teléfonos móviles y accesorios y las clasifica en sentimientos positivos y negativos. Utiliza análisis de texto, procesamiento de lenguaje natural, técnicas de aprendizaje automático para predecir las clases de sentimiento. Puede utilizarse para analizar la retroalimentación de productos de los clientes al predecir los sentimientos de las reseñas.

Absenteeism at Work Forecasting

0 reseñas

El pronóstico de ausentismo laboral genera 30 días de pronóstico adelantado del ausentismo de los empleados utilizando datos históricos. Esta solución ayuda a las empresas a optimizar su fuerza laboral e infraestructura relacionada de manera eficiente. Utiliza algoritmos de aprendizaje automático en conjunto con algoritmos de selección automática de modelos. Esta solución proporciona resultados consistentes y mejores debido a su enfoque de aprendizaje en conjunto. Esta solución realiza una selección automática de modelos para aplicar el modelo adecuado basado en los datos de entrada.

Geographical Entity Sentiment Analysis

0 reseñas

El Análisis de Sentimientos de Entidades Geográficas identifica sentimientos positivos, negativos o neutrales relacionados con entidades geográficas como ciudades, estados, países, etc. Se calculan puntuaciones de polaridad identificando entidades nombradas en el texto y modelando sentimientos hacia las respectivas entidades. Esta solución puede utilizarse para identificar sentimientos en torno a una localidad específica o un estudio comparativo entre dos ubicaciones basado en diferentes características como tasas de propiedad, instalaciones locales, proximidad con localidades prominentes, etc. Esto puede ayudar al usuario a determinar la atractividad de una ubicación para negocios o viajes.