機械学習がゲーム・オブ・スローンズの裏切り者を予測する方法

では、顧客が離脱（または購入）しようとしている時期をどのように予測できるでしょうか?私たちの最初の課題は、トレーニングに必要なデータ（さまざまな性格特性を持つ人々のさまざまな行動活動のリスト）を、モデルで処理できる性格特性データに変換することです。次に、個々の性格特性を表すこの活動データを使用して、彼らについての予測を行いました。

別の観点から見ると、最近発生したアクティビティにのみ焦点を当てる場合があります。これは、データを最新の状態に保ち、古いデータが評価に与える悪影響を解決するのに非常に役立ちます。しかし、キャラクターが最近何もしていなかったらどうすればいいのでしょうか?私たちは今でも彼を過去の行動で評価しています。また、彼の最近の履歴アクティビティ データの一部は引き続き保存します。過去に発生した一見 1 回限りの行動が重要なパターンに変わり、将来の意思決定に影響を与える可能性があるためです。

ハイブリッドアプローチからメリットを得ることができます。たとえば、このモデル内のキャラクターの過去のアクティビティと最近のアクティビティを組み合わせることができます。さらに、一連の異なるインターフェース ウィンドウを使用して、発生したアクティビティを異なる方法で処理することもできます。これにより、3 週間前に発生したアクションを記憶できますが、昨日発生したアクションは別の基準で測定できます。

8 月には、彼の最近の行動パターンに基づいて、この期間中に彼が離脱する (製品を購入する) とモデルが予測していることに気づくでしょう。これは予想されていたことだが、彼の忠誠心は数ヶ月続いた。もちろん、彼の裏切りは微妙な形で起こった。人々の内面の感情状態（裏切る準備ができているかどうか）は時間とともに変化するため、私たちのモデルは、特定の人々が裏切ろうとしているかどうかも知る必要があり、それによって反撃する正確なタイミングを知ることができます。

スコアがピークに達した後、安定するまでに時間がかかるため、別の問題が表面化するでしょう。誤解を招く予測が広まると、非常に忠実な人物に対して一時的に疑念を抱く可能性があるため、モデルの評価関数が期間全体にわたってすべてのスコアを確認するようにする必要があります。モデルを再度トレーニングするときには、これらの誤ったスコアにペナルティを課し、比較して、どのモデルが相対的に優れているかを調べる必要があります。

モデルのパフォーマンスが良好かどうかを評価するには、人物を評価するたびに（毎日または毎週）得られるスコアを考慮し、モデルが翌週の行動をどの程度正確に予測するかを観察するだけです。週の初めに、ある人物が離反する可能性が高いと主張し、その人物がその週の木曜日に離反した場合、これはモデルが適切に機能し、肯定的で正しい推奨を行っていることの十分な証拠となります。しかし、キャラクターが予測された週に裏切らず、翌週の木曜日にのみ裏切る場合、モデルによる推奨は間違っています。この場合、次の週にこのキャラクターにどのようなスコアを付けるかについて検討する必要があります。

上記のヒントをそれぞれ実行すれば、行動スコアリング モデルはさまざまなビジネス ニーズに対して貴重な機械支援を提供できるようになります。人々が何をいつ行うかを知ることが、予測を成功させる鍵となります。