để nhân rộng những lĩnh vực cần tay nghề cao như chẩn đoán y khoa,
nhưng những hệ thống đó rất tốn kém để phát triển, cồng kềnh và không
thể giải quyết vô số những ngoại lệ và khả năng, dẫn đến khái niệm mà
thường được biết đến là “mùa đông AI”.
Tuy nhiên, mùa đông cũng nhanh kết thúc.
Càng nhiều dữ liệu, mô hình càng tốt và máy tính với nhiều tính năng đã
khiến những sự phát triển gần đây trong máy tự học nâng cao sự dự đoán
khả thi. Sự cải thiện trong thu nhập và lưu trữ dữ liệu khổng lồ đã cung cấp
nguyên liệu cho những thuật toán học máy mới. So với những mô hình
thống kê cũ, và được tạo điều kiện bởi sự phát minh của những bộ vi xử lý
phù hợp hơn, những mô hình máy tự học mới đã trở nên linh hoạt đáng kể
và tạo ra sự dự đoán tốt hơn – tốt đến mức một vài người đã một lần nữa
miêu tả ngành khoa học máy tính này là “trí tuệ nhân tạo”.
Dự đoán tỉ lệ Churn
Dữ liệu, mô hình và máy tính tốt hơn là cốt lõi của sự tiến bộ trong dự
đoán. Để có thể hiểu giá trị của chúng, hãy cùng xem xét một vấn đề đã
xuất hiện từ lâu của sự dự đoán: dự đoán điều mà những người làm
marketing gọi là “tỉ lệ khách hàng không hài lòng”. Với nhiều doanh
nghiệp, thu hút khách hàng là một việc rất tốn kém và, do đó, mất khách
hàng qua tỉ lệ churn là rất đắt đỏ. Một khi đã có được khách hàng, các
doanh nghiệp có thể tận dụng những chi phí thu mua đó bằng việc giảm tỉ
lệ churn. Trong những ngành công nghiệp dịch vụ như bảo hiểm, dịch vụ
tài chính và viễn thông, quản lý tỉ lệ churn có lẽ là hoạt động marketing
quan trọng nhất. Bước đầu tiên trong việc giảm tỉ lệ churn là xác định
những khách hàng có khả năng đem lại rủi ro này. Các công ty có thể sử
dụng công nghệ dự đoán để làm điều này.
Trong lịch sử, phương pháp cốt lõi để dự đoán tỉ lệ churn là một kỹ thuật số
liệu gọi “sự hồi quy”. Nghiên cứu tập trung vào cải thiện những kỹ thuật
