Zadowolenie z rozwiązania niewłaściwego problemu jest często spotykane w projektach data science!

Prostym przykładem takiej sytuacji jest zbudowanie modelu przewidywania rezygnacji klientów z usługi zamiast starania o zredukowanie odsetka rezygnacji bezpośrednio, na przykład dobierając do konkretnych klientów i ich sytuacji odpowiednie akcje utrzymaniowe.

Kiedy może się to zdarzyć?

• Niezrozumienie problemu biznesowego i celu biznesowego
• Zbyt duża strata w tłumaczeniu problemu biznesowego na język matematyki

W QuantUp mamy kilka metod, aby uniknąć tego poważnego problemu:

• Zawsze ciężko pracujemy, aby zrozumieć problem biznesowy i cel biznesowy
• Wykorzystujemy do tego nasze wieloletnie doświadczenie
• Nasi analitycy danych nigdy nie pracują sami

.

• Upewniamy się, że cały zespół projektowy rozumie problem i to, w jaki sposób jak zamierzamy go rozwiązać

Przykładowy błąd nie jest aż tak bolesny. Wybrałem go tak, aby był prosty do wyjaśnienia. To raczej bardzo nieoptymalne rozwiązanie, a nie całkowita porażka. Przewidywanie, którzy klienci zrezygnują powinno pomóc zredukować odsetek rezygnacji.