Our churn example illustrates a typ

Our churn example illustrates a type 2 DDD problem. MegaTelCo has hundreds of millions of customers, each a candidate for defection. Tens of millions of customers have contracts expiring each month, so each one of them has an increased likelihood of defection in the near future. If we can improve our ability to estimate, for a given customer, how profitable it would be for us to focus on her, we can potentially reap large benefits by applying this ability to the millions of customers in the population. This same logic applies to many of the areas where we have seen the most intense application of data science and data mining: direct marketing, online advertising, credit scoring, financial trading, help desk management, fraud detection, search ranking, product recommendation, and so on.

Kết quả (Việt) 1:

Chúng tôi khuấy ví dụ minh hoạ một vấn đề DDD loại 2. MegaTelCo có hàng trăm hàng triệu khách hàng, mỗi một ứng cử viên cho cuộc đào tẩu. Hàng chục triệu khách hàng có hợp đồng hết hạn mỗi tháng, do đó, mỗi một trong số họ có một khả năng gia tăng của đào tẩu trong tương lai gần. Nếu chúng tôi có thể cải thiện khả năng của chúng tôi ước tính, đối với một khách hàng nhất định, lợi nhuận như thế nào, nó sẽ cho chúng tôi để tập trung vào cô ấy, chúng tôi có khả năng có thể gặt hái lợi ích lớn bằng cách áp dụng khả năng này với hàng triệu khách hàng trong dân. Logic này cùng áp dụng cho nhiều người trong số các khu vực nơi chúng tôi đã thấy các ứng dụng căng thẳng nhất của khoa học dữ liệu và khai thác dữ liệu: trực tiếp tiếp thị, quảng cáo trực tuyến, tín dụng điểm, tài chính thương mại, giúp bàn quản lý, phát hiện gian lận, thứ hạng tìm kiếm, giới thiệu sản phẩm, và như vậy.

Kết quả (Việt) 2:

Ví dụ nổi sóng của chúng tôi cho thấy một vấn đề DDD loại 2. MegaTelCo có hàng trăm hàng triệu khách hàng, mỗi một ứng cử viên cho đào tẩu. Hàng chục triệu khách hàng có hợp đồng đáo hạn mỗi tháng, vì vậy mỗi một trong số họ có một khả năng tăng của đào tẩu trong tương lai gần. Nếu chúng ta có thể cải thiện khả năng của chúng tôi để ước tính, cho khách hàng nhất định, làm thế nào có lợi nhuận nó sẽ giúp chúng ta tập trung vào cô ấy, chúng ta có thể có khả năng gặt hái những lợi ích lớn bằng cách áp dụng khả năng này để hàng triệu khách hàng trong dân số. Logic này cũng được áp dụng cho nhiều lĩnh vực mà chúng ta đã thấy các ứng dụng mạnh mẽ nhất của khoa học dữ liệu và khai thác dữ liệu: tiếp thị trực tiếp, quảng cáo trực tuyến, điểm tín dụng, giao dịch tài chính, quản lý bàn trợ giúp, phát hiện gian lận, thứ hạng tìm kiếm, giới thiệu sản phẩm, và Sớm.