如何识别导致客户不满意的输入范围？

Question

我正在寻找一种机器学习方法来识别导致客户不满的输入范围。

例如，假设我们有一个客户年龄，客户性别，客户停止的日期和时间，负责向客户提供服务的人员等数据库，最后是0到10之间的数字。代表客户满意度（从客户的反馈中提取）。

现在我正在寻找一种方法来确定导致不满意的输入范围。例如，约翰在10点到12点之间停留的男性顾客主要不满意。

我相信为此目的已经存在一种聚类或神经网络方法。你可以帮帮我吗？

Answer 1

有多种方法可以做到（例如，相关分析）

一种简单的方法是按满意度（目标）对数据进行分类

<强>类：

• 0-5 DISSATISFIED

• 6-10满意

比在每个群集中查找重复功能。

例如：

• 如果您对某个功能感兴趣，例如：停止客户的人，而不是只获取两个类中最常用的名称以获得80% of unsatisfied client was stopped by jhon

• 如果您对多个功能感兴趣，例如：停止客户的人和当天的时间，在这种情况下，您可以考虑我们的一对功能，并做同样的事情。第一种情况，比你会得到像30% of unsatisfied client was stopped by jhon between 10 and 11 am

这样的东西

Answer 2

这不是群集问题。你有训练数据。

相反，您可能正在寻找决策树。

Answer 3

你想知道什么？要解雇哪个服务人员，提供服务的最佳时间是什么，或者......其他？我的意思是你的课程是什么？

提供了您评估服务人员的内容 - 课程是 人。在SVM中（我认为对于NN应用相同的）我会在布尔属性中拆分所有非纯粹的数值数据。

• 年龄：未变，数字
• 性别：男1/0，女1/0
• 日期：星期几的7个功能，可能是服务人员的体验天数。对于每个特殊日期，属性例如国定假日1/0
• 时间：将时间跨度分成合理的范围，例如： 15分钟每个范围都是一个功能
• 满意度：不变 - 数字1-10

使用此模型，您可以预测每个服务人员在给定日期，时间，性别，年龄方面的满意度指数。

Answer 4

我想，您可以尝试使用异常检测算法。基本上，如果您将满意度水平视为因变量，那么您可以尝试找到远离欧几里德空间中大多数样本的样本。这些离开的样本可能意味着不满。