我的工作中确实有一些麻烦。我试图在周末解决以下问题，但没有成功。
好的，我们运行一个学校教育平台，我们希望实现以下目标。我们有一个模型来识别学生失去兴趣的可能性（损失率）。
现在，如果在某个时间点（t）的丢失率与之前的时间点（t-6）相比增加到某个阈值以上，我们希望向学生提供折扣优惠，甚至提供免费课程。问题是如何正确设置阈值？我的意思是使用关于学生在t + 12时点离开我们平台的事实数据来最大程度地减少假阳性和假阴性。
我们当前的方法和数据如下所示。根据历史数据，我们进行以下设置： [学生ID]，[LifteTimeValue]，[Lossrate_now（t）]，[Lossrate_then（t-6）]，[绝对差（[t1]-[t-6]）]，[相对差（（[t1]- [t-6]）/ [t-6]）]，[可观察到的损失（t + 12）]
我想做的是有一些LTV存储桶和阈值。根据阈值，我们可以邮寄/不邮寄客户，LTV存储桶可以帮助我们提供报价。
所需的行动规则集如下所示（实用）：
*注意：在LTV组中拆分可能不相关，这意味着它对优化没有帮助。
我们希望具有成本效益，因此我们可以在付费/免费服务之间保持平衡。 首选解决方案是在Python中，但R也是一个选择。并且一些可视化有助于将结果解释给其他人！
感谢您抽出宝贵的时间阅读本文。 恒钟