एक रिटेंशन लीड ई-कॉमर्स ब्रांड के लिए कस्टमर सेगमेंट की मांग करता है, इस उम्मीद के साथ कि आउटपुट का इस्तेमाल कैंपेन टारगेटिंग और बजट एलोकेशन के लिए किया जाएगा। क्लस्टरिंग एल्गोरिदम द्वारा लेबल बनाने पर काम खत्म नहीं होता। काम तब पूरा होता है जब आप यह बता सकें कि लेबल कैसे बनाए गए, उन्हें उसी डेटा पर दोबारा बना सकें, और यह समझा सकें कि हर सेगमेंट के लिए क्या कार्रवाई बदलती है।
AI उस शुरुआती काम को तेज़ कर सकता है जो आपको रॉ टेबल से शुरुआती प्रोफ़ाइल तक ले जाता है, लेकिन यह सही होने की ज़िम्मेदारी नहीं ले सकता। जब AI द्वारा तैयार किया गया एग्रीगेशन ‘नल’ (nulls) को हटा देता है, तारीख को स्ट्रिंग में बदल देता है, या गलत लेवल (grain) पर ग्रुपिंग करता है, तो बाद में होने वाली गलतियों (जैसे गलत टारगेट वाले कैंपेन और गलत रेवेन्यू एट्रिब्यूशन) की ज़िम्मेदारी एनालिस्ट की होती है। आपका काम AI आउटपुट को एक संभावित काम के तौर पर देखना, फिर रॉ डेटा से उसे वेरिफ़ाई करना और आपके द्वारा मंज़ूर किए गए अनुमानों को डॉक्यूमेंट करना है।
इस्तेमाल के लायक आउटपुट में आमतौर पर कस्टमर लेवल पर एक सेगमेंट टेबल, हर क्लस्टर के लिए एक सेगमेंट डेफ़िनिशन कार्ड, और एक वैलिडेशन नोट शामिल होता है जो यह बताता है कि डेटा क्या दिखा रहा है और रिटेंशन स्ट्रैटेजी के लिए उसका क्या मतलब है।
सेगमेंटेशन का काम एक तय क्रम में होता है, भले ही टूल बदल जाएं। AI ड्राफ़्टिंग को तेज़ करता है, लेकिन एनालिस्ट ही लेवल (grain), टाइम विंडो और वैलिडिटी चेक तय करता है।
देखें कि एंड-टू-एंड वर्कफ़्लो कैसे काम करता है।
‘इंजेस्ट’ (Ingest) का मतलब है कि आप आइडेंटिफ़ायर और समय-सीमाओं का मिलान करते हैं। AI ‘जॉइन लॉजिक’ (join logic) तैयार कर सकता है, लेकिन हर ‘जॉइन’ के बाद आपको ‘रो काउंट’ (row counts) की पुष्टि करनी होगी और यह पक्का करना होगा कि विश्लेषण की इकाई (unit of analysis) ग्राहक है, न कि कोई ऑर्डर या घटना।
‘क्लीनिंग’ (Cleaning) का मतलब है कि आप तय करते हैं कि ‘मिसिंग डेटा’ (missingness) और ‘आउटलायर्स’ (outliers) को ‘फ़ीचर स्पेस’ में कैसे शामिल किया जाए। AI संदिग्ध वितरणों (distributions) की पहचान कर सकता है, लेकिन आपको ‘नल हैंडलिंग’ (null handling) को स्पष्ट रूप से मंज़ूरी देनी होगी क्योंकि dropna() जैसे ‘पांडास डिफ़ॉल्ट’ (pandas defaults) चुपचाप यह बदल देते हैं कि सेगमेंटेशन में कौन शामिल है।
‘फ़ीचर इंजीनियरिंग’ (Feature engineering) का मतलब है कि आप तय करते हैं कि बिज़नेस के सवाल के लिए ‘समानता’ (similarity) का क्या मतलब होना चाहिए। AI RFM और ब्राउज़िंग इंटेंसिटी जैसे संभावित फ़ीचर सुझा सकता है, लेकिन आपको ‘प्री-पीरियड फ़ीचर्स’ से ‘पोस्ट-पीरियड परिणामों’ को हटाकर ‘डेटा लीकेज’ (leakage) को रोकना होगा।
‘क्लस्टरिंग और इंटरप्रिटेशन’ (Clustering and interpretation) का मतलब है कि आप ओरिजिनल यूनिट्स पर क्लस्टर फिट करते हैं और फिर उनका प्रोफ़ाइल बनाते हैं। AI स्केल और फिट करने के लिए कोड लिख सकता है, लेकिन आपको इसे दोबारा चलाना होगा और फिर कम से कम एक ‘कंप्यूटेड क्लस्टर मीन’ (computed cluster mean) की सीधे सोर्स रो से जांच करनी होगी।
‘वैलिडेशन’ (Validation) का मतलब है कि आप स्थिरता और कार्रवाई की क्षमता (actionability) की जांच करते हैं। AI ‘सिल्हूट स्कोर’ (silhouette scores) और ‘एडजस्टेड रैंड इंडेक्स’ (adjusted Rand index) की गणना कर सकता है, लेकिन आपको वे ‘थ्रेशोल्ड’ (thresholds) तय करने होंगे जिन्हें बिज़नेस स्वीकार करेगा और वे काम तय करने होंगे जो हर सेगमेंट संभव बनाता है।
लार्ज लैंग्वेज मॉडल (LLM) एक टेक्स्ट जनरेटर है जो ट्रेनिंग डेटा के पैटर्न से संभावित अगले टोकन का अनुमान लगाता है। यह ऐसा कोड और सारांश बनाता है जो व्याकरण के हिसाब से तो सही हो सकते हैं, लेकिन विश्लेषण के हिसाब से गलत हो सकते हैं।
प्रॉम्प्ट (Prompt) वह निर्देश है जो आप LLM को देते हैं। अगर प्रॉम्प्ट में सेगमेंटेशन डाइमेंशन और टाइम विंडो का नाम नहीं है, तो AI एक सामान्य एग्रीगेशन (generic aggregation) का इस्तेमाल करेगा जो उस पैटर्न का औसत निकाल देगा जिसे आप देखना चाह रहे हैं।
कॉन्टेक्स्ट विंडो (Context window) टेक्स्ट और डेटा विवरण की वह सीमित मात्रा है जिसे LLM एक बार में प्रोसेस कर सकता है। अगर स्कीमा या ज़रूरी सावधानियां उस विंडो से बाहर रह जाती हैं, तो AI ऐसे आगे बढ़ेगा जैसे वे मौजूद ही न हों, और इसके परिणामस्वरूप होने वाली गड़बड़ी की ज़िम्मेदारी आपकी होगी।
हैलुसिनेशन (Hallucination) LLM द्वारा किया गया एक ऐसा दावा है जिसकी पुष्टि नहीं की जा सकती और जो दिए गए डेटा या गणना किए गए परिणामों पर आधारित नहीं होता। सेगमेंटेशन में, हैलुसिनेशन अक्सर “प्राइस सेंसिटिविटी” (price sensitivity) जैसे मनगढ़ंत कारणों के रूप में सामने आते हैं, जबकि कोई कीमत या डिस्काउंट फ़ीचर इस्तेमाल ही नहीं किया गया होता।
जानें कि नैरेटिव (कहानी) को गणना योग्य सबूतों से कैसे अलग किया जाए।