Walla mejora la retención de miembros con la predicción de abandono impulsada por IA en AWS

Avahi rediseñó la plataforma de predicción de abandono de Walla implementando una canalización MLOps modular y automatizada en AWS:

• La solución ingiere datos de CSV estructurados (por ejemplo, reservas, suscripciones) a través de activadores S3. Una función Lambda inicia las canalizaciones de SageMaker cuando se cargan nuevos datos.
• Una etapa de preprocesamiento realiza la validación del esquema, la extracción de características y la transformación.
• Avahi reemplazó el árbol de decisión con un modelo XGBoost ajustado, seleccionado por su rendimiento AUC superior y sus capacidades nativas de importancia de características. El modelo logró un AUC de 0,846 en los datos de validación.
• La canalización de SageMaker gestiona la formación, la evaluación, el registro condicional y la implementación de modelos en los puntos finales.
• Un flujo de trabajo de reentrenamiento mensual o activado por el rendimiento garantiza la frescura del modelo mediante el uso de canalizaciones de SageMaker.
• Una canalización de inferencia proporciona predicciones en tiempo real con explicaciones basadas en LIME, lo que ayuda a los usuarios a comprender los principales impulsores detrás de cada puntuación de riesgo de abandono.
• Avahi también implementó CI/CD para las funciones Lambda, gestionadas en un repositorio de GitHub dedicado con compilaciones basadas en Docker y actualizaciones automáticas.