<h3>Правила участия</h3>

Нажимая кнопку &laquo;Участвовать&raquo; и/или &laquo;Отправить решение&raquo;, вы соглашаетесь с <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/DataFusion2024/Rules_Data_Fusion_Contest_2024.pdf" rel="noopener noreferrer" target="_blank">Правилами участия в соревновании Data Fusion Contest 2024</a>.

<h3>Постановка задачи</h3>

Необходимо решить задачу предсказания оттока клиентов банка. А именно, используя данные транзакций за 6 месяцев, требуется построить алгоритм, предсказывающий вероятность оттока клиента в следующие 6 месяцев. Особенностью задачи является то, что в рамках тренировочных данных для обучения, участникам передается не только метка, соответствующая тому, что клиент &ldquo;уйдёт в отток&rdquo;, но и время до его последней транзакции. Подробнее про структуру и особенности данных можно узнать на странице &ldquo;<a href="https://ods.ai/tracks/data-fusion-2024-competitions/competitions/data-fusion2024-churn/dataset" rel="noopener noreferrer" target="_blank">Данные</a>&rdquo;.

Предсказание оттока клиентов это крайне распространенная задача, встречающаяся в множестве компаний в самых разных индустриях. Несмотря на свою широкую распространенность, в задачах оттока есть большое количество подводных камней и особенностей, о которых часто говорят, но практически никогда не показывают на практике. С другой стороны, в задачах оттока имеется множество полезных наработок, аналитических практик и целых научных направлений, о которых мало кто знает за пределами практикующих экспертных команд.&nbsp;

В рамках этого соревнования участники могут подойти к решению задачи большим количеством способов. В частности, наличие в рамках обучающих данных такой информации, как время до последней транзакции, позволит участникам воспользоваться Time-to-Event подходами в машинном обучении. &nbsp;

<h3>Формат решений</h3>

Это табличное соревнование с разметкой предоставленного вам .csv файла. Вам необходимо создать алгоритм, способный по предоставленным в рамках соревнования данным, создать новый табличный .csv файл с двумя столбцами:

<pre>
<code class="language-python">user_id, predict
9, -3.1415926
61, -1.7320508
...
562205, 2.718282</code></pre>

Здесь <code>user_id</code> &ndash; идентификатор клиентов банка, <code>predict</code> &ndash; предсказание вашего алгоритма. Предсказания необходимо построить для всех 32,000 клиентов из тестовых данных. Примеры <code>sample_submission.csv</code> доступны на странице &ldquo;<a href="https://ods.ai/tracks/data-fusion-2024-competitions/competitions/data-fusion2024-churn/dataset" rel="noopener noreferrer" target="_blank">Данные</a>&rdquo;.

<h3>Проверка решений</h3>

<ul>
<li>Решения проверяются автоматически путем сопоставления с известными истинными метками об оттоке клиентов, а также датах их последних транзакций. Истинные метки и даты последних транзакций клиентов в тестовых данных доступны только организаторам.</li>
<li>Метрика соревнования&nbsp;&mdash; <code>CI</code>, также известная как Concordance Index или (Harrel&#39;s) C-index. Для тех, кто впервые сталкивается с этой метрикой, на нее стоит смотреть как на обобщение ROC-AUC для Time-to-Event задач. В соревновании используется реализация подсчета метрики из библиотеки <code>lifelines</code>: <a href="https://lifelines.readthedocs.io/en/latest/lifelines.utils.html" rel="noopener noreferrer" target="_blank">lifelines.utils.concordance_index</a>.&nbsp;</li>
<li>Чтобы вы не запутались с правильным порядком (прямой или обратный), а также, чтобы пресечь &ldquo;silent mode&rdquo; практики, решениям в качестве их результатов &nbsp;присваивается <code>max(CI, 1 - CI)</code>.</li>
<li>Соотношение public/private в соревновании составляет 50/50. Победители соревнования определяются по результатам на private лидерборде.</li>
</ul>

<h3>Информация&nbsp;для участников</h3>

<ul>
<li>В соревновании можно принимать участие из любой точки мира. Участники могут объединяться в команды до 4-х человек. Участвовать можно в любом количестве из предложенных задач и номинаций. Победители соревнования смогут получить денежные призы только на расчетные счета банков, зарегистрированных на территории Российской Федерации.&nbsp; Просим вас позаботиться об открытии счета в РФ заранее.</li>
<li>Ответы на вопросы по всему Data Fusion Contest 2024 доступны&nbsp;на&nbsp;<a href="https://ods.ai/tracks/data-fusion-2024-competitions/faq" rel="noopener noreferrer" target="_blank">FAQ странице трека</a>.</li>
</ul>

<h3>Призовой фонд задачи 2, Отток</h3>

1 место: 500 000 рублей 
2 место: 250 000 рублей 
3 место: 150 000 рублей

Номинация <a href="https://ods.ai/tracks/data-fusion-2024-competitions/competitions/data-fusion2024-companion" rel="noopener noreferrer" target="_blank">Companion</a> по задаче Отток:&nbsp; 
50 000 рублей (по состоянию на &ldquo;экватор&rdquo; соревнования) 
50 000 рублей (после дедлайна соревнования)

<h2>Полезные материалы</h2>

Как вы уже, наверное, догадались, это соревнование &mdash; площадка для освоения и испытаний Time-to-Event подходов в машинном обучении. Чтобы вы могли погрузиться в эту область, а также вдохновиться подходами и идеями, хотим поделиться с вами наиболее интересными материалами по теме, отобранными в ходе подготовки соревнования.

<h3>Статьи:</h3>

<ul>
<li><a href="https://arxiv.org/pdf/2305.14961.pdf" rel="noopener noreferrer" target="_blank">[Arxiv, 2023]</a> Deep Learning for Survival Analysis: A Review &mdash; качественный обзор современных нейросетевых архитектур и постановок в Time-to-Event задачах.</li>
<li><a href=" https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8484151/">[NCBI, 2021]</a> Review of Statistical Methods for Evaluating the Performance of Survival or Other Time-to-Event Prediction Models (from Conventional to Deep Learning Approaches) &mdash; обзор метрик, используемых в Time-to-Event задачах.</li>
<li><a href="https://dmkd.cs.vt.edu/papers/CSUR19.pdf" rel="noopener noreferrer" target="_blank">[ACM, 2019] </a>Machine Learning for Survival Analysis: A Survey &mdash; обзор применения машинного обучения в Time-to-Event задачах, может использоваться как пособие для начинающих.</li>
<li><a href="https://ragulpr.github.io/2016/12/22/WTTE-RNN-Hackless-churn-modeling/" rel="noopener noreferrer" target="_blank">[Git, 2016] </a>WTTE-RNN - Less hacky churn prediction &mdash; легендарный пост-статья про проблемы задачи предсказания оттока, и как к задаче стоило бы подходить. (выбор редакции &hearts;)</li>
<li><a href="https://publications.lib.chalmers.se/records/fulltext/253611/253611.pdf" rel="noopener noreferrer" target="_blank">[Chalmers Thesis, 2017]</a> WTTE-RNN : Weibull Time To Event Recurrent Neural Network A model for sequential prediction of time-to-event in the case of discrete or continuous censored data, recurrent events or time-varying covariates &mdash; &quot;сопроводительный&quot; диссер, по материалам которого была написана статья выше.</li>
</ul>

<h3>Библиотеки:</h3>

<ul>
<li><a href="https://github.com/catboost/tutorials/blob/master/regression/survival.ipynb" rel="noopener noreferrer" target="_blank">Survival analysis with Catboost</a> &mdash; почти не секретный туториал по тому, как запускать Cox и AFT модели на Catboost</li>
<li><a href="https://scikit-survival.readthedocs.io/en/stable/user_guide/index.html" rel="noopener noreferrer" target="_blank">scikit-survival</a> &mdash; библиотека по Survival / Time-to-Event задача на Python, на основе scikit-learn</li>
<li><a href="https://github.com/autonlab/auton-survival " rel="noopener noreferrer" target="_blank">auton-survival</a> &mdash; актуальная библиотека по Survival / Time-to-Event анализу на Python, включая нейросетевые модели от CMU</li>
<li><a href="https://lifelines.readthedocs.io/en/latest/index.html#" rel="noopener noreferrer" target="_blank">lifelines</a> &mdash; общая библиотека по классическому Survival Analysis на Python с основным статистическим инструментарием</li>
<li>(давно не обновлялась) <a href="https://square.github.io/pysurvival/index.html" rel="noopener noreferrer" target="_blank">PySurvival</a> &mdash; библиотека по Survival / Time-to-Event задачам на Python. В том числе с туториалом по оттоку (churn)</li>
<li>(давно не обновлялась) <a href="https://github.com/havakv/pycox" rel="noopener noreferrer" target="_blank">PyCox</a> &mdash; библиотека по нейросетевым моделям для Time-to-Event задач на основе pytorch</li>
</ul>

Участникам необходимо решить Time-to-Event задачу предсказания оттока клиентов банка на основе истории их транзакций.

Public

Private

Данные

Consent

Я прочитал(-а) и согласен(-на) с <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/odsaifooter/august_2023/%D0%A1%D0%BE%D0%B3%D0%BB%D0%B0%D1%88%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%BE%D0%B1%20%D1%83%D1%81%D0%BB%D1%83%D0%B3%D0%B0%D1%85.pdf">Соглашением об услугах</a>&nbsp;и &nbsp;<a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/odsaifooter/august_2023/%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%B8%D0%BA%D0%B0%20%D0%BA%D0%BE%D0%BD%D1%84%D0%B8%D0%B4%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8.pdf">Политику конфиденциальности</a>&nbsp; (*)

Privacy Policy and User agreement

Даю <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/DataFusion2024/Consent_pdn.pdf">согласие</a> Оператору&nbsp;на обработку ПДн&nbsp; (*)

email_promo

Даю согласие <a href="http://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/DataFusion2024/Consent%20to%20receive%20T1%20adverts.pdf">Организатору</a> и Оператору соревнования на получение информации рекламного характера

<a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/DataFusion2024/Recruitment%20agreement.pdf">Согласен</a> на сотрудничество по содействию мне в трудоустройстве

Благодарим за интерес к серии соревнований&nbsp;Data Fusion Contest 2024.

Заполните, пожалуйста, форму ниже.

Согласия, отмеченные&nbsp; (*) - обязательные.

#	Teams (245)	Concordance Index	Last	Entries
1	Dimk k	0.7792137188	20m	151
2	Sber AI Lab	0.778711919	20m	128
3	Kirill Krivosheev	0.7778678716	20m	69
4	Ivan Glebov	0.7775426426	20m	155
5	KotVasily	0.7774383159	20m	249
6	AlfaWolves	0.7773411564	20m	97
7	Григорий Княженко	0.777279702	20m	191
8	ChurnFighter	0.7766277844	20m	42
9	Alexander Dudin	0.7765375053	20m	176
10	Aleron datafeeling	0.7763291388	20m	71
11	Alexander Anokhin	0.7749879046	20m	99
12	Team data has been deleted	0.7747658033	20m	19
13	Dmitry Vaskin	0.7745023415	20m	160
14	Evgeny Kazenov	0.7740212089	20m	28
15	Igor Sh	0.7738941822	20m	85
16	св ин агент максим	0.7737607964	20m	47
17	Competitive DS	0.7732685614	20m	98
18	chlorpromazine25mg	0.7730203719	21m	32
19	Van Gog	0.7726315253	20m	154
20	AF	0.771923053	21m	32
21	Два Гуся	0.7715580271	20m	37
22	Vitalikaff	0.7715136173	20m	103
23	Stepan Andreev	0.7712273772	20m	40
24	Maxim Egorov	0.7712110884	20m	21
25	Alexander Vavilkin	0.7707201304	20m	19
26	Vlad Balanda	0.7692931258	20m	121
27	good_olesya	0.769284369	21m	4
28	danilka200300	0.7689749596	21m	14
29	Roman Kovalev	0.7689426426	20m	29
30	Stanislav Chistyakov	0.7686304186	20m	39
31	Andrey D Savage	0.7686300537	20m	36
32	Sergey Gribanov	0.7685072491	21m	19
33	RG	0.7684479578	21m	1
34	Andrey Khlopotnukh	0.7683016191	21m	71
35	Roman Barilov	0.768213034	20m	20
36	qed	0.7681953899	20m	16
37	Anatoly Kuznetsov	0.7677466526	20m	3
38	Alexey Latskov	0.7675201729	20m	12
39	Gennadii	0.767478265	21m	17
40	evg3n1j	0.7673698466	21m	6
41	LabDS	0.7671999217	21m	36
42	Никита Юдачев	0.7668635381	20m	9
43	Alek Nelender	0.7667748487	20m	29
44	TeamA	0.766605445	20m	49
45	Splav Splav	0.7665275715	21m	24
46	Dmitrii K	0.7663195959	20m	14
47	Alexander Pavlov	0.7662786784	21m	75
48	awesome anywhere	0.7657294976	21m	28
49	Aleksandr Seledtsov	0.7656554291	20m	3
50	Татьяна Кардашова	0.7650811767	20m	11