<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	AlfaWolves	0.7923632494	7w	97
2	Sber AI Lab	0.7912621056	7w	128
3	Ivan Glebov	0.7904888924	7w	155
4	KotVasily	0.7889522173	7w	249
5	Aleron datafeeling	0.7884432145	7w	71
6	Dmitry Vaskin	0.787446571	7w	160
7	Van Gog	0.7872212525	7w	154
8	Григорий Княженко	0.7872028212	7w	191
9	Kirill Krivosheev	0.7871281378	7w	69
10	Alexander Dudin	0.7867593425	7w	176
11	ChurnFighter	0.7865565418	7w	42
12	Alexander Anokhin	0.7860583328	7w	99
13	Два Гуся	0.7858401444	7w	37
14	Dimk k	0.7856591005	7w	151
15	Andrey Khlopotnukh	0.7853714143	2m	71
16	Team data has been deleted	0.7841860049	7w	19
17	Igor Sh	0.784161148	7w	85
18	св ин агент максим	0.7840655814	7w	47
19	Competitive DS	0.7837985247	7w	98
20	chlorpromazine25mg	0.7834093536	7w	32
21	Evgeny Kazenov	0.783002512	7w	28
22	Sergey Gribanov	0.7817268907	2m	19
23	Vitalikaff	0.781337325	7w	103
24	Alexander Pavlov	0.7809003846	2m	75
25	AF	0.7807500596	2m	32
26	Stanislav Chistyakov	0.7805161454	7w	39
27	Alexander Vavilkin	0.7803426544	7w	19
28	awesome anywhere	0.7803225885	2m	28
29	Dmitrii K	0.7799924877	7w	14
30	Alekseev Konstantin	0.7799857521	7w	66
31	Dos A	0.7799573442	7w	57
32	Vlad Balanda	0.7795795306	7w	121
33	good_olesya	0.7795237012	8w	4
34	Roman Barilov	0.7794950396	7w	20
35	Maxim Egorov	0.7792915061	7w	21
36	Roman Kovalev	0.779101162	7w	29
37	TeamA	0.7790645812	7w	49
38	RG	0.7789665909	8w	1
39	Stepan Andreev	0.7787231793	7w	40
40	qed	0.7785948647	7w	16
41	Дмитрий Лапочкин	0.7785644558	7w	6
42	Splav Splav	0.7779585336	7w	24
43	LazyLearn	0.777719603	7w	41
44	Татьяна Кардашова	0.7776719183	7w	11
45	Alexey Latskov	0.7773704227	7w	12
46	danilka200300	0.7772857063	2m	14
47	Andrey D Savage	0.7768993252	7w	36
48	DarkRum	0.7768940269	7w	44
49	KL KK	0.7767430536	7w	33
50	MegaForces	0.7762609932	3m	6