Na buzzwordowym kole fortuny branżowych konferencji „pospolite” machine learning wydaje się ustępować miejsca nowym graczom – autonomicznym botom, modelom generatywnym, kolejny raz na nowo rozumianej „sztucznej inteligencji”. Ale zanim ChatGPT zabierze nam wszystkim pracę, a dostawcy rozwiązań AI pozwolą karmić swoje wszystko umiejące Molochy danymi firm-klientów, stare dobre data science będzie głównym źródłem modeli służących organizacjom podejmować decyzje w oparciu o gigabajty danych zalegające na firmowych serwerach. W T-Mobile podeszliśmy w ten sposób do satysfakcji klientów, próbując odgadnąć opinie osób niechętnych do udziału w badaniach. Najpierw nic z tego nie wyszło. Ale zmianie podejścia i dwóch kolejnych iteracjach zobaczyliśmy światełko w tunelu. Opowiem o tym, jak przebiegał i zmieniał się proces modelowania predykcyjnego NPSa klientów w T-Mobile, w jakie pułapki wpadliśmy, jak udało nam się z nich wydostać, i dlaczego czasem warto wyciągnąć badacza z jego badań, żeby posłużył za tłumacza z języka statystycznego na cexowy.