Μελέτη και Κατασκευή Μοντέλων για Πρόβλεψη του Ρυθμού Εγκατάλειψης σε Πρόγραμμα Αποταμιεύσεων

Γεωργακόπουλος, Παναγιώτης; Georgakopoulos, Panagiotis

dc.contributor.author	Γεωργακόπουλος, Παναγιώτης	el
dc.contributor.author	Georgakopoulos, Panagiotis	en
dc.date.accessioned	2017-10-11T10:09:50Z
dc.date.available	2017-10-11T10:09:50Z
dc.date.issued	2017-10-11
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45746
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14742
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Ανάλυση Επιβίωσης	el
dc.subject	Ανάλυση Παλινδρόμησης	el
dc.subject	Ομαδοποίηση	el
dc.subject	Δέντρα Απόφασης	el
dc.subject	Συστήματα Προβλέψεων	el
dc.subject	Survival Analysis	en
dc.subject	Regression Analysis	el
dc.subject	Churn Rate	el
dc.subject	Decision Trees	el
dc.subject	Clustering	el
dc.subject	Forecast Systems	el
dc.title	Μελέτη και Κατασκευή Μοντέλων για Πρόβλεψη του Ρυθμού Εγκατάλειψης σε Πρόγραμμα Αποταμιεύσεων	el
dc.contributor.department	Softlab	el
heal.type	bachelorThesis
heal.classification	DATA ANALYSIS	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-07-19
heal.abstract	Στη σύγχρονη τεχνολογική κοινωνία γεμάτη με σύνθετα συστήματα όπου αλληλοεπιδρούν παίκτες-άτομα με περίπλοκη συμπεριφορά, μία από τις πλέον επιτακτικές ανάγκες αποτελεί η πρόβλεψη των μελλοντικών κινήσεων των συμμετεχόντων. Στη παρούσα διπλωματική εργασία, μελετάμε τη συμπεριφορά αυτών των παικτών στα πλαίσια ενός τραπεζικού προγράμματος και προσπαθούμε να κατασκευάσουμε ένα σύστημα που με ικανοποιητική επιτυχία θα προβλέπει τις μελλοντικές τους κινήσεις. Συγκεκριμένα, αξιοποιώντας οικονομικά και δημογραφικά δεδομένα ενός μεγάλου πλήθους πελατών για ένα εύλογο χρονικό διάστημα, προσπαθούμε να κατασκευάσουμε μοντέλα που να προβλέπουν ικανοποιητικά το ρυθμό οικειοθελούς αποχώρησης των πελατών από το τραπεζικό πρόγραμμα (churn rate). Κάθε μοντέλο αξιολογείται βάσει κλασικών (στη σχετική βιβλιογραφία) μετρικών πάνω στην ακρίβεια και πληρότητα του συστήματος. Αντλώντας πληροφορίες από ορισμένες πρωταρχικές προσεγγίσεις μέσω μαρκοβιανών αλυσίδων και αναλύσεις χρονοσειρών, καταλήγουμε σε πιο εξειδικευμένα μοντέλα που βασίζονται σε ανάλυση παλινδρόμησης και δέντρα απόφασης, ενώ δοκιμάζουμε και τη δυνατότητα κατηγοριοποίησης της συμπεριφοράς των χρηστών μέσω μεθόδων Clustering. Εν τέλει, με χρήση των συμπερασμάτων που έχουμε εξάγει, καταλήγουμε και παρουσιάζουμε ένα υβριδικό μοντέλο που καταφέρνει να παρουσιάζει τόσο από πλευράς ποιότητας όσο και ευστάθειας υψηλές επιδόσεις, ενώ παράλληλα προτείνουμε μια πληθώρα καινοτόμων δομών που δύνανται να αυξήσουν ακόμη περισσότερο τη συνολική ποιότητα προβλέψεων του συστήματος.	el
heal.abstract	In today's technology society full of complex systems where players-people with complex behavior interact, one of the most pressing needs is to predict the future movements of the participants. In this diploma thesis, we study the behavior of these players in the context of a banking program and we are trying to build a system that will successfully anticipate their future moves. In particular, exploiting the economic and demographic data of a large number of customers over a reasonable period of time, we are trying to build models that adequately anticipate the willingness of customers to withdraw from the banking program (churn rate). Each model is evaluated on the basis of classical (amongst related bibliography) metrics on the accuracy and completeness of the system. Drawing information from some primitive approaches through Markov chains and time series, we come up with more specialized models based on regression analysis and decision trees, and we also test the possibility to categorize user behavior through Clustering methods. Ultimately, using the conclusions we have drawn, we end up and present a hybrid model that manages to deliver both high quality and stability in terms of performance, while also proposing a plethora of innovative structures that can further increase the overall quality of the system's predictions.	en
heal.advisorName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Πελεχρίνης, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	true