Μεθοδολογία εκτίμησης πιθανότητας απώλειας πελατών

Μητρόπουλος, Μάριος; Mitropoulos, Marios

dc.contributor.author	Μητρόπουλος, Μάριος	el
dc.contributor.author	Mitropoulos, Marios	en
dc.date.accessioned	2023-01-11T09:31:04Z
dc.date.available	2023-01-11T09:31:04Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56603
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24301
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Απώλεια πελατών	el
dc.subject	Πρόβλεψη πιθανοτήτων	el
dc.subject	Machine learning	en
dc.subject	Customer churn	en
dc.subject	Probability prediction	en
dc.title	Μεθοδολογία εκτίμησης πιθανότητας απώλειας πελατών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Απώλεια Πελατών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-12
heal.abstract	Η παρούσα διπλωματική εργασία έχει σαν στόχο την ανάπτυξη μιας γενικότερης μεθοδολογίας για την εκτίμηση της πιθανότητας απώλειας ενός πελάτη μιας εταιρείας ή ενός οργανισμού, καθώς και την ερμηνεία και αξιολόγηση των αποτελεσμάτων αυτών. Το ποσοστό απωλειών πελατών αποτελεί έναν από τους πιο σημαντικούς δείκτες που μετράει τη δυνατότητα μιας επιχείρησης να διατηρεί το πελατολόγιό της. Συνεπώς, μια μέθοδος πρόβλεψης της πιθανότητας απώλειας κάποιου πελάτη αποτελεί ένα ιδιαίτερα σημαντικό εργαλείο, το οποίο μπορεί να χρησιμοποιηθεί για την ανανέωση των παρεχόμενων υπηρεσιών ή τη χάραξη στοχευμένων προωθητικών ενεργειών. Ιδιαίτερα τα τελευταία χρόνια που ο όγκος των διαθέσιμων δεδομένων έχει αυξηθεί, η χρήση εργαλείων μηχανικής μάθησης έχει προσφέρει νέες δυνατότητες. Η βασική ιδέα της προτεινόμενης μεθοδολογίας είναι η αυτοματοποίηση της διαδικασίας παραγωγής προβλέψεων από σύνολα δεδομένων που αφορούν την απώλεια πελατών. Το προτεινόμενο πλαίσιο δέχεται ως είσοδο ένα σύνολο δεδομένων και παράγει ως έξοδο τις προβλέψεις για τα εισαγόμενα δεδομένα, καθώς και γραφικές παραστάσεις και μετρικές για την αξιολόγησή τους. Η μεθοδολογία αυτή περιλαμβάνει πέντε βήματα. Το πρώτο περιλαμβάνει την προεπεξεργασία των δεδομένων εισόδου για την καλύτερη εκπαίδευση των μοντέλων πρόβλεψης, η οποία πραγματοποιείται συγχρόνως με τη βελτιστοποίηση των υπερπαραμέτρων των μοντέλων στο δεύτερο βήμα. Στο τρίτο στάδιο, δοκιμάζονται οι συνδυασμοί των μοντέλων που αναπτύχθηκαν και επιλέγεται ως βέλτιστο το μοντέλο με τα καλύτερα αποτελέσματα. Στο τέταρτο βήμα, στο καλύτερο μοντέλο του προηγούμενου βήματος δοκιμάζονται διάφορα κατώφλια προβλέψεων με στόχο την επιλογή του βέλτιστου. Τέλος, στο πέμπτο αξιολογείται το συνολικό μοντέλο που προέκυψε με χρήση των παραγόμενων γραφικών παραστάσεων και μετρικών. Για την ανάπτυξη της μεθοδολογίας αυτής διεξάχθηκε μια εκτενής πειραματική διαδικασία, εξετάζοντας κάθε φορά διαφορετικές παραμέτρους του συστήματος. Για τα πειράματα αυτά χρησιμοποιήθηκε ένα σύνολο δεδομένων παρεχόμενο από την εταιρεία KKBox Inc., που περιλαμβάνει τα δεδομένα των χρηστών της υπηρεσίας που προσφέρει η εταιρεία, μια επιγραμμική υπηρεσία αναπαραγωγής μουσικής. Στο πλαίσιο της παρούσας διπλωματικής εργασίας περιγράφεται αναλυτικά αυτή η πειραματική διαδικασία, καθώς και τα συμπεράσματα στα οποία καταλήξαμε μέσα από την ανάλυση.	el
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Χρυσόστομος, Δούκας	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Σύνθεσης και Ανάπτυξης Βιομηχανικών Διαδικασιών (IV)	el
heal.academicPublisherID	ntua
heal.numberOfPages	117 σ.	el
heal.fullTextAvailability	false