Πρόβλεψη αποχώρησης πελατών με χρήση αλγορίθμων Μηχανικής ΜάθησηςΠρόβλεψη αποχώρησης πελατών με χρήση αλγορίθμων Μηχανικής ΜάθησηςCustomer churn prediction using Machine Learning algorithms Διπλωματική Εργασία Diploma Work 2022-05-042022elΟι αλγόριθμοι Μηχανικής Μάθησης (Machine Learning) εφαρμόζονται όλο και περισσότερο σε διάφορους τομείς, όπως σε αυτούς της βιομηχανίας, της ιατρικής και της αστρονομίας για την εξόρυξη δεδομένων (data mining) από σύνθετες βάσεις (datasets). Στην παρούσα εργασία θα εφαρμοστούν μερικοί από αυτούς τους αλγορίθμους σε μία βάση δεδομένων των πελατών μιας επιχείρησης. Το dataset που θα χρησιμοποιηθεί, προέρχεται από τη βιβλιοθήκη Kaggle και περιλαμβάνει 64.000 καταχωρήσεις πελατών. Οι μεταβλητές του dataset αφορούν τις αγοραστικές συνήθειες κάθε πελάτη, τις ενδεχόμενες παροχές και προσφορές που έχουν λάβει από την επιχείρηση αλλά και το αν συνεχίζουν να ανήκουν στο πελατολόγιο της ή όχι (conversion rate). Το πρόγραμμα που θα χρησιμοποιηθεί για τις αναλύσεις είναι το Weka (έκδοση 3.8.5) που αναπτύχθηκε στο πανεπιστήμιο του Waikato της Νέας Ζηλανδίας. Είναι ένα ελεύθερο λογισμικό που περιλαμβάνει διάφορους αλγορίθμους Μηχανικής Μάθησης που εφαρμόζονται για την ανάλυση και εξόρυξη δεδομένων. Αρχικά, θα εκπαιδευτεί ένας ταξινομητής (classifier) για την πρόβλεψη της συμπεριφοράς πελατών της επιχείρησης ως προς την αφοσίωση και την εμπιστοσύνη που θα δείξουν γιια τις μελλοντικές τους συναλλαγές, ο οποίος θα επιλεχθεί μέσα από μια συγκριτική αξιολόγηση (benchmarking) αλγορίθμων επιτηρούμενης μάθησης ως προς την ακρίβεια και ποιότητα των αποτελεσμάτων, με σκοπό να βρεθεί ο αλγόριθμος με τον καλύτερο συνδυασμό παραμέτρων. Στη συνέχεια, επιχειρείται ένας διαχωρισμός των πελατών σε δύο κατηγορίες, αυτούς που συνεχίζουν τις συναλλαγές τους με την επιχείρηση και αυτούς που αποχώρησαν (churners). Σε κάθε μία από τις ομάδες θα εφαρμοστούν αλγόριθμοι ομαδοποίησης και εξαγωγής κανόνων συσχέτισης για να εντοπιστούν μοτίβα και κοινά χαρακτηριστικά μεταξύ των πελατών που να εξηγούν και να δικαιολογούν τη φυγή τους ή όχι. Στην ομαδοποίηση (clustering), θα γίνει ο διαχωρισμός του δείγματος σε ομάδες με χρήση του αλγορίθμου k-means, όπου τα στοιχεία της μιας ομάδας είναι όσο το δυνατόν πιο όμοια μεταξύ τους και όσο το συνατόν πιο διαφορετικά από τις υπόλοιπες ομάδες για να υπάρξει μια ξεκάθαρη κατηγοριοποίηση. Η εξαγωγή κανόνων συσχέτισης (association rules) είναι μία μέθοδος για την ανακάλυψη ενδιαφέρων σχέσεων μεταξύ μεταβλητών σε μεγάλες βάσεις δεδομένων. Με αυτό τον τρόπο εντοπίζονται κοινές συνήθειες των πελατών που ανάλογα με τη συχνότητα που εμφανίζονται οδηγούν σε χρήσιμα συμπεράσματα. Τελικός στόχος είναι να βρεθεί το προφίλ των πελατών που είναι πιο πιθανό να αποχωρήσουν από την επιχείρηση, να αναλυθεί, για να εφαρμοστούν μέθοδοι στοχευμένου μάρκετινγκ προκειμένου να καταφέρει η επιχείρηση να κρατήσει τους πελάτες αυτούς κοντά της, αλλά και ενδεχομένως να ανταμείψει το προφίλ πελατών που επιδεικνύουν συνέπεια και αφοσίωση. http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και ΔιοίκησηςChaintoutis_Vaios_Dip_2022.pdfChania [Greece]Library of TUC2022-05-04application/pdf1.3 MBfree Chaintoutis Vaios Χαιντουτης Βαιος Tsafarakis Stelios Τσαφαρακης Στελιος Doumpos Michail Δουμπος Μιχαηλ Krasadaki-Mitsotaki Evangelia Κρασαδακη-Μητσοτακη Ευαγγελια Πολυτεχνείο Κρήτης Technical University of Crete Machine learning Customer churn Customer loyalty Στοχευμένο μάρκετινγκ