dc.contributor.advisor | Κούτρας, Μάρκος | |
dc.contributor.author | Βαρελάς, Νικολαος | |
dc.date.accessioned | 2019-09-02T09:10:40Z | |
dc.date.available | 2019-09-02T09:10:40Z | |
dc.date.issued | 2019-07-31 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12122 | |
dc.description.abstract | Η παρούσα διπλωματική έχει ως θέμα τη πρόβλεψη του ρυθμού απώλειας και την συνολική αξία πελάτη. Τα τελευταία χρόνια πολλές επιχειρήσεις έχουν στη διάθεση τους τεράστιο όγκο δεδομένων. Τα δεδομένα αυτά μπορούν να χρησιμοποιηθούν για την δημιουργία προβλέψεων για τον ρυθμό απώλειας και συνολική αξίας πελάτη. Ωστόσο οι κλασσικές μέθοδοι που χρησιμοποιούνται μέχρι σήμερα αδυνατούν να εκμεταλλευτούν τον μεγάλο όγκο δεδομένων που είναι διαθέσιμος σήμερα.
Στόχος της εργασίας είναι αρχικά η θεωρητική περιγραφή των σύγχρονων μοντέλων μηχανικής μάθησης και έπειτα η εφαρμογή των μοντέλων σε πραγματικά δεδομένα. Συγκεκριμένα στο πρώτο κεφάλαιο γίνεται μία αναφορά στην σημασία της πρόβλεψης του ρυθμού απώλειας, συνολικής αξίας πελάτη και κλασσικές τεχνικές που χρησιμοποιούνται σήμερα. Στα επόμενα τρία γίνεται περιγραφή μοντέλων κατηγοριοποίησης, παλινδρόμησης και τεχνικές μείωσης διαστάσεων. Στο πέμπτο κεφάλαιο κατασκευάζονται μεταβλητές με σκοπό την πρόβλεψη ρυθμού απώλειας, συνολικής αξίας πελάτη, γίνεται επιλογή των σημαντικότερων και εφαρμόζονται όλες οι τεχνικές που περιγράφηκαν σε προηγούμενες ενότητες. Η σύγκριση των τεχνικών για τον ρυθμό απώλειας έγινε χρησιμοποιώντας το κριτήριο AUC και για την συνολική αξία πελάτη το κριτήριο RMSE. Το υπόδειγμα της Λογιστικής Παλινδρόμησης απέφερε τα καλύτερα αποτελέσματα για την πρόβλεψη του ρυθμού απώλειας πελάτη. Το υπόδειγμα LightGBM είχε καλύτερη προσαρμογή από ότι η τεχνική Random Forest το οποίο επιβεβαιώνει την χρησιμότητας της. | el |
dc.format.extent | 114 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Μέθοδοι μελέτης του ρυθμού απώλειας πελατών και της αξίας συνολικού χρόνου ζωής πελάτη | el |
dc.title.alternative | Techniques for studying churn and customer lifetime value | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | The subject of the present MSc Dissertation is the prediction of churn’s rate and customer’s life time value. In recent years many companies have at their disposal large amount of data. Those data can be used in order to make predictions about the churn’s rate and customer’s life time value. However, traditional methods that have been used until today cannot exploit the large volume of data been available today.
The aim of this thesis is firstly a theoretically description of the modern models machine learning and then apply these models on a real dataset. In particular, in the first chapter there is a mention in the importance of predicting churn rate, customer life time value and classic techniques used today. In the next three there is a description of classification , regression and dimensional reduction techniques. In the fifth chapter we construct variables to predict customer’s churn, life time value, select the most important ones and apply all the techniques described in previous sections. The comparison of customer’s churn rate was done using the AUC criterion and for the customer life time value the RMSE criterion. The logistic regression model produced the best results for predicting customer’s churn rate. The LightGBM model was better suited than the Random Forest technique that confirms its usefulness. | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Προβλέψεις | el |
dc.subject.keyword | Ρυθμός απώλειας | el |
dc.subject.keyword | Συνολική αξία χρόνου ζωής πελάτη | el |
dc.subject.keyword | Λογιστική παλινδρόμηση | el |
dc.subject.keyword | Γραμμικά μοντέλα | el |
dc.date.defense | 2019-03-28 | |