Customer behavior prediction

Abstract

Ζούμε στην εποχή που η επιστήμη της μηχανικής μάθησης ανθίζει καθημερινά για να δώσει λύσεις σε κάθε είδους επιχειρησιακή ανάγκη. Οι ανάλυση δεδομένων έρχεται να δώσει απαντήσεις και κατευθύνσεις σε στρατηγικές που για πολλά χρόνια παίρνονταν εμπειρικά. Δύο είναι οι κύριοι παράγοντες που συμβάλουν στην ραγδαία εξέλιξη του κλάδου της ανάλυσης των επιχειρησιακών δεδομένων, ο μεγάλος όγκος πληροφορίας και η ταχύτητα στην επεξεργασία και την συλλογή. Πολλές είναι οι επιχειρήσεις που πλέον στήνουν στρατηγικές και λειτουργούν βάσει της επιστήμης των δεδομένων. Στην παρούσα διατριβή προσπαθούμε να προσεγγίσουμε την λύση μιας ρεαλιστικής επιχειρησιακής ανάγκης. Πιο αναλυτικά, χρησιμοποιώντας την γλώσσα προγραμματισμού Python, μέσα από μία ακολουθία ενεργειών που έχει πραγματοποιήσει ένας πελάτης, επιχειρούμε με τεχνικές μηχανικής μάθησης και βαθιάς μάθησης να προβλέψουμε την επόμενη ενέργεια του και να προσδιορίσουμε αν ο συγκεκριμένος πελάτης πρόκειται να εγκαταλείψει την υπηρεσία/προϊόν. Σύμφωνα με τααποτελέσματα της μελέτης, γίνεται φανερό ότι η εκπαίδευση μοντέλων για πρόβλεψη της συμπεριφοράς του πελάτη μέσα από την ακολουθία των προηγούμενων ενεργειών του γύρω από μια υπηρεσία/προϊόν, μπορεί να οδηγήσει σε αποτελεσματικές στρατηγικές πωλήσεων και στοχευμένες προωθητικές ενέργειες. Για την υλοποίηση της εφαρμογής, χρησιμοποιήθηκαν εργαλεία όπως, οι γλώσσα R και το RStudio για την συλλογή δεδομένων και την μετατροπή τους σε μορφή εύκολης και άμεσης επεξεργασίας για τα μοντέλα. Τα μοντέλα είναι στημένα με Python, και πιο συγκεκριμένα έγινε χρήση της βιβλιοθήκης Tensorflow2, Keras και της μεθόδου νευρωνικών δικτύων LSTM. Σαν editor χρησιμοποιήσαμε το Google Collab για λόγους που θα αναπτύξουμε παρακάτω. Τέλος, γίνεται λόγος για την οπτικοποίηση των αποτελεσμάτων με χρήση web app μέσω της βιβλιοθήκης Streamlit της Python.