Customer behavior prediction

Μακρανδρέου, Ευθύμιος; Makrandreou, Efthymios

dc.contributor.advisor	Σωτηρόπουλος, Διονύσιος
dc.contributor.advisor	Sotiropoulos, Dionisios
dc.contributor.author	Μακρανδρέου, Ευθύμιος
dc.contributor.author	Makrandreou, Efthymios
dc.date.accessioned	2023-02-20T09:43:31Z
dc.date.available	2023-02-20T09:43:31Z
dc.date.issued	2023-01
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/15143
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/2565
dc.description.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.	el
dc.format.extent	65	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Customer behavior prediction	el
dc.title.alternative	Μοντέλα πρόβλεψης συμπεριφοράς καταναλωτή	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	As the science of Machine Learning evolves, it is a fact that finds the answers to many business needs. The huge amount of data, the fast way of collection and the fast processes of analysis are the main triggers to this. Day by day, a lot of companies already realize the power of data analytics. The subject of this dissertation is the behavioral prediction of a customer around a product/service, taking into consideration the sequence of activities of the customer on it. Briefly, we are trying to predict customer’s the next activity and churn alert flag through a sequence of activities using the python programming language. The results show that deep learning techniques can guide companies to new strategies and create targeting campaigns of communication or sale. We used many tools and methods to implement this thesis. First, we used R and RStudio to fetch the necessary first party data and to transform them more easily to the desired structure. The main work is done using python, and more specifically, we focused on Tensorflow2, Keras libraries and we used the LSTM technique. At the end, we mention the importance of visualization and we try to implement a web app to serve the results of the model with an easy and self-service way to the possible stakeholders. As of conclusion, we talk about the output of each experiment and mention some thoughts for future work.	el
dc.contributor.master	Πληροφορική	el
dc.subject.keyword	Deep learning	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Customer behavior	el
dc.subject.keyword	Prediction	el
dc.subject.keyword	Sequence to sequence	el
dc.subject.keyword	Python	el
dc.subject.keyword	TensorFlow2	el
dc.subject.keyword	Neural network	el
dc.subject.keyword	LSTM	el
dc.subject.keyword	Keras	el
dc.subject.keyword	Churn	el
dc.subject.keyword	Classification	el
dc.subject.keyword	CX	el
dc.date.defense	2023-01-23

Αρχεία σε αυτό το τεκμήριο

Name:: Makrandreou_20045.pdf
Μέγεθος:: 1.462Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα