Πρόβλεψη αποχώρησης πελατών από πολυκαναλικά δεδομένα CRM με τη χρήση μοντέλων βαθιάς μάθησης και αρχιτεκτονικών προσοχής

Abstract

Αντικείμενο της παρούσας πτυχιακής εργασίας είναι η μελέτη, η ανάπτυξη και η σύγκριση προηγμένων μοντέλων Βαθιάς Μάθησης (Deep Learning) με σκοπό την πρόβλεψη της αποχώρησης πελατών (Customer Churn Prediction). Στον σύγχρονο επιχειρηματικό κόσμο, η διατήρηση των υπαρχόντων πελατών είναι ζωτικής σημασίας, καθώς η απόκτηση νέων κοστίζει σημαντικά περισσότερο. Για τον λόγο αυτό, οι εταιρείες αναζητούν έξυπνους τρόπους ώστε να αναγνωρίζουν έγκαιρα ποιοι καταναλωτές δείχνουν σημάδια μειωμένου ενδιαφέροντος, με σκοπό να τους προσφέρουν κίνητρα για να παραμείνουν. Για τις ανάγκες της εργασίας, χρησιμοποιήθηκαν πραγματικά και σύνθετα επιχειρηματικά δεδομένα από ένα Omnichannel CRM σύστημα (δεδομένα πελατών, online παραγγελίες, αλληλεπιδράσεις με την εξυπηρέτηση πελατών, ιστορικό συσκευών, χρήση κουπονιών και email καμπάνιες). Αντί για μια στατική ανάλυση των δεδομένων αυτών, η συγκεκριμένη προσέγγιση εστιάζει στη χρονική εξέλιξη της συμπεριφοράς του κάθε πελάτη. Στο πλαίσιο αυτό, σχεδιάστηκε και υλοποιήθηκε μια ολοκληρωμένη διαδικασία προεπεξεργασίας δεδομένων, η οποία μετέτρεψε το διάσπαρτο ιστορικό ενεργειών των χρηστών σε δομημένες χρονικές ακολουθίες (sequences) σταθερού μήκους. Πάνω σε αυτές τις χρονικές ακολουθίες εκπαιδεύτηκαν και συγκρίθηκαν τρεις διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων: 1. Τα δίκτυα LSTM (Long Short-Term Memory), τα οποία εξειδικεύονται στην απομνημόνευση μακροπρόθεσμων εξαρτήσεων σε ακολουθίες δεδομένων. 2. Τα δίκτυα GRU (Gated Recurrent Unit), που αποτελούν μια πιο απλή και υπολογιστικά ελαφρύτερη παραλλαγή των LSTM. 3. Τα μοντέλα Transformer, τα οποία χρησιμοποιούν τον μηχανισμό πολλαπλής προσοχής (Multi-Head Attention) και αποτελούν την τεχνολογία αιχμής στη σύγχρονη Τεχνητή Νοημοσύνη. Τα μοντέλα αξιολογήθηκαν και συγκρίθηκαν με βάση καθιερωμένες μετρικές της Επιστήμης Δεδομένων, όπως η ακρίβεια (Accuracy), η πιστότητα (Precision), η ανάκληση (Recall), το F1- Score και η καμπύλη AUC-ROC. Τα αποτελέσματα της έρευνας έδειξαν ότι η χρήση χρονικών ακολουθιών επιτρέπει στα νευρωνικά δίκτυα να εντοπίζουν μοτίβα σταδιακής αποστασιοποίησης των πελατών. Η τελική σύγκριση αναδεικνύει τα πλεονεκτήματα και τα μειονεκτήματα της κάθε αρχιτεκτονικής, προσφέροντας χρήσιμα συμπεράσματα τόσο σε επιστημονικό όσο και σε πρακτικό επιχειρηματικό επίπεδο για την εφαρμογή τέτοιων συστημάτων στην αγορά.