haku: @keyword random forests / yhteensä: 2
viite: 2 / 2
« edellinen | seuraava »
Tekijä: | Ylilammi, Kimi |
Työn nimi: | Customer Churn Modeling Using Sales System Data |
Asiakaspoistuman mallintaminen myyntipäätedatalla | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2014 |
Sivut: | [13] + 80 Kieli: eng |
Koulu/Laitos/Osasto: | Matematiikan ja systeemianalyysin laitos |
Oppiaine: | Sovellettu matematiikka (Mat-2) |
Valvoja: | Salo, Ahti |
Ohjaaja: | Ta, Hung |
Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201507013687 |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto 1044 | Arkisto |
Avainsanat: | churn modeling random forests Finnish National Opera continuous variable prediction sales system data asiakaspoistuman mallintaminen Suomen Kansallisooppera jatkuvien muuttujien ennustaminen myyntipäätedata |
Tiivistelmä (fin): | Koska uusien asiakkaiden hankinta on merkittävästi kalliimpaa ja haastavampaa kuin niiden säilyttäminen, yritysten on huolehdittava nykyisistä asiakkaistaan paremmin välttyäkseen heidän menettämiseltään. Toimenpiteitä tulisi kohdistaa erityisesti tyytymättömiin asiakkaisiin, jotka ovat aikeissa jättää yrityksen. Tässä työssä tutkitaan Suomen Kansallisoopperan asiakaskäyttäytymistä ja ennustetaan, ostaako asiakas lippuja myös seuraavana vuonna vai ei. Tämän lisäksi asiakkaiden käyttäytymisestä ennustetaan muuttujia, kuten kuinka monta lippua he ostavat seuraavana vuonna. Nämä tarkentavat ennusteet on tarkoitettu lisäämään toimenpiteiden tehokkuutta tekemällä markkinointiviestinnästä henkilökohtaisempaa. Työssä kehitetään Kansallisoopperan asiakaskäyttäytymistä kuvaava random forest -malli ja vertaillaan sitä muihin yleisesti käytettyihin menetelmiin. Mallit hyödyntävät vain Suomen Kansallisoopperan myyntipäätejärjestelmästä kerättyä tietoa muodostaessaan ennusteita. Analyysin perusteella random forest -malli ennustaa paremmin asiakaspoistumaa ja useimpia muita muuttujia kuin muut mallit. Se ennustaa parhaiten muuttujaa, joka kertoo, kuinka monta päivää aikaisemmin asiakkaat ostavat lippunsa. Malli kykenee ennustamaan poistumaa samalla tarkkuudella riippumatta asiakasryhmästä. Menetettäviksi tunnistetut asiakkaat myös hyvin todennäköisesti menetetään, joskin säilyviksi ennustettujen osalta tarkkuus on heikompi. |
Tiivistelmä (eng): | Acquiring new customers is more expensive and challenging than retaining existing customers. Therefore, companies should take care of their existing customers in order to retain them. These so-called retaining actions should only be used for unsatis ed customers who are about to transfer their business somewhere else. In this thesis we analyze the Finnish National Opera's (FNO) customers and develop a model to identify churning customers. Furthermore, additional continuous variables are predicted from the customers, e.g. the number of tickets purchased next year. These additional predictions are intended to further increase the efficiency of retaining actions by being able to personalize and more accurately target individual customer needs. A random forest model is developed and benchmarked to other popular models in churn modeling. All the models are built using the FNO's sales system data. Random forests outperform other models in churn modeling and in most of the continuous variable prediction problems. The random forest model has high accuracy when used for churn modeling, but its performance is poorer when predicting continuous variables. Our model is the most accurate when predicting how many days in advance customers purchase their tickets. The churn model is able to predict the churn of all customers with equal accuracy, and while it is accurate in identifying churners, it is not able to find all of them |
ED: | 2014-06-16 |
INSSI tietueen numero: 49212
+ lisää koriin
« edellinen | seuraava »
INSSI