Дослідження методів машинного навчання та їх застосування для прогнозування відтоку користувачів телекомунікаційних послуг
DOI: 10.31673/2412-9070.2020.042231
Анотація
Досліджено проблему відтоку клієнтів телекомунікаційних компаній: закордонних та українських. Визначено, що доречним є використання компаніями інформаційних систем, які дають можливість спрогнозувати поведінку користувача послуг та попередити компанію у разі наявності ризиків. Встановлено, що закордонні компанії більш прогресивні щодо досліджень та утримання клієнтів. В українських компаніях інструменти дослідження неструктурованих даних є застарілими. З метою розширення інструментарію українських компаній було проаналізовано напрацювання закордонних науковців. У процесі оброблення великої кількості інформації для побудови коротко- та середньострокових прогнозів поведінки споживачів доречним є вироблення моделей поведінки користувачів та використання методів машинного навчання. Обґрунтовано, що науковці надають перевагу методу випадкового лісу. Проаналізовано методи машинного навчання: сформульовано їх переваги та недоліки. Досліджено характеристики методу випадкового лісу. Визначено, що подальшими удосконаленнями в даній сфері можуть бути композиції алгоритмів. Досліджено метод композиції алгоритмів — бустинг. Розкрито його переваги та недоліки, а також особливості даного методу. Визначено етапи побудови моделі для створення прогнозу. На основі проаналізованої літератури щодо відтоку користувачів окреслено пропозиції, які можуть зменшити скорочення їх кількості. Запропоновано пріоритетні напрямки подальших досліджень, що стосуються оптимізаційних задач методів машинного навчання, зокрема в умовах невизначених факторів.
Ключові слова: відтік користувачів; моделювання; методи машинного навчання; бустинг; неструктуровані дані.
Список використаної літератури
1. Condamoor Ravi Building Predictive Models for Customer Churn in Telecom. URL: https://www.experfy.com/blog/building-predictive-models-for-customer-churn-in-telecom.
2. Canale A., Lunardon N. Churn prediction in telecommunications industry. A study based on bagging classifiers telecom // Carlo Alberto Notebooks, 2014. Vol. 350. P. 1–11. URL: https://www.carloalberto.org/assets/working-papers/no.350.pdf.
3. Khan A. A., Sanjay J., Sepehri M. M. Applying data mining to customer churn prediction in an Internet
service provider // Int. J. Comput. Appl. 2010. Vol. 9, No. 7. P. 8–14. URL: http:// www.ijcaonline.org/volume9/number7/pxc3871889.pdf.
4. Telecom Churn Analysis. URL: https://towardsdatascience.com/customer-churn-analysis-4f77cc70b3bd
5. Neal A. Akyildirim Brief Overview of Customer Churn Analysis and Prediction with Decision Tree Classifier. URL: http://rstudio-pubs-static.s3.amazonaws.com/277278_427ca6a7ce7c4eb688506efc7a6c2435.html
6. Скоринговое моделирование финансовых потоков от взыскания / Т. И. Григорчук, З. В. Максименко, Л. Ф. Розанова, Г. Р. Бикбулатова // Нефтегазовое дело: електрон. версія журн. 2015. № 5. С. 630–655.
7. Воронцов. Курс «Машинное обучение» 2019 (Школа анализа данных). URL: https://ya-r.ru/2020/05/07/vorontsov-kurs-mashinnoe-obuchenie-2019-shkola-analiza-dannyh/
