Application of Machine Learning Techniques on Traffic Data for Customer’s Segmentation, Churn Prediction and Customer’s Lifetime Value Evaluation

Abstract

Στο κλάδο των επιχειρήσεων, η διατήρηση και απόκτηση νέων πελατών αποτελούν έναν από τους σημαντικότερους τομείς ανάπτυξης για μια κερδοφόρα μελλοντική πορεία. Για να το κάνει αυτό, μια επιχείρηση χρειάζεται να διαθέτει μετρικές όπως ο προσδιορισμός την αξίας των πελατών έτσι ώστε να έχει πληρέστερη εικόνα για τη δυναμική και τη κατανομή του πελατειακού κοινού της, να εφαρμόζει κατάλληλους διαχωρισμούς των τελευταίων βάσει των αναγκών του αλλά και της ίδιας, όπως επίσης και να χρησιμοποιεί μοντέλα πρόβλεψης για πιθανή μελλοντική διακοπή της σχέσης τους. Έτσι, η ανάγκη για ένα συστηματικό τρόπο αξιολόγησης αποφάσεων που αφορούν σχέσεις εταιρίας-πελατών και περικλείουν τις παραπάνω ενέργειες, οδηγεί στην υιοθέτηση συστημάτων Διαχείρισης Πελατειακών Σχέσεων. Ο στόχος της παρούσας διπλωματικής εργασίας ήταν η ανάπτυξη μέρους ενός συστήματος Διαχείρισης Πελατειακών Σχέσεων για δεδομένα που αφορούσαν χρήστες ηλεκτρονικού εισιτηρίου σε οδικά δίκτυα. Πιο συγκεκριμένα το σύστημα αυτό συλλέγει, επεξεργάζεται, αναλύει δεδομένα χρηστών της Α.Ε. Αττικές Διαδρομές και εφαρμόζοντας σε αυτά τεχνικές αλγορίθμων μηχανικής μάθησης, εξειδικεύεται στο προσδιορισμό των εξής τριών μεγεθών: Στην τμηματοποίηση των πελατών με χρήση 2 μεθόδων και σύγκριση τους, στη πρόβλεψη μετάπτωσης πελατών σε αδράνεια βάσει επιλογής κατάλληλου αλγορίθμου μηχανικής μάθησης και τέλος, στο προσδιορισμό της αξίας των πελατών, διαδικασία η οποία χρησιμοποιεί στοιχεία από ανάλυση επιβίωσης αλλά και τις προηγούμενες διαδικασίες.