ANÁLISE DO DESEMPENHO DE HIPERPARÂMETROS DE APRENDIZAGEM DE MÁQUINA APLICADOS NA PREVISÃO DA TAXA DE ROTATIVIDADE DE CLIENTES
Carregando...
Arquivos
Data
2023-07
Autores
Orientador
Franzen, Evandro
Banca
Diemer, Mouriac Halen
Dertzbacher, Juliano
Título do periódico
ISSN
Título do Volume
Editor
Resumo
Hoje em dia, com as novas formas de venda e as mudanças nos comportamentos dos consumidores, as empresas fornecedoras de serviços estão tendo que focar muito mais na fidelização dos seus clientes, pois acaba sendo menos custoso do que conquistar um novo, sendo que fazer uso da tecnologia acaba auxiliando e muito as organizações na estruturação das suas informações e na busca por um diferencial competitivo no mercado. Neste sentido, a prendizagem de máquina muito eficaz na tentativa de prever uma possível evasão de determinado cliente, pois ela fornece inúmeros métodos que, quando trabalhados de forma correta, entregam um bom resultado na predição proposta. Tendo em vista este cenário, o presente trabalho visa realizar a predição da taxa de rotatividade de clientes de três conjuntos de dados, de organizações prestadoras de serviços, fazendo uso dos métodos de aprendizagem Floresta Aleatória, Árvore de Decisão, MVS, MLP e AutoML. Além disso, tem por objetivo analisar a eficiência de diferentes hiperparâmetros aplicados a estes métodos. Neste caso, cada um dos conjuntos de dados passou por um processo que consistiu na coleta dos mesmos, no pré-processamento dos dados, na aplicação dos métodos de aprendizagem de máquina, com e sem personalização de hiperparâmetros, e na avaliação dos métodos. Assim sendo, o método Floresta Aleatória, dentre os utilizados nos trabalhos, apresentou as melhores performances, sendo o melhor em todas as formas em que foi aplicado.
Nowadays, with the new forms of sale and changes in consumer behavior, service providers are having to focus much more on customer loyalty, as it ends up being less costly than winning a new one, and making use of technology ends up helping organizations a lot in structuring their information and in the search for a competitive advantage in the market. In this sense, machine learning is very effective in trying to predict a possible evasion of a particular customer, as it provides numerous methods that, when worked correctly, deliver a good result in the proposed prediction. In view of this scenario, the present work aims to predict the customer churn rate of three data sets, from service providing organizations, using the Random Forest, Decision Tree, MVS, MLP and AutoML learning methods. In addition, it aims to analyze the efficiency of different hyperparameters applied to these methods. In this case, each of the data sets went through a process that consisted of collecting the data, pre-processing the data, applying the machine learning methods, with and without hyperparameter customization, and evaluating the methods. Thus, the Random Forest method, among those used in the works, presented the best performances, being the best in all the forms in which it was applied
Nowadays, with the new forms of sale and changes in consumer behavior, service providers are having to focus much more on customer loyalty, as it ends up being less costly than winning a new one, and making use of technology ends up helping organizations a lot in structuring their information and in the search for a competitive advantage in the market. In this sense, machine learning is very effective in trying to predict a possible evasion of a particular customer, as it provides numerous methods that, when worked correctly, deliver a good result in the proposed prediction. In view of this scenario, the present work aims to predict the customer churn rate of three data sets, from service providing organizations, using the Random Forest, Decision Tree, MVS, MLP and AutoML learning methods. In addition, it aims to analyze the efficiency of different hyperparameters applied to these methods. In this case, each of the data sets went through a process that consisted of collecting the data, pre-processing the data, applying the machine learning methods, with and without hyperparameter customization, and evaluating the methods. Thus, the Random Forest method, among those used in the works, presented the best performances, being the best in all the forms in which it was applied
Descrição
Palavras-chave
Aprendizagem de Máquina; Hiperparâmetros; Python; Rotatividade de Clientes; Machine Learning; Hyperparameters; Customer Churn
Citação
GNOATTO, Renan. ANÁLISE DO DESEMPENHO DE HIPERPARÂMETROS DE APRENDIZAGEM DE MÁQUINA APLICADOS NA PREVISÃO DA TAXA DE ROTATIVIDADE DE CLIENTES. 2023. Monografia (Graduação em Sistemas de Informação) – Universidade do Vale do Taquari - Univates, Lajeado, 06 jul. 2023. Disponível em: http://hdl.handle.net/10737/3847.