В случае с моделью оттока клиентов Mega Telco необходимы усилия по оптимизации, чтобы получить более высокие оценки и, следовательно, повысить эффективность прогнозирования и повысить ценность бизнеса. Организации пытаются создать алгоритмы, которые позволят им предсказать, какие клиенты с наибольшей вероятностью изменятся, и принять соответствующие меры (Клепак, 2014; Ю и др., 2018). Чтобы определить сценарии потенциальных клиентов, в которых можно предотвратить отток клиентов, требуется высокая точность, поскольку доходы клиентов защищены, что должно компенсировать расходы на соответствующие инициативы по удержанию клиентов.

Успешное регулирование оттока клиентов с помощью простого ценностного подхода «да» или «нет» кажется неправильной моделью, потенциально приводящей к дисбалансу данных. Методика прогнозирования категориальных переменных с помощью двоичной классификации, при которой выходные данные ограничиваются двумя классами, имеет множество ограничений и недостатков (Farhaoui, 2020). Хотя он очевиден и прост для понимания, он не может эффективно функционировать, когда сигнал данных слаб по сравнению с сигналом дисбаланса классов (Провост и Фосетт, 2013). У него нет возможности выразить сомнение в отношении конкретного прогноза. Производительность модели машинного обучения снижается из-за несбалансированного распределения классов (Сантарам и Кришнан, 2020). В результате для решения проблемы следует использовать повышающую или понижающую дискретизацию. Если не прибегать к повышению или понижению дискретизации, уровень ошибок может быть чрезвычайно чувствителен к ложноположительным или ложноотрицательным результатам (Туркмен и др., 2020). Еще одним потенциальным соображением является перекрестная проверка и проверка различных параметров, что повышает точность процесса и позволяет добавлять больше взаимоисключающих параметров и наборов данных (Lalwani et al., 2022).

Следует принять во внимание дополнительные вероятностные соображения. Хотя модель более или менее подходит для анализа и таргетирования оттока, дополнительные исследования помогут структурировать и сократить отток. В этом примере набор данных временных рядов, содержащий всю информацию о клиентах за период до двух лет, будет полезен для применения моделей предметной области временных рядов, таких как модели ARIMA (Lim и Zohren, 2021). Это приведет к более точным результатам, а также к возможности перекрестной проверки на более крупной сцене.

Еще одним фактором, который следует учитывать, являются ограничения исследования, которые повлияли на результаты. Хотя объема наблюдений достаточно, необходимы другие наборы данных, такие как географическое положение клиентов и информация о конкуренции (Lalwani et al., 2022). В этом случае лучшей стратегией является определение набора данных временных рядов, охватывающего все данные о клиентах за период до двух лет, чтобы достичь наилучших результатов для прогнозирования и вынесения рыночных суждений в будущем. Дополнительную информацию из результата можно извлечь из этих дополнительных наборов данных. Поскольку модель настолько зависит от простоты интерпретации, для повышения точности можно использовать нейронные сети или сильное усиление градиента (De Caigny et al., 2020).

Список литературы

Де Каньи А., Куссеман К., Де Бок К.В. и Лессманн С. (2020) «Включение текстовой информации в модели прогнозирования оттока клиентов на основе сверточной нейронной сети», Международный журнал прогнозирования, 36 (4), стр. 1563-1578.

Фархауи, редактор Ю., 2020. Большие данные и сетевые технологии. Международное издательство Спрингер.

Клепак, редактор G., 2014. Разработка моделей оттока с использованием методов интеллектуального анализа данных и анализа социальных сетей. IGI Global.

Лалвани П., Мишра М.К., Чадха Дж.С. и Сетхи П. (2022) «Система прогнозирования оттока клиентов: подход машинного обучения», Computing, 104(2), стр. 271–294.

Лим Б. и Зорен С. (2021) «Прогнозирование временных рядов с помощью глубокого обучения: обзор», Philosophical Transactions of the Royal Society, 379 (2194), стр. 202–209.

Провост Ф. и Фосетт Т., 2013. Наука о данных для бизнеса: что вам нужно знать об интеллектуальном анализе данных и аналитическом мышлении. «О’Рейли Медиа, Инк.».

Сантарам А. и Кришнан С.Б. (2018) «Обзор методов прогнозирования оттока клиентов», Международный исследовательский журнал техники и технологий, 5 (11), стр. 13–16.

Туркмен А., Бахчеван К.А., Алханафсе Й. и Карабийик Э. (2020) «Анализ поведения пользователей и прогнозирование оттока пользователей в интернет-провайдерах», Новые тенденции и проблемы, материалы о достижениях в области чистых и прикладных наук, 2 (12), стр. 57-67.

Ю, Р., Ан, X., Джин, Б., Ши, Дж., Мов, О.А. и Лю, Ю. (2018) «Сеть BP на основе оптимизации классификации частиц для прогнозирования оттока клиентов в сфере телекоммуникаций», Neural Computing and Applications , 29(3), стр. 707-720.