Научная статья на тему 'Анализ методов моделирования и прогнозирования оттока клиентов'

Анализ методов моделирования и прогнозирования оттока клиентов Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
2490
270
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ОТТОК КЛИЕНТОВ / CUSTOMER CHURN / АНАЛИЗ ДАННЫХ / DATA ANALYSIS / МАШИННОЕ ОБУЧЕНИЕ / MACHINE LEARNING

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Грищенко Дарья Алексеевна, Катаев Александр Вадимович

Cтатья посвящена актуальной проблеме для крупных компаний предотвращению оттока клиентов. Предсказывание оттока позволяет заблаговременно начать удержание клиентов, тем самым уменьшить количество пользователей, которые перестают пользоваться продуктами компании. Проанализированы методы машинного обучения, позволяющие извлекать информацию из накопленных данных для решения задач анализа и прогнозирования оттока клиентов. Рассмотрены возможности и особенности их применения, положительные и отрицательные стороны методов, сформулированы требования к дальнейшим исследованиям в этой области.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Анализ методов моделирования и прогнозирования оттока клиентов»

4. Sap Documentation, Personnel Development. [Электронный ресурс]. Режим доступа: https://help.sap.com/saphelp_erp60_sp/helpdata/en/02/ffc95360267514e10000000a174cb4/frames et.htm/ (дата обращения: 10.04.18).

5. Вялова Е.П. Интеллектуализация управления развитием персонала организации на основе компетенций и когнитивного моделирования // Автореф. канд. экон. наук: 05.13.01. Воронеж, 2008.

6. Уиддет С., Холлифорд С. Руководство по компетенциям // Пер. с англ. М.: HIPPO, 2008.

7. Построение системы компетенций в компании: Методическое пособие // Приложение к журналу «Справочник по управлению персоналом». М. ЗАО «МЦФЭР», 2008.

8. HR510 Personnel Development and Performance Management // изд. SAP AG, 2007.

9. Арефьев А.О., Баженов А.Д. Управление компетенцией и ротация человеческих ресурсов проектно-ориентированного предприятия. [Электронный ресурс]. Режим доступа: https://iteam.ru/publications/project/section_39/article_2499/ (дата обращения: 02.04.18).

10. ГОСТ 33244-2015 (ISO/IEC TR 24763:2011) Информационные технологии (ИТ). Обучение, образование и подготовка. Концептуальная эталонная модель компетенции и связанных объектов // М.: Стандартинформ, 2016.

АНАЛИЗ МЕТОДОВ МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ

ОТТОКА КЛИЕНТОВ Грищенко Д.А.1, Катаев А.В.2 Email: [email protected]

'Грищенко Дарья Алексеевна — магистрант;

2Катаев Александр Вадимович - кандидат технических наук, доцент, кафедра систем автоматизированного проектирования и поискового конструирования, Волгоградский государственный технический университет, г. Волгоград

Аннотация: статья посвящена актуальной проблеме для крупных компаний — предотвращению оттока клиентов. Предсказывание оттока позволяет заблаговременно начать удержание клиентов, тем самым уменьшить количество пользователей, которые перестают пользоваться продуктами компании. Проанализированы методы машинного обучения, позволяющие извлекать информацию из накопленных данных для решения задач анализа и прогнозирования оттока клиентов. Рассмотрены возможности и особенности их применения, положительные и отрицательные стороны методов, сформулированы требования к дальнейшим исследованиям в этой области. Ключевые слова: отток клиентов, анализ данных, машинное обучение.

ANALYSIS OF METHODS OF MODELLING AND FORECASTING OF

CUSTOMER CHURN Grishchenko DA.1, Kataev A.V.2

'Grishchenko Daria Alexeyevna — Undergraduate;

2Kataev Alexander Vadimovich - Candidate of Engineering Sciences, Associate Professor, DEPARTMENT OF SYSTEMS OF COMPUTER-AIDED DESIGN AND SEARCH DESIGN, VOLGOGRAD STATE TECHNICAL UNIVERSITY, VOLGOGRAD

Abstract: article is devoted to a current problem for the large companies — to preventing the outflow of clients. Predicting churn will allow to prepare for the process of customer retention. This will reduce the number of users who stop using campaign products. The methods of machine learning allowing to take information from the saved-up data to solve the problems of analysis and forecasting of outflow of clients are analyzed. The possibilities of improving the solutions in this field and development of the existing approaches are presented. Keywords: customer churn, data analysis, machine learning.

УДК 004.942

В большинстве компаний, где собирается большое количество данных, пригодных для анализа, применяются техники машинного обучения и интеллектуального анализа данных. Одним из популярных примеров использования машинного обучения в реальной жизни - это прогнозирование оттока клиентов. Прогнозированием и управлением оттоком клиентов занимаются телекоммуникационные компании, банки, страховые компании и другие. В условиях жёсткой

конкуренции, прогнозирование оттока клиентов с целью удержания становится одним из самых важных направлений в современном бизнесе.

Российские и иностранные компании (например, SAP, Microsoft, IBM, Yandex Data Factory и пр.) предоставляют как готовые инструменты для клиентской аналитики, так и разрабатывают индивидуальные решения под отдельных заказчиков. Крупнейшие банки, телеком-операторы, ритейлеры имеют в своем арсенале инструменты анализа больших данных и разрабатывают собственные решения по анализу и прогнозу оттока клиентов (например, МТС, Сбербанк, ВТБ24). Как правило, существующие разработки основаны на личностных данных клиента, а также на данных о его активности в компании: услуги и продукты, которыми он пользуется, история транзакционной активности, история обращений, информация о покупках и т.д. Полученные данные представляют собой большие массивы со структурированной и неструктурированной информацией, для анализа и выявления скрытых закономерностей, которых широко используется интеллектуальный анализ данных и основанные на нём методы машинного обучения [4].

Различные методы машинного обучения реализованы в программных продуктах российских и зарубежных компаний, таких как IBM (компьютерная программа IBM SPSS Modeler), StatSoft (статистический пакет Statistica), WizSoft (аналитическая система WizWhy), BaseGroup (аналитическая система Deductor), IntefralSolutions, Microsoft и др. Рассмотрим методы машинного обучения, применение которых возможно для моделирования оттока клиентов, их основные преимущества и недостатки и реализацию в существующих программных продуктах (таблица 1) [1-4].

Таблица 1. Анализ методов машинного обучения

Модели и методы Преимущества Недостатки Программные продукты

Бинарная регрессия Проста. Быстрополучаема. Хорошо интерпретируема. Широко применима. Достаточно точна. Обладает инструментами оценки качества моделей. Имеет трудности из-за нелинейности отношений между оттоком и влияющими на него факторами. Предсказываемый параметр, как правило, число из непрерывного диапазона. Deductor studio, SPSS Modeler, STATISTICA, SAS Enterprise Miner

Метод ^ ближайших соседей Прост. Хорошо интерпретируем. Высокая сложность одного прогноза. Проклятие размерности [5] . SAS Enterprise Miner

Модель выживаемости Способны работать с цензурированными данными и категориальными переменными. Возможность визуализации. Цензурированность данных уменьшает выборку, вследствие чего могут дать несостоятельные результаты. SPSS Modeler, STATISTICA, SAS Enterprise Miner

Нейронные сети Устойчивы к шумам. Решают задачи при неизвестных закономерностях. Переучиваются при изменении среды. Быстродейственны. Отказоустойчивы. Возможная неясность причин принятого решения. Отсутствие гарантии получения однозначных повторяемых результатов Deductorstudio, SPSS Modeler, STATISTICA, SAS Enterprise Miner

Поиск ассоциативных правил Находит простые и интуитивно понятные правила Выявление часто встречающихся наборов элементов требует больших вычислительных и временных ресурсов. Deductor studio, SPSS Modeler, STATISTICA, SAS Enterprise Miner

Случайный лес Эффективен при работе с данными с большим числом признаков и классов. Работает с непрерывными и дискретными признаками. Нечувствителен к монотонным преобразованиям. Склонен к переобучению в случае зашумленности данных. Большая размерность моделей. SPSSModeler, STATISTICA, SAS Enterprise Miner

Каждый из рассмотренных методов имеет свои ограничения и особенности также, как и преимущества использования. Стоит отметить, что нейронная сеть имеет ряд достоинств, такие как самообучение и устойчивость к зашумленным данным, но результаты не всегда могут быть

эффективными для прогнозирования оттока клиентов. Что касается случайных лесов решений, они эффективны в задачах классификации и кластеризации, что важно при моделировании оттока клиентов, однако модели имеют большую размерность данных. Наиболее широкие возможности для решения задачи моделирования оттока клиентов имеют модели выживаемости и бинарная регрессия, позволяющие определить факторы, влияющие на отток клиентов, и рассчитать риск наступления отказа клиента от услуг.

Совершенствование решений в данной области возможно за счет изменения глубины анализа, использования новых методов аналитики, а также развития комбинированных методов прогнозирования оттока клиентов. Наиболее часто применяемая модель выживаемости - регрессия Кокса (модель пропорциональных рисков), в общем случае прогнозирующая риск наступления события для рассматриваемого объекта и оценивающая влияние на этот риск независимых переменных, в случае с прогнозированием оттока клиентов, изучает изменение риска отказа клиента от услуги в зависимости от длительности пользования услугой и других характеристик клиента -объясняющих переменных. Бинарная регрессия используется для определения факторов, влияющий на отток клиентов и вычисления вероятности отказа от услуг [3]. Совместное применение данных методов позволит на основе исторических данных о клиентах определить кто, по какой причине, и с какой вероятностью склонен к оттоку в установленный временной промежуток.

Использование данной информации позволит эффективно распределять ресурсы компании на удержание клиентов, оптимизировать издержки по работе с клиентской базой и тем самым увеличить выручку.

Список литературы / References

1. Base Group Labs - технологии анализа данных. Статьи. [Электронный ресурс]. Режим доступа: https://basegroup.ru/community/articles/ (дата обращения: 15.03.2018).

2. Smetanina, O.N. Models of education quality estimation based on fuzzy Classification / O.N. Smetanina, Z.V. Maximenko, A.V. Klimova // ВестникУГАТУ, 2013. Т. 17. № 6 (59). С. 53-56.

3. Григорчук Т.И., Максименко З.В., Розанова Л.Ф., Бикбулатова Г.Р. Скоринговое моделирование финансовых потоков от взыскания // Электронный научный журнал «Нефтегазовое дело», 2015. № 5. С. 630-655.

4. Максименко З.В., Хафизова Р.К., Янышева Э.Р. К вопросу о моделировании и прогнозировании оттока клиентов // Начало в науке: материалы IV Международной научно-практической конференции школьников, студентов, магистрантов и аспирантов.Уфа: АЭТЕРНА, 2017. С. 134-136.

5. Bellman Richard Ernest. Adaptive control processes: a guided tour. Princeton University Press, 1961.

РАЗРАБОТКА ЭНЕРГЕТИЧЕСКИ ЭФФЕКТИВНОГО СПОСОБА УТИЛИЗАЦИИ КОНВЕРТЕРНОГО ГАЗА Стародубцев П.Г. Email: [email protected]

Стародубцев Павел Геннадьевич — аспирант, кафедра промышленной теплоэнергетики, Липецкий государственный технический университет, г. Липецк

Аннотация: в статье анализируются различные варианты утилизации конвертерного газа при использовании его в качестве вторичного энергоресурса на основе расчета полезного количества теплоты, получаемого в каждом рассматриваемом случае, на примере конкретного оборудования конвертерного производства металлургического комбината, а также дано описание одного из наиболее эффективных способов повышения энергетической эффективности конвертерного газа при использовании углексилотной конверсии метана для использования его химической энергии в качестве топлива на ТЭЦ. Ключевые слова: конвертерный газ, утилизация, ВЭР.

DEVELOPMENT OF AN ENERGY EFFICIENT METHOD FOR DISPOSING OF CONVERTER GAS Starodubtsev P.G.

Starodubtsev Pavel Gennadyevich — Graduate Student, DEPARTMENT OF INDUSTRIAL HEAT POWER ENGINEERING, LIPETSK STATE TECHNICAL UNIVERSITY, LIPETSK

i Надоели баннеры? Вы всегда можете отключить рекламу.