Artificial Neural Network in Forecasting the Churn Phenomena Among Costumers of IT and Power Supply Services

• Autorzy: Wojda P. , Nowicki K.

Identyfikatory

DOI

10.17274/AEZ.2017.29.03

Warianty tytułu

PL

Sztuczne sieci neuronowe w prognozowaniu zjawisk churn wśród klientow uslug IT oraz elektroenergetycznych

• Języki publikacji: EN

Abstrakty

EN

This paper presents an attempt to use an artificial neural network to investigate the chum phenomenon among the customers of a telecommunications operator. An attempt was made to create a data model based on the customer lifetime value (CLV) rather than on activity alone. A multilayered artificial neural network was used for the experiments. The results yielded a 99% successful identification rate for customers in no danger of leaving, while only 57% of those identified as in danger of leaving actually did so and stopped using the company's services.

PL

W artykule przedstawiono próbę wykorzystania sztucznej sieci neuronowej (ang. Artificial Neural Network - ANN) do badania zjawiska churn wśród klientów operatora telekomunikacyjnego. Podjęto wysiłek stworzenia modelu danych opartego na całkowitej wartości klienta (ang. Customer Lifetime Value - CLV), a nie tylko na jego aktywności. Do przeprowadzenia eksperymentów wykorzystano wielowarstwową sztuczną sieć neuronową. Uzyskano 99-procentową skuteczność identyfikowania klientów nieobjętych ryzykiem odejścia. W rzeczywistości tylko 57% klientów objętych ryzykiem odejścia zrezygnowało z usług firmy.

Słowa kluczowe

EN

churn; ANN; CLV; telecommunications

PL

ANN; CLV; telekomunikacja; churn

• Wydawca: INFOTECH
• Czasopismo: Automatyka, Elektryka, Zakłócenia
• Rocznik: 2017
• Tom: Vol. 8, Nr 3(29)
• Strony: 34--41
• Opis fizyczny: Bibliogr. 12 poz., tab., wykr.

Twórcy

autor

Wojda P.

• Aiton Caldwell SA

autor

Nowicki K.

• Politechnika Gdańska

Bibliografia

• [1] Ljungehed (2017), "Predicting Customer Churn Using Recurrent Neural Networks", Master in Computer Science, School of Computer Science and Communication, Stockholm, Sverige, 2017.
• [2] T. Vafeiadis, K.I. Diamantaras, G. Sarigiannidis, K.C. Chatzisavvas, "A comparison of machine learning techniques for customer churn prediction" Simulation Modelling Practice and Theory, 55, pp. 1-9, 2015.
• [3] A. Ahmed, D.M. Linen, "A review and analysis of churn prediction methods for customer retention in telecom industries", 4th International Conference on Advanced Computing and Communication Systems (ICACCS), IEEE Conference Publications, 2017.
• [4] Y. Zhang, J. Qi, H. Shu, Y. Li, "Predicting Churn Probability of Fixed-line Subscriber with Limited Information: A Data Mining Paradigm for Enterprise Computing". In: A.M. Tjoa, L. Xu, S.S. Chaudhry (eds) "Research and Practical Issues of Enterprise Information Systems". IFIP International Federation for Information Processing, vol. 205. Springer, 2006.
• [5] M.B. Hosseni, M.J. Tarokh, "Customer Segmentation Using CLV Elements", Journal of Service Science and Management, Vol.4, pp. 284-290, 2011.
• [6] K. Halicka, „Wykorzystanie sztucznych sieci neuronowych do prognozowania cen na giełdzie energii" Rynek Energii, nr 1, 2010.
• [7] R. Tadeusiewicz, "Sieci neuronowe", Akademicka Oficyna Wydawnicza, Warszawa, 1993.
• [8] H. Abdi, "Coefficient of Variation" Encyclopedia of Research Design, Thousand Oaks, CA, Sage, 2010.
• [9] J. Siderska, „Analiza możliwości zastosowania sieci neuronowych do modelowania wartości kapitału społecznego w firmach IT", Economics and Management, no. 1, 2013.
• [10] Y. Hifny, “Deep Learning Based on Manhattan Update Rule", http://www.helwan.edu.eg/university/staff/~yhifny/publications/dnn_crf_MH.pdf, dostęp 7.12.2017
• [11] Q. Liao, L.Z. Leibo, T. Poggio, „How Important Is Weight Symmetry in Backpropagation?" https://arxiv.org/pdf/1510.05067.pdf, arXiv:1510.05067v4 [cs.LG] 4 Feb. 2016,
• [12] K. Gajowniczek, T. Ząbkowski, "Problemy modelowania rezygnacji klientów w telefonii komórkowej", Metody Ilościowe w Badaniach Ekonomicznych, t. XIII/3, s. 65-78, 2012