Koneoppimisen käyttö asiakaspoistuma- analyysissa asiakassuhteen päättymisen ennustamiseen
Ahti, Roni (2019)
Ahti, Roni
2019
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2019111821495
https://urn.fi/URN:NBN:fi:amk-2019111821495
Tiivistelmä
Yritykset usein haluavat ennustaa asiakaspoistumista. Asiakaspoistumisen ennustamisen avulla yritykset voivat säästää rahaa. Asiakaspoistumisen ennustamiseen voi käyttää koneoppimista. Opinnäytetyössä suunniteltiin ja luotiin prototyyppi ohjelmasta, joka ennustaa asiakaspoistumista koneoppimista käyttäen. Prototyypin toimivuutta mitattiin ohjelman tulostamien ennusteiden tarkkuudella.
Työn tavoitteena oli luoda prototyyppi koneoppimismallista, joka osaa Google Analytics -dataa hyödyntäen ennustaa, ketkä asiakkaat lopettavat palvelun käytön. Työhön kuului datan tuominen, datan vieminen, datan formatointi ja koneoppimismallin rakentaminen.
Työssä käytettiin työkaluina Python -ohjelmointikieltä ja siihen rakennettuja kirjastoja. Koneoppimismallin rakentamiseen käytettiin kirjastoja TensorFlow ja Keras. Työssä tarkasteltiin, onko mahdollista ennustaa asiakkaiden lähtemistä, käyttäen Google Analytics -dataa.
Lopputulokseksi saatiin toimiva prototyyppi, joka noin 70 prosentin varmuudella osaa ennustaa asiakaspoistumisen. Prototyypin käyttö on myös suhteellisen helppoa. Businesses often want to predict customer churn. By predicting customer churn businesses can save money. It is possible to use machine learning to predict customer churn. The purpose of this thesis was to plan and create a prototype of a program that is able to predict customer churn with the help of machine learning. The functionality of the prototype would be measured by the accuracy of the outputted predictions.
The goal of the thesis was to create a prototype machine learning model that would be able to predict customer churn by using data from Google Analytics. The stages of the project included importing data, exporting data, formatting the data and building the machine learning model.
Tools used in the project are Python and many of its libraries. For building the machine learning model TensorFlow and Keras were used. The project was a proof of concept whether it is possible to predict churn using only data from Google Analytics.
The final result was a working prototype that is able to predict customer churn with a 70 percent accuracy. The use of the prototype is also relatively easy.
Työn tavoitteena oli luoda prototyyppi koneoppimismallista, joka osaa Google Analytics -dataa hyödyntäen ennustaa, ketkä asiakkaat lopettavat palvelun käytön. Työhön kuului datan tuominen, datan vieminen, datan formatointi ja koneoppimismallin rakentaminen.
Työssä käytettiin työkaluina Python -ohjelmointikieltä ja siihen rakennettuja kirjastoja. Koneoppimismallin rakentamiseen käytettiin kirjastoja TensorFlow ja Keras. Työssä tarkasteltiin, onko mahdollista ennustaa asiakkaiden lähtemistä, käyttäen Google Analytics -dataa.
Lopputulokseksi saatiin toimiva prototyyppi, joka noin 70 prosentin varmuudella osaa ennustaa asiakaspoistumisen. Prototyypin käyttö on myös suhteellisen helppoa.
The goal of the thesis was to create a prototype machine learning model that would be able to predict customer churn by using data from Google Analytics. The stages of the project included importing data, exporting data, formatting the data and building the machine learning model.
Tools used in the project are Python and many of its libraries. For building the machine learning model TensorFlow and Keras were used. The project was a proof of concept whether it is possible to predict churn using only data from Google Analytics.
The final result was a working prototype that is able to predict customer churn with a 70 percent accuracy. The use of the prototype is also relatively easy.