Πρόβλεψη και ερμηνεία της απώλειας πελάτη στον κλάδο του διαδικτυακού στοιχηματισμού

Abstract

Η πρόβλεψη της απώλειας πελάτη αποτελεί σημαντικό παράγοντα για την λειτουργικότητα και την ανάπτυξη μιας επιχειρήσεις. Επιτρέπει την αναγνώριση των πελατών που έχουν αυξημένη πιθανότητα να διακόψουν την χρήση των υπηρεσιών ή την αγορά των προϊόντων μιας επιχείρησης και επίσης, υποστηρίζει τον ορθότερο σχεδιασμό της στρατηγικής που θα ακολουθήσει ώστε να ενισχύσει την ανάπτυξη της επιχείρησης και να μειώσει το κόστος που προκαλείται από την απώλεια μέρους των πελατών της. Επίσης, η χρήση τεχνικών Εξηγήσιμης Τεχνητής Νοημοσύνης (Explainable Artificial Intelligence XAI) δίνει την δυνατότητα να αναγνωριστούν τα χαρακτηριστικά εκείνα που επηρεάζουν σε μεγαλύτερο βαθμό την πρόβλεψη του μοντέλου, και κατ’ επέκταση να ληφθούν αποφάσεις και μέτρα που εστιάζουν προς την κατεύθυνση που θα συμβάλουν στην επίτευξη των καλύτερων δυνατών αποτελεσμάτων, τα οποία βασίζονται στην χρήση μηχανικής μάθησης. Η μελέτη αυτή έχει ως σκοπό την χρήση μηχανικής μάθησης και Εξηγήσιμης Τεχνητής Νοημοσύνης για την πρόβλεψη απώλειας πελάτη στον τομέα του διαδικτυακού στοιχηματισμού ώστε να βοηθήσει τα στελέχη της εταιρίας να λάβουν ακριβείς και αξιόπιστες αποφάσεις στον τρόπο που θα διαχειριστούν το πρόβλημα της απώλειας πελατών. Τέλος, παρουσιάζεται μία μελέτη περίπτωσης στην οποία γίνεται χρήση του αλγορίθμου XGBoost για να δημιουργηθεί το μοντέλο που θα προβλέπει την απώλεια πελάτη, σε δεδομένα που έχουν ληφθεί από την εταιρία Kaizen Gaming, η οποία είναι να προσφέρει υπηρεσίες διαδικτυακού στοιχηματισμού στην Ελλάδα και το εξωτερικό. Η αξιολόγηση του μοντέλου γίνεται με την χρήση των μετρικών Accuracy, Precision και Recall, καθώς και με την αυτή των AUROC και AUPRC και η επεξήγηση των αποτελεσμάτων με την μέθοδο ανάλυσης SHAP (SHapley Additive exPlanations). Τα αποτελέσματα που προέκυψαν από το μοντέλο πρόβλεψης δίνουν τιμή Accuracy 0.95, Precision 0.91, Recall 0.89, AUROC 0.921 και AUPRC 0.919. Σχετικά με την ανάλυση SHAP προκύπτει ότι μεγαλύτερη επίδραση στην ικανότητα πρόβλεψης του μοντέλου έχουν οι μεταβλητές που αφορούν στον αριθμό τον ημερών που μένει ενεργός ένας πελάτης τον τελευταίο μήνα, στο ποσό των καταθέσεων που κάνει τον τελευταίο μήνα, στον αριθμό των ημερών που μένει ενεργός ένας πελάτης το τελευταίο εξάμηνο και στον αριθμό των δελτίων που τοποθετεί τον τελευταίο μήνα.