ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Customer Relationship Management: Bayesian-Based Xgboost Customer Churn Prediction and Model Interpretability

سال انتشار: 1399
کد COI مقاله: IIEC17_174
زبان مقاله: انگلیسیمشاهد این مقاله: 58
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 10 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Customer Relationship Management: Bayesian-Based Xgboost Customer Churn Prediction and Model Interpretability

Seyed Mohammad Sina Mirabdolbaghi
Erfan Hassannayebi - Assistant Professor, Industrial Engineering Department, Sharif University of Technology, Tehran, Iran,

چکیده مقاله:

In today's dynamic economies, businesses and companies are working hard to attract customers. According to studies, the retention of existing consumers is 6 to 10 times cheaper than the addition of new customers. Therefore, customer churn has become a significant challenge for the industry,especially in saturated markets. Moreover, prediction methods face many challenges, such as imbalanced datasets, dirty data, low accuracy, etc. However, Ensemble methods show good performance in distinguishing churners and non-churners. In this paper, prevalent ensemble methodshave been implemented and compared. Also, Bayesian-based Xgboost is used for better performance. The results show that Bayesian-based Xgboost makes more accurate and better results in imbalanced evaluation metrics such as AUC and F-score. Moreover, in this paper, the interpretability of the machinelearning model and customer lifetime value of churners are discussed. So, Managers and decision makers could understand model outputs and how features impact the results and also make decent marketing decisions

کلیدواژه ها:

Customer Churn Prediction, Ensemble Learning, Hyperparameter tuning, Xgboost, Interpretability, CLV

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1161039/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Sina Mirabdolbaghi, Seyed Mohammad و Hassannayebi, Erfan,1399,Customer Relationship Management: Bayesian-Based Xgboost Customer Churn Prediction and Model Interpretability,هفدهمین کنفرانس بین المللی مهندسی صنایع,مشهد,,,https://civilica.com/doc/1161039

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399, Sina Mirabdolbaghi, Seyed Mohammad؛ Erfan Hassannayebi)
برای بار دوم به بعد: (1399, Sina Mirabdolbaghi؛ Hassannayebi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی