سال انتشار: 1399
محل انتشار: هفدهمین کنفرانس بین المللی مهندسی صنایع
کد COI مقاله: IIEC17_174
زبان مقاله: انگلیسیمشاهد این مقاله: 58
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
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
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
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
- شناسایی و رتبه بندی عوامل تأثیرگذار در برنامه ریزی پرژه های ساخت (مطالعه موردی)
- تجزیه و تحلیل ریسک در انتخاب بهترین روش ارزیابی عملکرد با رویکرد طراحی بدیهی فازی
- نسل جدیدی از مواد کامپوزیتی هوشمند فوق پیشرفته نوآورانه حاوی سیالات الکترورئولوژیک: یک بررسی تجربی
- دلایل افزایش نیروگاه های بادی نسبت به نیروگاه های خورشیدی نیروگاه های خورشیدی در ایران و جهان
- مطالعه فرکانسی افزودن گارنی فلپ پلاسمایی بر میدان جریان حول صفحه تخت
مقالات فوق اخیرا در حوزه مرتبط با این مقاله به سیویلیکا افزوده شده اند.
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.