Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/AB63FE3E-E1BC-47F3-8D64-E5F4698C8D11 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.86873 | - |
| Γλώσσα | el | - |
| Μέγεθος | 57 σελίδες | el |
| Μέγεθος | 523.8 kilobytes | en |
| Τίτλος | Αλγόριθμοι μηχανικής μάθησης για την προσέλκυση πελατών: μια συγκριτική αξιολόγηση στο χώρο των τραπεζικών υπηρεσιών | el |
| Τίτλος | Machine learning algorithms for customer acquisition: a comparative evaluation in banking services | en |
| Δημιουργός | Tavernaraki Maria-Zouzanna | en |
| Δημιουργός | Ταβερναρακη Μαρια-Ζουζαννα | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Doumpos Michail | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Δουμπος Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Zopounidis Konstantinos | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ζοπουνιδης Κωνσταντινος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Atsalakis Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ατσαλακης Γεωργιος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Production Engineering and Management | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Περίληψη | Η γνώση των πελατών που διαθέτει μια τράπεζα και κατ’ επέκταση κάθε επιχείρηση, είναι σημαντικό βήμα προκειμένου να είναι σε θέση να προβλέψει τη καταναλωτική συμπεριφορά των πελατών που θέλει να προσελκύσει. Δηλαδή, γνωρίζοντας το τρόπο επιλογής προϊόντων και υπηρεσιών που κατέχουν οι πελάτες της είναι δυνατόν να γίνει πρόβλεψη και άλλων με παρόμοια συμπεριφορά. Από τις πλέον διαδεδομένες μεθόδους που χρησιμοποιούν οι επιχειρήσεις για το σκοπό αυτό είναι η χρήση αλγορίθμων μηχανικής μάθησης. Σκοπός είναι η καθοδήγηση του αναγνώστη μέσω της ανάλυσης της αξίας των πελατειακών σχέσεων κ της καθοριστικής συμβολής των εργαλείων και τεχνικών εξόρυξης δεδομένων στην εφαρμογή των αλγορίθμων μηχανικής μάθησης. Η εφαρμογή των αλγορίθμων αφορά την εύρεση των τραπεζικών προϊόντων μιας Ισπανικής τράπεζας που είναι πιο πιθανόν να αγορασθούν και από ποιους πελάτες βάσει της καταναλωτικής συμπεριφοράς των ίδιων αλλά και των πελατών που ήδη έχουν αγοράσει αυτά τα προϊόντα. Για την επίλυση του προβλήματος χρησιμοποιήθηκαν μοντέλα ταξινόμησης, τα οποία εκτελέσθηκαν μέσω του προγράμματος R. Οι μέθοδοι που χρησιμοποιήθηκαν είναι: Λογιστική Παλινδρόμηση, Δέντρα λήψης αποφάσεων ενίσχυσης κλίσης, Δέντρα ταξινόμησης και παλινδρόμησης, Ενισχυμένη Λογιστική Παλινδρόμηση και Νευρωνικά δίκτυα. Στη συνέχεια έγινε η αξιολόγηση των μοντέλων που δημιουργήθηκαν από τους παραπάνω αλγορίθμους μέσω του δείκτη AUROC και πραγματοποιήθηκε η κατάταξη τους βάσει της απόδοσης τους. Για κάθε μοντέλο έγινε υπολογισμός της σημαντικότητας των μεταβλητών που χρησιμοποιήθηκαν για να εξαχθούν τα αποτελέσματα. | el |
| Περίληψη | The knowledge of the customers that a bank and every business possess is an important step in order to be able to predict the customers behavior that it wants to attract. Knowing the preferences of customers, it is possible to predict the preferences of others with similar behavior. One of the most common methods used by companies for this purpose is the use of machine learning algorithms. The purpose is to guide the reader through the analysis of the value of customer relationships and the crucial contribution of data mining tools and techniques to the application of machine learning algorithms. The algorithms try to find the banking products of a Spanish bank that are more likely to be bought and by which customers based on the consumers behavior and the behavior of others that already bought these products. To solve the problem, classification models were used which were executed through the R program. The methods used are: Logistic Regression, Extreme Gradient Boosting, Classification and Regression Trees, Boosted Logistic Regression and Neural Networks. Finally, the models created were evaluated through the AUROC index and their classification was performed based on their performance. For each model, the significance of the variables used to extract the results was calculated. | en |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2020-10-06 | - |
| Ημερομηνία Δημοσίευσης | 2020 | - |
| Θεματική Κατηγορία | Αλγόριθμοι Μηχανικής Μάθησης | el |
| Θεματική Κατηγορία | Τραπεζικά προϊόντα | el |
| Θεματική Κατηγορία | Data mining | en |
| Θεματική Κατηγορία | Machine learning | en |
| Βιβλιογραφική Αναφορά | Μαρία-Ζουζάννα Ταβερναράκη, "Αλγόριθμοι μηχανικής μάθησης για την προσέλκυση πελατών: μια συγκριτική αξιολόγηση στο χώρο των τραπεζικών υπηρεσιών", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020 | el |
| Βιβλιογραφική Αναφορά | Maria-Zouzanna Tavernaraki, "Machine learning algorithms for customer acquisition: a comparative evaluation in banking services", Diploma Work, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2020 | en |
Copyright © DIAS 2013
