Сочинение на тему Анализ потребительского потока пользователей цифровых медиа с образцами данных

Удовлетворенность клиентов оказывает огромное влияние на оказание услуг любого бизнеса. Простое из уст в уста мнение структурирует бизнес-среду для повышения их производительности и доставки. При таком воздействии со стороны клиентов важно держать их на правильном пути, чтобы знать ценность продукта и услуги. Подход, использованный в этом проекте, заключается в анализе пользователей цифровых медиа, проверке того, могут ли они продолжать бизнес с организацией, если нет, заставлять их вести бизнес с помощью предоставления большего количества услуг. Для этого анализа была рассмотрена выборка данных пользователей цифровых носителей, чтобы узнать, могут ли они в будущем произойти. Этот прогноз был сделан с помощью методов машинного обучения. Инструментом, использованным для этого анализа, был Rapidminer. Вывод был показан с точными результатами в статистическом представлении.

Введение

В целом, CRM (Управление взаимоотношениями с клиентами) – это инструмент, который помогает организации поддерживать отношения между покупателями и взаимодействием с клиентами, отслеживать их записи и счета. Это помогает им улучшить удовлетворенность клиентов. Для анализа выборочные данные цифровых носителей были рассмотрены для прогнозирования оттока. Этот анализ предназначен для прогнозирования того, решит ли клиент остаться в организации даже после истечения срока действия договора. Это похоже на модель истощения. Удержание клиентов является важным аспектом в любой организации, где он показывает уровень эффективности компании от низкого до высокого. Истощение также является одним из основных видов деятельности интеллектуального анализа данных.

В нынешнюю эпоху все становится цифровым. Использование цифровых медиа становится необходимостью для выживания в бизнес-среде. Это помогает организациям и клиентам получать последние сведения о тенденциях для своих собственных целей. Существует несколько форм цифрового мультимедиа в различных форматах, таких как аудио, видео, изображения и графические изображения. Рассматривая модель истощения, существует три типа, а именно добровольное истощение, непроизвольное истощение и ожидаемое истощение. Если клиент хотел перейти в другую компанию, это добровольное истощение. Принудительное истощение, также известное как принудительное истощение, происходит, когда клиент прекращает работу по какой-либо причине, некоторые распространенные причины – неоплаченные счета. Ожидаемое истощение происходит, когда клиент больше не доступен в целевой области, например, когда клиент переезжает в другое место. Есть несколько методов, чтобы предсказать результат этого проекта. Основным фоном этого проекта является анализ выживания. В этом анализе используются методы машинного обучения для проверки различий между ними. Это глубокое обучение и логистическая регрессия. С помощью таких методов будет известен самый точный метод, который можно принять к рассмотрению. Для проведения этого анализа был использован инструмент под названием «Rapidminer».

Исследование и исследование методов

Существуют различные методы для реализации и получения результатов от анализа оттока клиентов на цифровых носителях. Методы могут быть из метода машинного обучения, такого как байесовская сеть, глубокое обучение или деревья решений. Другими словами, это также может быть статистический метод прогнозирования с помощью логистической регрессии, который работает в основном между зависимой переменной и другой переменной, когда зависимая переменная является дихотомической. Были некоторые предыдущие работы, которые были сделаны на этом проекте с определенными методами. Все эти методы дали простой результат, как и ожидалось. Набор данных, используемый для этого проекта, очень сбалансирован. Это помогает методам ML проводить анализ и давать эффективные результаты. В случае несбалансированности методы не будут работать, а эффективные результаты не будут доступны. Однако для несбалансированных наборов данных существует методика, называемая методом избыточной выборки, которая занимается проблемами классификации и имеет два типа. Это методика избыточной выборки синтетического меньшинства и методика адаптивной синтетической выборки. Этот метод помогает сбалансировать наборы данных, что помогает выполнять анализ. Другой популярный метод, используемый для анализа оттока, – это CART, то есть модель дерева классификации и регрессии. Это ветвь модели дерева решений. Этот метод в основном касается проблем классификации и неправильной классификации в наборе данных. Другой популярной моделью для этого анализа была модель машины опорных векторов (SVM). Эта модель также работает в основном по задачам линейности классификации. Он эффективен при работе в линейных и нелинейных случаях. Вышеупомянутые модели не ограничены, но стоит упомянуть об использовании для этого анализа оттока. У него есть особый способ применить определенные гипотезы, чтобы быть более эффективным.

Используемые методы

Как обсуждалось ранее, многие важные методы доступны в использовании. Но в этом проекте только два метода используются для поиска анализа оттока в цифровых медиа. Эти методы очень популярны и широко используются для такого рода проектов в анализе оттока. Этот метод помогает нам не только прогнозировать результат, но также помогает нам статистически с учетом всех факторов, которые приводят к тому, что клиент либо остается, либо идет в другую сеть. Набор данных, используемый для этого проекта, имеет 21 столбец. Столбец «Отток» является зависимой переменной. Это дихотомическая переменная с да или нет. Независимые переменные: пенсионер, пол, срок владения, телефонная связь, несколько линий, интернет-сервис, онлайн-безопасность, резервное копирование в онлайн-хранилище, защита устройства, техническая поддержка, потоковое телевидение и фильмы, срок действия договора, безбумажный биллинг, способ оплаты, ежемесячные платежи и Всего сборов.