Primerjava statističnih modelov za napovedovanje uporabnikove zvestobe menjalnici kriptovalutGregorc, Matej (Avtor) Ograjenšek, Irena (Mentor) Štrumbelj, Erik (Komentor) zvestobanapovedni modelilogistična regresijanaključni gozdgradient boosted odločitvena drevesapomembnost spremenljivkvrednost SHAPV magistrskem delu s pomočjo več statističnih modelov na podlagi podatkov o uporabnikih menjalnice kriptovalut napovedujemo uporabnikovo zvestobo. Zvestoba je v kontekstu uporabnikov storitve nekega podjetja pomemben dejavnik, ki vpliva na uspešnost poslovanja. Vedenje zvestega uporabnika nekega podjetja se kaže v njegovem prepričanju, da storitve oz. produkti tega podjetja dobro zadovoljijo njegove potrebe. Zaradi tega se jih ponovno poslužuje, pri čemer nima interesa po uporabi ponudbe konkurence. Prvi gradnik k zvestobi je kakovost izdelkov in storitev, ki jih podjetja ponujajo. Pri ohranjanju zvestih uporabnikov pa je pomembno tudi, da gradijo odnos z njimi. Pogoj za grajenje dobrega odnosa pa je poznavanje svoje baze zvestih uporabnikov, tako njihovih sociodemografskih kot tudi vedenjskih značilnosti. Zbiranje in dostopnost velikih količin podatkov o uporabnikih in njihovih dejavnostih v menjalnicah kriptovalut omogoča podroben vpogled v vsakega posameznika in identificiranje skupnih lastnosti zvestih uporabnikov. Ta spoznanja podjetja lahko uporabijo za ohranjanje in povečevanje baze zvestih uporabnikov, kar lahko vpliva na poslovno uspešnost. V magistrskem delu so uporabljeni trije različni statistični modeli: logistična regresija, naključni gozdovi in gradient boosted odločitvena drevesa, s katerimi napovedujemo binarno spremenljivko zvestoba. Dogodek zvestobe je redek, zgolj 2,96% uporabnikov je po definiciji, ki se uporablja v podjetju, zvestih. Statistični modeli so vrednoteni na podlagi občutljivosti in specifičnosti napovedi ter mere AUC in G-povprečja z 8-kratnim prečnim preverjanjem. Modeli grajeni na osnovnem vzorcu, brez prilagajanja za redke dogodke, kažejo močno pristranskost redkega dogodka. Razlika med občutljivostjo in specifičnostjo napovedi je velika, pri čemer je točnost napovedi za zveste uporabnike nizka (največ 51%). Pristranskost redkega dogodka smo naslovili z metodo podvzorčenja, kjer modele učimo na zmanjšanem vzorcu z enakim razmerjem med zvestimi in ne-zvestimi uporabniki. Modeli na zmanjšanem vzorcu napovedujejo bolj točno, hkrati pa so razlike med občutljivostjo in specifičnostjo občutno manjše. Povprečna vrednost G-povprečja vseh treh modelov je višja od 85% največ pri modelu gradient boosting, kjer znaša 89,61%, pri čemer je točnost napovedi za zveste uporabnike 91,70%. Pomemben del analize zvestih uporabnikov je tudi razumevanje lastnosti teh oseb, kar lahko analiziramo s pomočjo pomembnosti spremenljivk. Ta je v magistrskem delu vrednotena z vrednostmi SHAP, ki omogočajo interpretacijo kompleksnih modelov. Med tremi uporabljenimi modeli lahko najdemo spremenljivke, ki imajo v vseh podoben vpliv, hkrati pa s primerjanjem med modeli zaznamo tudi nekaj razlik v vplivu spremenljivk na napoved.20252025-03-12 09:05:00Magistrsko delo/naloga167788VisID: 62779COBISS_ID: 234034691sl