NAPOVEDOVANJE IZGUBE STRANK PONUDNIKA TELEKOMUNIKACIJSKIH STORITEV NA OSNOVI MODELA UPORABNIKA IN SOCIALNEGA VPLIVA OMREŽNIH SOSEDOVDROFTINA, UROŠ (Avtor) Košir, Andrej (Mentor) teleTelekomunikacijski sektor je eden najbolj dobičkonosnih na svetu, zato v njem vlada huda konkurenca. Večina držav ima na svojem tržišču prisotnih več različnih telekomunikacijskih ponudnikov storitev, pri čemer se vsi borijo za čim večji delež uporabnikov in s tem večji dobiček. V zadnjem desetletju je trg mobilne telefonije v večini držav postal zasičen, kar pomeni, da je znotraj posameznih držav število mobilnih priključkov preseglo število prebivalcev države. Z namenom vsaj ohranjanja svojega tržnega deleža morajo ponudniki storitev uspešno zadrževati svoje uporabnike ali pa prevzemati uporabnike konkurenčnih ponudnikov storitev. Na podlagi analiz zadrževanje obstoječih uporabnikov stane približno šestkrat manj kot pridobivanje novih uporabnikov, zato ponudniki storitev dajejo več poudarka zadrževanju uporabnikov oziroma preprečevanju odhodov uporabnikov. Ker je uporaba mobilnih storitev v današnjem svetu postala nuja, uporabniki navadno ne zapustijo ponudnika storitev z namenom popolnega prenehanja uporabe storitev, ampak preprosto zamenjajo ponudnika storitev. število odhodov strank od enega ponudnika k drugemu se je skokovito povečalo z uvedbo možnosti prenosa obstoječe mobilne številke, saj je tako prehod k drugemu ponudniku postal transparenten za vse stike osebe, ki ponudnika zamenja. Razlog za menjavo ponudnika storitev je navadno nezadovoljstvo s trenutnim ponudnikom storitev ali boljša ponudba pri konkurenci. Deleži odhodov uporabnikov na letni ravni pri nekaterih ponudnikih storitev dosegajo tudi 40 %, a veliko škodo podjetju lahko prizadene tudi bistveno manjši delež odhodov, na primer pod 5 % letno. Z namenom zmanjševanja števila odhodov se v zadnjih letih intenzivno razvijajo nove metode za čim bolj natančno napovedovanje odhodov uporabnikov k drugim ponudnikom storitev. Ponudniki storitev za to uporabijo podatke, ki jih imajo na voljo o svojih uporabnikih. Z informacijami o odhodih, preden se zgodijo, lahko ponudnik storitev z ustreznimi ukrepi te uporabnike prepriča v nasprotno. V literaturi lahko zasledimo dva različna pristopa k napovedovanju odhodov strank. Prvi, pogosteje uporabljen pristop, je gradnja klasifikacijskih modelov s pomočjo uporabe metod strojnega učenja in podatkovnega rudarjenja. Ti modeli vsakemu uporabniku v podatkovni tabeli priredijo oceno verjetnosti za odhod, nato pa se na določenem deležu uporabnikov z najvišjo oceno izvedejo ukrepi z namenom prepričevanja strank, da ostanejo. Drugi pristop, ki je bolj aktualen zadnje čase, pa obravnava telekomunikacijsko omrežje uporabnikov kot socialno omrežje, v katerem iščemo specifične vzorce in informacije s pomočjo orodij za analizo socialnih omrežij. Kljub temu, da je področje napovedovanja odhodov uporabnikov zelo aktualno že več kot 10 let, je še vedno moč identificirati vrsto neraziskanih segmentov tega področja. Nekatera izmed njih rešuje ta disertacija v obliki petih novih prispevkov znanosti: (i) difuzijski model za napovedovanje odhodov strank na podlagi sociometrične teorije, (ii) napovedni model vplivnih uporabnikov ponudnika storitev, (iii) nov hibridni model za napovedovanje izgube strank na osnovi napovednega modela odhodov in modela vplivnih uporabnikov, (iv) izboljšanje natančnosti napovedovanja izgube strank z ločenim modeliranjem vplivnih in ostalih uporabnikov ter (v) metoda pojasnjevanja razlogov za odhode na podlagi vizualizacije odločitvenega drevesa. V prvem prispevku predstavimo nov difuzijski model za napovedovanje odhodov strank, ki temelji na ugotovitvah s področja sociometrične teorije in teorije družbenega statusa. V modelu obravnavamo koncept energije kot lastno mnenje uporabnikov, ki ga transformiramo v vpliv uporabnikov s pomočjo funkcije družbenega statusa. Dodatno predstavimo novo napovedno shemo difuzijskega modela, ki omogoča izdelavo difuzijskega modela in izračun ocene verjetnosti odhoda za vsakega uporabnika posebej. Difuzijski model ovrednotimo na realnih podatkih uporabnikov izbranega ponudnika storitev. Rezultati razkrijejo občutno izboljšanje z uporabo predlagane metode v primerjavi z osnovnim difuzijskim modelom iz literature. V okviru drugega prispevka iščemo nizkonivojske uporabniške spremenljivke, primerne za določanje vpliva uporabnikov na odhode njihovih omrežnih sosedov. V ta namen predstavimo postopek za določanje nenatančnih pravih vrednosti vpliva na odhode, ki ga uporabimo pri določanju vpliva uporabnikov predplačniških paketov. Te ocene uporabimo pri identifikaciji dobrih napovednih spremenljivk vpliva na odhode, ki jih končno uporabimo pri gradnji napovednega modela vpliva. Napovedni model vpliva uporabnikov uporabimo v kombinaciji s klasičnim napovednim modelom odhodov, s čimer predlagamo hibridni model za identifikacijo vplivnih uporabnikov, preden ti zapustijo ponudnika storitev in s tem sprožijo še odhode njihovih sledilcev. V rezultatih pokažemo, da predlagani hibridni model v primerjavi klasičnim napovednim modelom odhodov doseže boljše rezultate že samo pri napovedovanju odhodov uporabnikov. Med njimi pa je tudi večje število takšnih uporabnikov, ki jim je kmalu za njihovim odhodom sledilo tudi večje število omrežnih sosedov. Z uspešnim zadrževanjem napovedanih vplivnih uporabnikov v odhajanju bi tako lahko zadržali tudi njihove sledilce, s tem pa bistveno izboljšali učinek zadrževalne kampanje. V četrtem prispevku preverimo, ali je napovedovanje odhodov uporabnikov mogoče izboljšati z ločenim modeliranjem vplivnih in ostalih uporabnikov. V ta namen uporabimo realne podatke ponudnika storitev, pri čemer uporabnike iz učne množice razdelimo na množico vplivnih in množico ostalih uporabnikov ter na obeh skupinah ločeno naučimo napovedna modela odhodov uporabnikov. Rezultate teh dveh modelov nato združimo in jih primerjamo z rezultati modela, zgrajenega na vseh uporabnikih skupaj. Z uporabo ustreznih statističnih testov pokažemo, da med rezultati obeh modelov ni statistično značilnih razlik. Razlog za to najdemo v enaki težavnosti naloge napovedovanja odhodov, ne glede na to, ali gradimo napovedni model na ločenih množicah vplivnih in nevplivnih uporabnikih ali pa na vseh uporabnikih skupaj. Dobra interpretacija rezultatov napovednih modelov je vsaj tako pomembna kot uspešnost same napovedi odhodov uporabnikov. Zato v petem prispevku predstavimo rešitev za vizualizacijo odločitvenih dreves, ki uporabi tekstovno obliko odločitvenega drevesa in drevo prikaže v obliki, primerni za preprosto sklepanje o odhodih uporabnikov. Gradnjo odločitvenega drevesa opravimo s pomočjo metode naključnih odločitvenih dreves v programskem okolju Weka, pridobljeno drevo pa s pomočjo programa v Matlabu pretvorimo v obliko, primerno za izris. Pri pretvorbi uporabimo informacije o deležih in odhodih uporabnikov po posameznih povezavah ter jih uporabimo pri barvanju in oblikovanju vozlišč ter povezav. Končna risba odločitvenega drevesa ponuja vse ključne informacije, potrebne za razpoznavo faktorjev in razlogov za odhode. Dodatno predstavimo tudi postopek interpretacije drevesa, ki ga je mogoče uporabiti v realnih primerih v podjetjih, ki se ukvarjajo s skrbjo za uporabnike.20152015-04-24 13:37:24Doktorsko delo/naloga30724VisID: 30061COBISS_ID: 278855424sl