ChurNAS : uma busca de arquitetura neural para previsão de desligamento de clientes.

Simple item page
dc.contributor.advisorMoreira, Gladston Juliano Pratespt_BR
dc.contributor.advisorLuz, Eduardo José da Silvapt_BR
dc.contributor.authorAlmeida, Marcus Daniel de
dc.contributor.refereeMoreira, Gladston Juliano Pratespt_BR
dc.contributor.refereeLuz, Eduardo José da Silvapt_BR
dc.contributor.refereeSilva, Ivair Ramospt_BR
dc.contributor.refereeMeneghini, Ivan Reinaldopt_BR
dc.date.accessioned2023-07-14T19:31:08Z
dc.date.available2023-07-14T19:31:08Z
dc.date.issued2023pt_BR
dc.descriptionPrograma de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.pt_BR
dc.description.abstractA Predição de desligamento de clientes PDC (do inglês Customer Churn Pre- diction) é fundamental para a gestão eficiente de clientes, uma vez que permite a otimização da lucratividade por meio de estratégias de marketing informadas e cam- panhas de retenção. Nesse contexto, o presente estudo propõe uma nova abordagem, chamada ChurNAS, baseada em algoritmo genético para a busca de arquiteturas neurais (Neural Architecture Search - NAS) em problemas de PDC na indústria de serviços financeiros. Ao contrário dos modelos tradicionais, como regressão logística e árvore de decisão, as redes neurais profundas apresentam maior versatilidade para modelagem de dados complexos. No entanto, a busca pela arquitetura ideal em redes neurais profundas ́e um desafio devido `a sua alta complexidade. Os resultados demonstram que a abordagem ChurNAS encontrou modelos com desempenho supe- rior aos classificadores tradicionais ajustados por otimiza ̧c ̃ao de hiperparâmetros. A abordagem proposta obteve uma acurácia de 88,6%, em comparação com 82,54% do XG-Boost e 82,49% do Floresta Aleatória. Al ́em disso, alcançou uma sensibilidade de 58,89%, enquanto o XG-Boost e o Floresta Aleatória apresentaram 57,1% e 57,81%, respectivamente. Quanto `a precisão, a abordagem ChurNAS obteve 39,41%, superando o XG-Boost (26,96%) e o Floresta Aleatória (26,17%). Adicionalmente, o estudo examinou o impacto da quantidade de dados e da capacidade do modelo, enfatizando a importância de considerar a natureza temporal das transações financei- ras ao utilizar redes neurais para PDC. Em suma, este trabalho destaca o potencial da abordagem ChurNAS para solucionar problemas de PDC no setor de servi ̧cos financeiros e melhorar a eficiência do gerenciamento de clientes.pt_BR
dc.description.abstractenChurn Prediction (CCP) iis essential for efficient customer management, as it allows for profitability optimization through informed marketing strategies and retention campaigns. In this context, this study proposes a new approach, called ChurNAS, based on a genetic algorithm for neural architecture search in CCP problems in the financial services industry. Unlike traditional models, such as logistic regression and decision trees, deep neural networks offer greater versatility for modeling complex data. However, searching for the ideal architecture in deep neural networks is a challenge due to their high complexity. The results demonstrate that the ChurNAS approach found models with better performance than traditional classifiers adjusted by hyperparameter optimization. The proposed approach achieved an accuracy of 88.6%, compared to 82.54% for XG-Boost and 82.49% for Random Forest. In addition, it reached a sensitivity of 58.89%, while XG-Boost and Random Forest presented 57.1% and 57.81%, respectively. As for accuracy, the ChurNAS approach obtained 39.41%, surpassing XG-Boost (26.96%) and Random Forest (26.17%). Additionally, the study examined the impact of data quantity and model capacity, emphasizing the importance of considering the temporal nature of financial transactions when using neural networks for CCP. Overall, this work highlights the potential of the ChurNAS approach to solve CCP problems in the financial services industry and improve customer management efficiency.pt_BR
dc.identifier.citationALMEIDA, Marcus Daniel de. ChurNAS: uma busca de arquitetura neural para previsão de desligamento de clientes. 2023. 58 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.pt_BR
dc.identifier.urihttp://www.repositorio.ufop.br/jspui/handle/123456789/16961
dc.language.isopt_BRpt_BR
dc.rightsabertopt_BR
dc.rights.licenseAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 12/07/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais nem a adaptação.pt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectRedes neurais - computaçãopt_BR
dc.subjectServiços financeirospt_BR
dc.subjectAlgoritmos genéticospt_BR
dc.titleChurNAS : uma busca de arquitetura neural para previsão de desligamento de clientes.pt_BR
dc.typeDissertacaopt_BR
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
DISSERTAÇÃO_ChurNASBuscaArquitetura.pdf
Size:
3.33 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
PPGCC - Mestrado (Dissertações)