Моделювання та прогнозування відтоку користувачів цифрового продукту

Скорочена інформація про документ
dc.contributor.advisorСавченко, Ілля Олександрович
dc.contributor.authorЛавриненко, Поліна Андріїна
dc.date.accessioned2026-09-09T12:45:59Z
dc.date.available2026-09-09T12:45:59Z
dc.date.issued2026
dc.description.abstractДипломна робота: 136 с., 32 рис., 6 табл., 3 додатки, 17 джерел. Об'єктом дослідження є процес відтоку користувачів цифрового продукту як явище, що піддається кількісному моделюванню на основі поведінкових, транзакційних та маркетингових даних. Предмет дослідження полягає в методах та моделях машинного навчання для прогнозування відтоку користувачів, методологія їх побудови, оцінювання та інтерпретації. Метою визначено розробку та порівняльний аналіз системи прогнозування відтоку користувачів цифрового продукту на основі методів машинного навчання із забезпеченням інтерпретованості результатів. У роботі досліджено предметну область churn prediction у B2Cпродуктах, систематизовано фактори відтоку та проведено огляд сучасних підходів до класифікації з обґрунтуванням системи метрик оцінювання якості моделей. Реалізовано повний ML-pipeline на основі датасету B2C-платформи за 2015-2017 роки. Проведено exploratory data analysis, preprocessing та feature engineering із конструюванням RFM-метрик і часових атрибутів. Побудовано та порівняно шість моделей класифікації (Logistic Regression, Decision Tree, Random Forest, XGBoost, LightGBM та CatBoost) з яких CatBoost визначено найкращою з ROC-AUC = 0.994 та F1-score = 0.953. SHAP-аналіз виявив домінуючий вплив ознак membership_category та points_in_wallet на прогнозований ризик відтоку. Програмний продукт реалізовано мовою Python із використанням бібліотек scikit-learn, XGBoost, CatBoost, LightGBM та SHAP.
dc.description.abstractotherThesis: 136 p., 32 fig., 6 tabl., 3 appendices, 17 references. The object of research is the customer churn process in digital products as a phenomenon amenable to quantitative modelling based on behavioural, transactional and marketing data. The subject of research encompasses machine learning methods and models for churn prediction, including methodology of their construction, evaluation and interpretation. The thesis investigates the churn prediction domain in B2C products, systematizes churn-driving factors and reviews contemporary classification approaches. A complete ML-pipeline has been implemented on a B2C platform dataset covering 2015–2017. Six classification models were built and compared: Logistic Regression, Decision Tree, Random Forest, XGBoost, LightGBM and CatBoost. CatBoost identified as the best-performing model achieving ROC-AUC = 0.994 and F1-score = 0.953. SHAP analysis revealed the dominant influence of membership_category and points_in_wallet on the predicted churn risk. The software is implemented in Python using scikit-learn, XGBoost, CatBoost, LightGBM and SHAP libraries. The practical value lies in a reproducible churn prediction pipeline suitable for production deployment and data-driven retention recommendations based on identified churn drivers.
dc.format.extent136 с.
dc.identifier.citationЛавриненко, П. А. Моделювання та прогнозування відтоку користувачів цифрового продукту : дипломна робота … бакалавра : 124 Системний аналіз / Лавриненко Поліна Андріїна. – Київ, 2026. – 136 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82938
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування відтоку користувачів
dc.subjectмашинне навчання
dc.subjectградієнтний бустинг
dc.subjectбінарна класифікація
dc.subjectfeature engineering
dc.subjectshap
dc.subjectroc-auc
dc.subjectretention analytics
dc.subjectcatboost
dc.subjectxgboost
dc.subjectunit economics
dc.titleМоделювання та прогнозування відтоку користувачів цифрового продукту
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Lavrynenko_bakalavr.pdf
Розмір:
4.9 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи