Персоналізоване прогнозування дохідності клієнта в підписочній моделі юніт-економіки

Скорочена інформація про документ
dc.contributor.advisorСтусь, Олександр Вікторович
dc.contributor.authorГармаш, Іван Сергійович
dc.date.accessioned2025-09-30T08:51:48Z
dc.date.available2025-09-30T08:51:48Z
dc.date.issued2025
dc.description.abstractДипломна робота: 100 с., 13 табл., 35 рис., 2 додатки, 10 джерел. Об'єкт дослідження: користувачі цифрових сервісів із підписочною моделлю монетизації. Предмет дослідження: методи для прогнозування довгострокової дохідності клієнтів (LTV) у підписочній юніт-економіці. Мета дослідження: створити програмний продукт мовою програмування Python, що прогнозує LTV окремих клієнтів і сегментів на основі історичних даних, ураховуючи показники ретенції, відтоку та реакції на цінові пакети. Використані моделі: ієрархічний підхід для розрахунків на глибокому рівні сегментації, класифікаційна модель HistGradientBoostingClassifier, яка допомогає визначити ймовірність оплати користувачем по підписці, на основі якої буде потім рахуватися LTV, а також регресійна модель HistGradientBoostingRegressor. Отримані результати: розроблено прототип трьох підходів, які стабільно генерують прогнози LTV для нових і поточних клієнтів, а також з мінімальною похибкою рахує когортний прибуток клієнтів. Перспективи подальших досліджень: адаптація підходів для використання в продакшені, насичення моделей додатковими даними, налаштування репортингу для ознайомлення з даними зацікавлених облич, роботи над покращенням точності.
dc.description.abstractotherThesis: 100 pages, 13 tables, 35 figures, 2 appendices, 29 references. Object of research: users of digital services with a subscription monetization model. Subject of research: methods for forecasting long-term customer profitability (LTV) in subscription unit economics. Purpose of research: to create a software product using Python Programming Language that predicts the LTV of individual customers and segments based on historical data, taking into account retention, churn, and response to price packages. Models used: a hierarchical approach for calculations at a deep segmentation level, the classification model HistGradientBoostingClassifier, which helps determine the probability of a user paying for a subscription, on the basis of which LTV will then be calculated, and also the regression model HistGradientBoostingRegressor. Results obtained: a prototype of three approaches has been developed that stably generates LTV forecasts for new and current customers and also calculates cohort revenue with minimal error. Prospects for further research: adaptation of the approaches for use in production, enrichment of the models with additional data, setting up reporting for familiarizing interested parties with the data, work on improving accuracy.
dc.format.extent100 с.
dc.identifier.citationГармаш, І. С. Персоналізоване прогнозування дохідності клієнта в підписочній моделі юніт-економіки : дипломна робота … бакалавра : 124 Системний аналіз / Гармаш Іван Сергійович. – Київ, 2025. – 100 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/76409
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпідписка
dc.subjectюніт-економіка
dc.subjectlifetime value (ltv)
dc.subjectклієнтська дохідність
dc.subjectкогортний аналіз
dc.subjectпрогнозування
dc.subjectградієнтний бустинг
dc.subjectxgboost
dc.subjectсценарне моделювання
dc.titleПерсоналізоване прогнозування дохідності клієнта в підписочній моделі юніт-економіки
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Harmash_bakalavr.pdf
Розмір:
10.21 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