Modelo de propensão à troca de equipamento móvel

Detalhes bibliográficos
Autor(a) principal: Dias, Ana Rita Neves
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/62614
Resumo: Trabalho de Projeto de Mestrado, Estatística e Investigação Operacional, 2023, Universidade de Lisboa, Faculdade de Ciências
id RCAP_553aee2a68d5561bfbff255a345ae27e
oai_identifier_str oai:repositorio.ul.pt:10451/62614
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Modelo de propensão à troca de equipamento móvelTelecomunicaçõesModelo Logístico BinárioModelo Logístico MultinomialAprendizagem SupervisionadaRandom ForestTeses de mestrado - 2023Domínio/Área Científica::Ciências Naturais::MatemáticasTrabalho de Projeto de Mestrado, Estatística e Investigação Operacional, 2023, Universidade de Lisboa, Faculdade de CiênciasA rápida evolução tecnológica dos equipamentos móveis, coloca à disposição da sociedade uma variedade de dispositivos, dos quais o telemóvel ocupa uma posição de destaque. A constante inovação deste aparelho, aliada às necessidades e preferências dos utilizadores, fomenta o desejo de troca por outro. Sendo as empresas de telecomunicações um dos canais de comercialização destes equipamentos, surge, da sua parte, o interesse em prever esse momento de mudança. Perante o cenário exposto, o objetivo do presente trabalho foi desenvolver um modelo preditivo, que estime a propensão dos clientes, de uma empresa de telecomunicações, a permutar para um determinado modelo de telemóvel. Para tal, foi criada uma variável resposta categórica, considerando diferentes marcas e gamas de preços de telemóveis e desenvolvidas duas metodologias, seguindo uma abordagem mais clássica e outra de machine learning. O projeto foi elaborado, maioritariamente, na linguagem de programação Python, contudo, algumas análises, também, se realizaram em R. Na abordagem clássica, o propósito do estudo foi alcançado através da construção de dois modelos, um logístico binário, que estima a probabilidade de um indivíduo mudar de aparelho e outro logístico multinomial, que estima a probabilidade de um cliente permutar para cada classe da variável resposta. Na abordagem de machine learning, esta probabilidade foi calculada através do modelo random forest com hiper-parâmetros otimizados em random search. O trabalho permitiu a comparação das duas metodologias usadas, num contexto real de negócio. A abordagem clássica destacou-se pela interpretação do efeito das variáveis explicativas e a de machine learning pela capacidade de lidar com todas as variáveis do estudo. A baixa representatividade de algumas categorias da variável dependente foi um dos principais desafios do projeto. Todavia, face à abordagem que a empresa utilizava para atuar sobre a propensão à troca, o trabalho constituiu uma mais-valia, nomeadamente, nas classes maioritárias da variável resposta e no estudo das características que os clientes mais propensos apresentavam.The fast technological evolution of mobile equipment puts at the disposal of society a variety of devices, of which the cell phone has a prominent position. The constant innovation of this gadget, combined with the needs and preferences of consumers, encourages the desire to exchange it for another. Since telecommunications companies are one of the channels for marketing these devices, it rises the need to forecast this moment of exchange. Given the above scenario, the goal of this work was to develop a predictive model that estimates the propensity of customers, of a telecommunication company, to switch to a particular cell phone model. To this end, a categorical response variable was created, considering different cell phones’ brands and price ranges, and two methodologies, within a more classical approach and another one using machine learning. The project was mostly developed in the Python programming language, although some analyses were also performed in R. In the classical approach, the purpose of the study was achieved by building two models, a binary logistic, which estimates the probability of an individual switching devices, and a multinomial logistic, which estimates the probability of a costumer switching for each category of the response variable. In the machine learning approach, this probability was computed using the random forest model with hyperparameters optimized in random search. The work allowed the comparison of the two methodologies used, in a real business case. The classical approach stood out for its interpretation of the effect of the explanatory variables, and the machine learning approach for its capability to deal with all the variables of the study. The low representativeness of some categories of the dependent variable was one of the main challenges of the project. However, given the current approach implemented in the company, the work developed adds value to the enterprise’s project. Specially in the majority classes of the response variable and in the study of the main dimensions that describes a company’s customer.Gomes, João José FerreiraCaçador, Susana Dias de AlmeidaRepositório da Universidade de LisboaDias, Ana Rita Neves2024-02-14T12:13:42Z202320232023-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/62614porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-02-19T01:19:03Zoai:repositorio.ul.pt:10451/62614Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T02:38:57.794979Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Modelo de propensão à troca de equipamento móvel
title Modelo de propensão à troca de equipamento móvel
spellingShingle Modelo de propensão à troca de equipamento móvel
Dias, Ana Rita Neves
Telecomunicações
Modelo Logístico Binário
Modelo Logístico Multinomial
Aprendizagem Supervisionada
Random Forest
Teses de mestrado - 2023
Domínio/Área Científica::Ciências Naturais::Matemáticas
title_short Modelo de propensão à troca de equipamento móvel
title_full Modelo de propensão à troca de equipamento móvel
title_fullStr Modelo de propensão à troca de equipamento móvel
title_full_unstemmed Modelo de propensão à troca de equipamento móvel
title_sort Modelo de propensão à troca de equipamento móvel
author Dias, Ana Rita Neves
author_facet Dias, Ana Rita Neves
author_role author
dc.contributor.none.fl_str_mv Gomes, João José Ferreira
Caçador, Susana Dias de Almeida
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Dias, Ana Rita Neves
dc.subject.por.fl_str_mv Telecomunicações
Modelo Logístico Binário
Modelo Logístico Multinomial
Aprendizagem Supervisionada
Random Forest
Teses de mestrado - 2023
Domínio/Área Científica::Ciências Naturais::Matemáticas
topic Telecomunicações
Modelo Logístico Binário
Modelo Logístico Multinomial
Aprendizagem Supervisionada
Random Forest
Teses de mestrado - 2023
Domínio/Área Científica::Ciências Naturais::Matemáticas
description Trabalho de Projeto de Mestrado, Estatística e Investigação Operacional, 2023, Universidade de Lisboa, Faculdade de Ciências
publishDate 2023
dc.date.none.fl_str_mv 2023
2023
2023-01-01T00:00:00Z
2024-02-14T12:13:42Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10451/62614
url http://hdl.handle.net/10451/62614
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799137439865896960

Registros relacionados