Bakalářská práce

Analýza hodnoty zákazníka a pravděpodobnost jeho odchodu pomocí strojového učení

Customer Lifetime Value and Churn Rate Analysis Using Machine Learning

Martin Mandzák
Anotace

Táto bakalárska práca predstavuje Kai, model hlbokého učenia vytvorený na predikciu hodnoty životného cyklu zákazníka (CLV) a miery odchodu zákazníkov (CCR) na základe transakčných dát od B2B spoločnosti. Model využíva adaptívnu optimalizáciu spolu s cyklickou mierou učenia pre stabilnejší a presnejší tréning. Kai dosiahol R² ~0,71 pri predikcii CLV a približne 78 % presnosť pri predikcii odchodu. Napriek obmedzeniam dát ukazuje, že machine learning má praktické využitie v podnikaní.

Abstract

This thesis introduces Kai, a deep learning model built to predict customer lifetime value (CLV) and churn rate (CCR) using transactional data from a B2B company. The model uses both adaptive optimization and a cyclic learning rate to improve training stability and accuracy. Kai reached an R² of ~0.71 for CLV and about 78 % accuracy for churn. While there are some limits due to dataset size and outliers …více

Klíčová slova
artificial intelligence clv neural network churn rate data analysis umelá inteligencia neurálna sieť miera odchodu data analýza
Zadání práce

Cíl práce:

Cílem této diplomové práce je analyzovat pravděpodobnost odchodu zákazníků v reálné společnosti a navrhnout akční plány pro jednotlivé klastry zákazníků.

Postup práce a použité metody:
Práce bude založena na návrhu a implementaci algoritmů strojového učení se zaměřením na neuronové sítě,  a to k predikci hodnoty zákazníka a pravděpodobnosti jeho odchodu. Tvorba modelu bude postavena na historických datech z podniku. Získané údaje budou nejprve zpracovány průzkumnou analýzou dat, na jejímž základě autor identifikuje vzorce odchodu zákazníků. Následně bude vytvořen funkční prototyp, který bude schopen generovat základní údaje o zákaznících dle jejich hodnoty (dle customer lifetime value). Posledním krokem bude navržení a validace doporučení (akčních plánů) pro jednotlivé skupiny zákazníků.
Administrativní informace
Práce zkontrolována:
29. 4. 2025 08:56, doc. Ahad Zareravasan, PhD, učo 243210
Plný text práce
1,8 MB / soubor PDF
Jazyk práce
angličtina angličtina
Termín obhajoby
11. 6. 2025
Práce byla úspěšně obhájena

Vedoucí

doc. Ahad Zareravasan, PhD, učo 243210
KPEM ESF MU

Oponent

Feybi Ariani Goni, Ph.D., učo 250651
KPEM ESF MU

Literatura

  • GALE, Bradley T. a Robert Chapman WOOD. Managing customer value : creating quality and service that customers can see. New York: Free Press, 1994, xxii, 424. ISBN 0029110459.
  • LASÁK, Pavel a Maria KRÁLOVÁ. Teaching statistical RFM segmentation in Excel. Online. In INTED2018 Proceedings. Španělsko: IATED, 2018, s. 8225-8232. ISBN 978-84-697-9480-7. Dostupné z: https://doi.org/10.21125/inted.2018.2000.
  • CHENG, CH a YS CHEN. Classifying the segmentation of customer value via RFM model and RS theory. Expert Systems with Applications. OXFORD: Elsevier, 2009, roč. 36, č. 3, s. 4176-4184. ISSN 0957-4174. Dostupné z: https://doi.org/10.1016/j.eswa.2008.04.003.
  • Value-ology Aligning sales and marketing to shape and deliver profitable customer value propositions. Edited by Simon Kelly - Paul Johnston - Stacey Danheiser. Cham: Imprint: Palgrave Macmillan, 2017, XX, 199. ISBN 9783319456263.
  • KVÍČALA, Daniel; Maria KRÁLOVÁ a Petr SUCHÁNEK. The impact of online purchase behaviour on customer lifetime value. Journal of Marketing Analytics. Basingstoke: Palgrave Macmillan, 2026, roč. 14, č. 1, s. 120-137. ISSN 2050-3318. Dostupné z: https://doi.org/10.1057/s41270-024-00328-9.
Citovat tuto práci
Masarykova univerzita Ekonomicko-správní fakulta
Studijní program
Plán
Podniková informatika

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.