การทำนายการยกเลิกบริการของลูกค้าโดยใช้เทคนิคการเรียนรู้เสริมกำลัง

เมธาวี ปัญจสุชาติ

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/70362

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	ญาใจ ลิ่มปิยะกรณ์	-
dc.contributor.author	เมธาวี ปัญจสุชาติ	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์	-
dc.date.accessioned	2020-11-11T13:55:09Z	-
dc.date.available	2020-11-11T13:55:09Z	-
dc.date.issued	2562	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/70362	-
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2562	-
dc.description.abstract	การทำนายการยกเลิกบริการของลูกค้าเป็นหนึ่งในความท้าทายที่ยิ่งใหญ่สำหรับการดำเนินงานธุรกิจในปัจจุบัน เนื่องจากการสูญเสียลูกค้าย่อมส่งผลโดยตรงต่อชื่อเสียง แผนการเงินและการเติบโตขององค์กร พฤติกรรมลูกค้าอาจเปลี่ยนแปลงไปจากเหตุปัจจัยที่ไม่สามารถควบคุมได้หรือสถานการณ์ที่ไม่อาจคาดคิด ส่งผลกระทบต่อแพตเทิร์นของข้อมูลที่เปลี่ยนไป ซึ่งอาจส่งผลลบต่อความสามารถการทำนายของตัวจำแนกประเภทที่สร้างจากเทคนิคการเรียนรู้แบบมีการชี้นำซึ่งเป็นการเรียนรู้ที่ไม่โต้ตอบ งานวิจัยนี้จึงนำเสนอการประยุกต์ใช้เทคนิคการเรียนรู้เสริมกำลังสำหรับการทำนายการยกเลิกบริการของลูกค้าในธุรกิจโทรคมนาคม แบบจำลองดีคิวเอ็นและโพลิซีเกรเดียนต์ได้ถูกพัฒนาและปรับใช้เพื่อการเรียนรู้บนชุดข้อมูลการยกเลิกบริการของลูกค้าที่ใช้สำหรับงานการจำแนกประเภท ชุดข้อมูลอีกชุดหนึ่งได้ถูกสร้างขึ้นจากชุดข้อมูลเดิมโดยการเพิ่มตัวอย่างที่แสดงถึงพฤติกรรมลูกค้าที่เปลี่ยนแปลงไป สมรรถนะของตัวจำแนกประเภทที่เลือกเปรียบเทียบกับดีคิวเอ็นและโพลิซีเกรเดียนต์ถูกประเมินด้วยค่าตัววัดทั้งสี่ประกอบด้วย ความแม่นยำ ความเที่ยงตรง ความครบถ้วน และเอฟวัน ผลการทดลองพบว่า เมื่อเปรียบเทียบกับตัวจำแนกประเภทที่เลือกคือ เอกซ์จีบูสต์ แรนดอมฟอเรสต์ และ เคเอ็นเอ็น ตัวเรียนรู้เชิงรุก ดีคิวเอ็นและโพลิซีเกรเดียนต์ มีสมรรถนะที่เหนือกว่าทั้งสองสถานการณ์ กล่าวคือ เมื่อทดสอบด้วยชุดข้อมูลตั้งต้น และเมื่อชุดข้อมูลได้ขยายตัวเพิ่มขึ้นและวิวัฒนาการจากการเกิดขึ้นของแพตเทิร์นใหม่	-
dc.description.abstractalternative	Customer churn prediction is one of the biggest challenges for business nowadays, since the loss of customers directly affects the organization’s reputation, financial and growth plans. Customer behaviors may change due to any uncontrollable factors or unexpected circumstances, resulting in changing patterns of data. This may aggravate predictability of the classifiers generated from supervised learning technique considered as Passive learning. This research has thus proposed applying the technique of reinforcement learning for customer churn prediction in telecommunication business. The models of Deep Q Network (DQN) and Policy Gradient have been implemented and adapted for learning on the selected customer churn dataset used for classification tasks. Another dataset was created from the original set with additional samples reflecting customer behavior changes. The performance of the selected classifiers, compared to DQN and Policy Gradient, has been evaluated with four measures: accuracy, precision, recall, and F1. The experimental results showed that, compared to the selected classifiers: XGBoost, Random forest, and kNN, the Active learners, DQN and Policy Gradient outperformed in both scenarios, that is, when testing with the original dataset and when the dataset was enlarged and evolving with emerging new patterns.	-
dc.language.iso	th	-
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2019.1125	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.subject	การเรียนรู้แบบเสริมแรง	-
dc.subject	พฤติกรรมผู้บริโภค -- พยากรณ์	-
dc.subject	Reinforcement learning	-
dc.subject	Consumer behavior -- Forecasting	-
dc.subject.classification	Engineering	-
dc.subject.classification	Engineering	-
dc.title	การทำนายการยกเลิกบริการของลูกค้าโดยใช้เทคนิคการเรียนรู้เสริมกำลัง	-
dc.title.alternative	Customer churn prediction using reinforcement learning technique	-
dc.type	Thesis	-
dc.degree.name	วิทยาศาสตรมหาบัณฑิต	-
dc.degree.level	ปริญญาโท	-
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์	-
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.email.advisor	Yachai.L@Chula.ac.th	-
dc.identifier.DOI	10.58837/CHULA.THE.2019.1125	-
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
6170951021.pdf		1.66 MB	Adobe PDF	View/Open

Show simple item record