Розширена анотація українською мовою

Телекомунікаційні компанії функціонують на ринку з надзвичайно високою конкуренцією. Залучення нового клієнта в 5-10 разів дорожче, ніж утримання існуючого. Таким чином, ефективне управління відтоком абонентів і розуміння його причин стали досить актуальними завданнями для операторів мобільного зв’язку. У зв’язку з цим прогнозування відтоку абонентів через активність конкурентів стає дуже важливим. Data Science і машинне навчання створюють широкі можливості для вирішення цього завдання, щоб оцінити рівень задоволеності клієнтів послугами компанії, виявити фактори, що викликають незадоволення, і передбачити, які клієнти мають більший ризик відмовитися від послуг і змінити постачальника. Компанія, яка впроваджує аналіз даних і моделювання для розробки моделей прогнозування відтоку клієнтів, має можливість покращити управління відтоком клієнтів і підвищити результати бізнесу. Метою дослідження є застосування моделей машинного навчання для телекомунікаційної компанії, зокрема побудова моделей для прогнозування відтоку користувачів і доведення того, що моделі Data Science і машинне навчання є якісними та ефективними інструментами для вирішення завдань прогнозування ключових маркетингових показників телекомунікаційної компанії. На прикладі Telco у статті представлено результати різних моделей класифікації, таких як логістична регресія, Random Forest, SVM та XGBoost з використанням мови програмування Python. Всі моделі мають високий рівень якості (загальна точність більше 80%). Таким чином, дослідження доводить можливість та доцільність використання моделей у подальшій класифікації клієнтів для прогнозування відтоку абонентів (тих клієнтів, які можуть відмовитися від послуг компанії) та мінімізації відтоку споживачів на основі цього. Виявлено ключові фактори, що впливають на відтік клієнтів, і вони створюють основу для майбутнього прогнозу відтоку. Впровадження моделей прогнозування відтоку абонентів допоможе зменшити його і зберегти їх лояльність. Результати дослідження можуть бути використані для оптимізації маркетингової діяльності з управління відтоком споживачів компаній ринку телекомунікацій шляхом прийняття ефективних рішень на основі даних та для вдосконалення математичної методології прогнозування відтоку клієнтів. Таким чином, основні теоретичні та практичні наслідки дослідження полягають у розробці ефективного інструменту прогнозування для менеджерів для контролю ризиків відтоку та збагаченні літератури з аналізу даних і моделей Data Science для визначення критичних факторів, які визначають схильність клієнтів до відтоку.

Ключові слова: відтік, споживач, Data Science, прогнозування, клієнт, машинне навчання, маркетинг, моделювання.

Класифікація JEL: М0, О1.

Цитувати як: Zatonatska, T., Fareniuk, Y., & Shpyrko, V. (2023). Churn Rate Modeling for Telecommunication Operators Using Data Science Methods. Marketing and Management of Innovations, 14(2), 163-173. https://doi.org/10.21272/mmi.2023.2-15

Ця стаття публікуються за ліцензією Creative Commons Attribution International License

Список використаних джерел

1. Arya, K., Kumar, T., & Jain, M. K. (2016). Big data analytics of global E-commerce organisations: A study survey and analysis.  J. Sci. Eng. Res., 7(12), 82-84. [Google Scholar]
2. Chornous, G., & Fareniuk, Y. (2021). Marketing mix modelling for pharmaceutical companies on the basis of data science technologies. Access to science, business, innovation in digital economy, 274-289. [Google Scholar] [CrossRef]
3. Dai, X. (2017). Identifying dissatisfied 4G customers from network indicators: a comparison between complaint and survey data. In Big Data Applications in the Telecommunications Industry(pp. 41-53). IGI Global. [Google Scholar] [CrossRef]
4. Fang, X. (2021, August). Research on digital marketing strategy of telecommunication service based on computer complex network model. In Journal of Physics: Conference Series(Vol. 1992, No. 4, p. 042002). IOP Publishing. [Google Scholar] [CrossRef]
5. Fareniuk, Y. (2022). Marketing strategy optimisation in fmcg market. Bulletin of Taras Shevchenko National University of Kyiv. Economics, 2(219), 49-57. [Google Scholar] [CrossRef]
6. Fedirko, O., Zatonatska, T., Dlihopolskyi, O., & Londar, S. (2019). The impact of e-commerce on the sustainable development: case of Ukraine, Poland, and Austria, IOP Conference Series Earth and Environmental Science, 915(1), 012023. [Google Scholar] [CrossRef]
7. Goworek, К. (2021). The big impact of Big Data on the telecom industry. [Google Scholar] [CrossRef]
8. Hsu, K. K. (2019). Discussion on the live broadcast of social media and e-commerce. [Google Scholar] [CrossRef]
9. Hurtado, P. A., Dorneles, C., & Frazzon, E. (2019). Big Data Application for E-commerce’s Logistics: A research assessment and conceptual model. IFAC-papers online, 52(13), 838-843. [Google Scholar] [CrossRef]
10. Maroufkhani, P., Wagner, R., Wan Ismail, W. K., Baroto, M. B., & Nourani, M. (2019). Big data analytics and firm performance: A systematic review. Information, 10(7), 226. [Google Scholar] [CrossRef]
11. Moorthi, K., Dhiman, G., Arulprakash, P., Suresh, C., & Srihari, K. (2021). Withdrawn: A survey on the impact of data analytics techniques in E-commerce. [Google Scholar] [CrossRef]
12. Parveen, N. (2021). Sentiment Analysis on Big Data Using Machine Learning Algorithms. Turkish Journal of Computer and Mathematics Education (TURCOMAT), 12(9), 47-52. [Google Scholar]
13. Radukic, S., Mastilo, Z., & Kostic, Z. (2019). Effects of digital transformation and network externalities in the telecommunication markets. Economics, 7(2), 31-42. [Google Scholar] [CrossRef]
14. Riddle, J. (2020). How Will Big Data Transform E-Commerce Marketplaces? [Google Scholar] [CrossRef]
15. Rosario, A., & Raimundo, R. (2021). Consumer marketing strategy and E-commerce in the last decade: a literature review. Journal of Theoretical and applied electronic commerce research, 16(7), 3003-3024. [Google Scholar] [CrossRef]
16. Ryfiak, S. (2020). Big Data is taking eCommerce by storm. Here’s why you can’t wait it out. [Google Scholar] [CrossRef]
17. Sekli, G. F., & Vega, I. (2021). Adoption of Big Data analytics and its impact on organizational performance in higher education mediated by knowledge management. Journal of Open Innovation: Technology, Market, and Complexity, 7(4), 221. [Google Scholar] [CrossRef]
18. Simaković, M. N., Cica, Z. G., & Masnikosa, I. B. (2021). Big Data architecture for mobile network operators. 15th International Conference on Advanced Technologies, Systems and Services in Telecommunications (TELSIKS), 283-286. [CrossRef]
19. Singh, R. K., & Verma, H. K. (2020). Influence of social media analytics on online food delivery systems. International Journal of Information System Modeling and Design (IJISMD), 11(3), 1-21. [Google Scholar] [CrossRef]
20. Thakkar, H. K., Desai, A., Ghosh, S., Singh, P., & Sharma, G. (2022). Clairvoyant: AdaBoost with cost-enabled cost-sensitive classifier for customer churn prediction. Computational Intelligence and Neuroscience, 2022. [Google Scholar] [CrossRef]
21. Gabor, M. R., & Varga, I. E. (2021) the influence of social networks in travel decisions. Economics-časopis za inovacijska i ekonomska istraživanja, 9(2). [Google Scholar]
22. Yang, M., Ren, Y., & Adomavicius, G. (2019). Understanding user-generated content and customer engagement on Facebook business pages. Information Systems Research, 30(3), 839-855. [Google Scholar] [CrossRef]
23. Yen, Y. S. (2014). The interaction effect on customer purchase intention in e-commerce: A comparison between substitute and complement. Asia Pacific Journal of Marketing and Logistics, 26(3), 472-493. [Google Scholar] [CrossRef]
24. Yusuf-Asaju, A. W., Dahalin, Z. B., & Ta’a, A. (2017, May). Mobile network quality of experience using big data analytics approach. In 2017 8th International Conference on Information Technology (ICIT)(pp. 658-664). IEEE. [Google Scholar] [CrossRef]
25. Zhang, D., Pee, L. G., & Cui, L. (2021). Artificial intelligence in E-commerce fulfilment: A case study of resource orchestration at Alibaba’s Smart Warehouse. International Journal of Information Management, 57, 102304. [Google Scholar] [CrossRef]