Predictive Modeling Using Pseudo-Social Networks from Transaction Data

Abstract

Å ligge et steg foran trender er viktig for bedrifter som ønsker å ivareta et konkur- ransefortrinn. I en verden som blir stadig mer digitalisert, så må bedrifter tilpasse seg det teknologiske skiftet ved å tilegne seg nye teknologiske kompetanser. Heldigvis for kommersielle banker har de en verdifull ressurs som kan utnyttes til å ligge et steg foran. Denne ressursen er transaksjonsdata, og det kan brukes til å predikere fremtidige hendelser.

I denne oppgaven transformeres transaksjonsdata til et pseudo-sosialt nettverk for å fange opp de iboende likhetene blant forbrukere. Flere metoder for å beregne likhet utforskes og anvendes videre i en maskinlæringsmodell for å predikere fremtidige kjøpere. Eksperimentene utføres på tjenester med varierende oppslut- ning i samarbeid med en kommersiell bank for å måle modellens prediksjonsevne i en realistisk setting.

De eksperimentelle resultatene viser at likhet-attributter utregnet fra det pseudo- sosiale nettverket kan øke den prediktive ytelsen til prediktive modeller betydelig, spesielt når de brukes i kombinasjon med tradisjonelle attributter fra kundedata. Økningen i prediktiv ytelse avhenger riktignok av kvaliteten på de utregnede likhet-attributtene.

Denne oppgaven gir en omfattende evaluering av pseudo-sosiale nettverk i pre- diktiv analyse. I tillegg fremgår det nye metoder for å måle likhet mellom for- brukere i det pseudo-sosiale nettverket som oppnår høyere kvalitet enn tidligere.

Staying ahead of consumer trends is important for businesses in the retail market to maintain a competitive advantage. In a world becoming increasingly digital- ized, retailers who wish to remain competitive must adapt to the technological changes by incorporating new technological capabilities. Fortunately for retail banks, they possess a valuable asset that can be leveraged to increase consumer engagement. This asset is transaction data and may be used to predict future events.

In this thesis, transaction data is transformed into a pseudo-social network to cap- ture the inherent similarity among consumers. Several methods for calculating similarity are explored and further extracted as features into a machine learning model to predict future buyers. The experiments are conducted on product offer- ings with varying target response in cooperation with a retail bank to measure the predictive performance in a realistic setting.

The experimental results show that the features extracted from the pseudo-social network may significantly increase the predictive performance of predictive mod- els, especially when used in combination with traditional features from customer data. Albeit, the significance is determined by the quality of the extracted features.

This thesis provides an extensive evaluation of the application of pseudo-social networks in predictive modeling. Secondly, it provides new methods for capturing similarity features from pseudo-social networks that achieve higher quality than previous studies.