dc.contributor.advisor | Nørvåg, Kjetil | |
dc.contributor.advisor | Hagfors, Lars Ivar | |
dc.contributor.author | Jørgensen, Victor | |
dc.contributor.author | Sande, Hans Kristian | |
dc.date.accessioned | 2022-11-05T18:19:47Z | |
dc.date.available | 2022-11-05T18:19:47Z | |
dc.date.issued | 2022 | |
dc.identifier | no.ntnu:inspera:112046434:26381129 | |
dc.identifier.uri | https://hdl.handle.net/11250/3030273 | |
dc.description.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. | |
dc.description.abstract | 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. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Predictive Modeling Using Pseudo-Social Networks from Transaction Data | |
dc.type | Master thesis | |