Original scientific paperAs the telecommunications sector has reached its mature stage, maintaining existing users has become crucial for service providers. Analyzing the call data records, it is possible to observe their users in the context of social network and obtain additional insights about the spread of influence among interconnected users, which is relevant to churn. In this paper, we examine the communication patterns of mobile phone users and subscription plan logs. Our goal is to use a simple model to predict which users are most likely to churn, solely by observing each user's social network, which is formed by outgoing calls, and churn among their neighbours. To measure the importance of social network parameters with regard to churn prediction, we compare three models: spatial classification, regression model, and artificial neural networks. For each subscriber, we observe three social network parameters, the number of neighbors that have churned, the number of calls to these neighbors, and the duration of these calls for different time periods. The results indicate that using only one or two of these parameters yields results that are comparable or better than the complex models with large amounts of individual and/or social network input parameters that other researchers have proposed.Key words: Churn, Social Network Analysis, Machine Learning, Mobile Network Utjecaj društvene mreže na odljev korisnika u mobilnim mrežama. Kako je telekomunikacijski sektor dosegao zreli stadij, zadržavanje postojećih korisnika od ključne je važnosti za pružatelje telekomunikacijskih usluga. Analizom liste poziva moguće je nadzirati korisnike u kontekstu društvene mreže i dobiti dodatni uvid u širenje utjecaja među povezanim korisnicima, što je relevantno za odljev korisnika. U ovom radu razmatramo obrasce komunikacije korisnika mobilnih mreža i podatke o planu pretplate. Naš cilj je korištenjem jednostavnog modela predvidjeti koji korisnici su najskloniji prijelazu na drugu mrežu, pritom koristeći samo korisnikovu društvenu mrežu koja se formira odlaznim pozivima i prijelazima između mreža njihovih susjeda. S ciljem mjerenja važnosti pojedinog parametra društvene mreže za predikciju prelaska na drugu mrežu uspoređena su tri modela: prostorna klasifikacija, regresijski model i model neuronske mreže. Za svakog pretplatnika razmatramo tri parametra društvene mreže: broj susjeda koji su promijenili mrežu, broj poziva prema njima kao i trajanje spomenutih poziva u različitim vremenskim razdobljima. Rezultati pokazuju kako se korištenjem samo jednog ili dva od navedenih parametara društvene mreže postižu rezultati koji su usporedivi ili bolji od rezultata složenijih modela drugih autora koji koriste veliki broj osobnih parametara i/ili parametara društvene mreže.
Povzetek ROSUS 2020 -Računalniška obdelava slik in njena uporaba v Sloveniji 2020 je strokovna računalniška konferenca, ki jo od leta 2006 naprej vsako leto organizira Inštitut za računalništvo iz Fakultete za elektrotehniko, računalništvo in informatiko, Univerze v Mariboru. Konferenca povezuje strokovnjake in raziskovalce s področij digitalne obdelave slik in strojnega vida z uporabniki tega znanja, pri čemer uporabniki prihajajo iz raznovrstnih industrijskih okolij, biomedicine, športa, zabavništva in sorodnih področij. Zbornik konference ROSUS 2020 združuje strokovne prispevke več deset avtorjev, od tega dva vabljena predavanje ter več demonstracijskih prispevkov. Prispevki podajajo najnovejše dosežke slovenskih strokovnjakov s področij digitalne obdelave slik in strojnega vida, osvetljujejo pa tudi trende in novosti na omenjenih strokovnih področjih. Velik poudarek prispevkov je na promoviranju ekonomske koristnosti aplikacij računalniške obdelave slik in vida v slovenskem prostoru. Takšne računalniške aplikacije zaradi visoke natančnosti, robustnosti in izjemnih hitrosti pri obdelovanju informacij nudijo namreč nove priložnosti za uveljavitev na trgu visokih tehnologij.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
334 Leonard St
Brooklyn, NY 11211
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.