Sirvi Autor "Leontjeva, Anna" järgi

Nüüd näidatakse 1 - 5 5

Hübriidne soovitussüsteem otseturunduskampaaniate tõhususe tõstmiseks
(2014) Kisselite, Karina; Leontjeva, Anna
Ennustamisanalüütika meetodid on tõhus viis aitamaks ettevõtteid otseturunduskampaaniate planeerimisel. Käesoleva töö peamiseks eesmärgiks on tuvastada kliente, kes võiksid personaalsete pakkumiste tulemusena olla kindlate toodete potentsiaalsed ostjad. Käesolevas töös kasutatakse analüüsiks ühe suure tootmiskorporatsiooni andmeid. Antud magistritöös lähenetakse püstitatud probleemile, kombineerides mitu meetodit lineaarse mudeliga üheks hübriidseks soovitussüsteemiks. Klientide ostuandmeid töödeldakse enne mudelisse lisamist koos\-tööfiltri- ja ostukorvianalüüsi abil. Tunnustepõhine mudel võimaldab lisada erinevaid klientide atribuute. Protsessikaevemeetodeid kasutatades leitakse klientide käitumismustreid tunnuste olulisuse hindamiseks. Eksperimendid näitavad, et võttes ühendust 0.5%-ga lojaalsetest klientidest, võib parimat mudelit kasutades oodata 93% positiivseid vastuseid. Kui valida sama palju kliente juhuslikult, on edukuse määr 15%. Lisaks sellele näitavad tulemused, et klientide lojaalsus on üks olulisematest aspektidest mudeli headuse puhul, kusjuures lojaalsete klientide käitumine on lihtsamini ennustatav. Parim mudel saavutatakse kombineerides sisupõhilist filtrit koos ostukorvianalüüsiga ning tulemused näitavad, et antud mudelit saab kasutada toodete efektiivsemaks turundamiseks.
Klientide ebalojaalseks muutumise ennetamine ja klientide hoidmine tuginedes personaliseeritud soovitussüsteemile supermarketites
(2016) Parthiban, Prashanth; Leontjeva, Anna
Ebalojaalsed kliendid on olnud jaemüüjatele võtmetähtsusega saamata jäänud\n\rmüügitulu valdkonnas, eriti kui see puudutab internetivälist kaubandust. Kuna\n\rkliendid ei ole seotud lepingutega, siis nad sageli otsustavad konkurentide kasuks, sest konkurendid pakuvad erinevaid soodustusti ja stiimuleid.\n\rSelleks, et selliseid juhtumeid piirata, pakutakse välja raamistik, milles identifitseeritakse kliendid, kes muutvad ebalojaalseteks 3 kuni 6 kuu jooksul, tunduvalt varem järelvalvega masinõppe lähenemisega (Supervised Machine Learning Approach).\n\rKui ebaloojalsed kliendid tuvastatakse, luuakse soovitussüsteem tuginedes\n\rnende tehingute ajaloole, soovitamaks neile erinevaid tooteid, misläbi ennetatakse klientide ebaloojalseks muutumist.\n\rSelles töös pakutakse välja uus algoritmiline raamistik, et tuginedes soovitussüsteemile ületada ebalojaalsete klientide probleem. Efektiivseim viis ebaloojalse kliendi identifitseerimiseks tugineb RFM (äsjasus, sagedus ja raha) tunnustele. Mudelid on ehitatud erinevatele tarbijaga ja tema mineviku ostukäitumisega seotud tunnustele. Õige ja eesmärki teeniva algoritmi tuvastamine on võtmetähtsusega ning selleks rakendatakse ja testitakse toimimist mitmete erinevate algoritmidega nagu näiteks otsustusmets, k-lähima naabri meetod, otsustuspuud ning klassifitseerija võimendamismeetod gradiendiga.\n\rSoovitusmudel, mida kasutatakse, on kasutajapõhine kaasfiltreerimismeetod ja\n\rasjapõhine soovitussüsteem. Katsed viiakse läbi kasutades reaalseid turult saadud andmeid, et tõestada väljapakutava raamistiku efektiivsust. Seega churn'i ja soovitusmudeliga tuvastatakse potentsiaalsed ebaloojalsed kliendid ning seeläbi suudetakse neid kliente hoida.
Kogukonnapõhine aktiivsuse languse ennustamine sotsiaalvõrgustikus
(2014) Teinemaa, Irene; Leontjeva, Anna
Virtuaalsete sotsiaalvõrgustike haldajate seisukohalt on oluline tuvastada kasutajaid, kes kaotavad suure tõenäosusega lähitulevikus huvi nende teenuse vastu. Selliste kasutajate ennustamine lubab suunata neile kampaaniaid, hoidmaks või suurendamaks aktiivsust võrgustikus. Nimetatud probleemi lahendatakse sageli masinõppemeetodite abil, tehes ennustusi üksikisiku tasandil. Olemasolevad lahendused ei kasuta aga maksimaalselt ära kasutajate omavahelisi suhteid. Selles kontekstis tutvustame uut lähenemist, ennustamaks aktiivsuse langust kogukondade ehk omavahel tihedalt seotud kasutajate gruppide tasandil. Antud töös kasutame kahte meetodit kogukondade leidmiseks ning võrdleme tulemusi üksikkasutajate ja juhuslike kasutajate gruppidega. Analüüs näitab, et teenusest loobuda plaanivaid kasutajaid on lihtsam leida kogukondade kui üksikisiku tasandil. Tulemused näitavad, et ennustuste kvaliteet sõltub ka kasutatud kogukondade leidmise algoritmist. Meetod, mis leiab kogukonnad lokaalsel tasandil, lähtudes iga kasutaja otsesest suhtlusringkonnast, võimaldab paremaid ennustusi kui võrgustikule tervikuna orienteeritud meetod. Lisaks eelmainitule võimaldab kogukonnapõhine analüüs arvesse võtta täiendavaid tunnuseid, saamaks täpsemaid ennustusi. Saadud tulemused on aluseks uute kogukonnapõhiste meetodite väljatöötamisele, analüüsimaks kasutajate aktiivsust sotsiaalvõrgustikes ning tõstmaks turunduskampaaniate efektiivsust.
Mitmetasandiliste protsesside ennustav seire
(2016) Trees, Henri; Leontjeva, Anna; Dumas, Marlon
Infosüsteemide laialdane kasutamine järjest rohkemates valdkondades tekitab aina suuremaid salvestatavaid andmemahte. Organisatsioonide ja äride efektiivsuse kasvuga tekib suurem vajadus leida alternatiivseid viise konkurentsieelisteks. Järjest rohkem hakatakse antud infoajastul otsima ärilist väärtust andmetest. Protsessikaeve meetodeid kasutades üritatakse justnimelt seda teha, kuid äriprotsesside arenedes muutuvad keerukamaks ka andmed, mis neid protsesse kirjeldavad. Hetkel keskendutakse protsessikaeve uurimustes protsessidele, mida on võimalik väljendada järjestikkuste sündmuste jadana. Käesolevas magistritöös esitatakse uudne lähenemine äriprotsesside ennustava seire rakendamiseks mitmetasandilistele äriprotsessidele, mis sisaldavad paralleelseid alamprotsesse ning mida pole võimalik sündmuste järjendina väljendada. Väljapakutud meetodi suutlikkuse hindamiseks rakendatakse antud meetodit elulisel andmestikul telekommunikatsiooni tegevusalalt. Tulemusi võrreldakse lähenemisega, mida kasutatakse ühetasandiliste äriprotsesside ennustavaks seireks.
Using Generative Models to Combine Static and Sequential Features for Classification
(2017-04-12) Leontjeva, Anna; Dumas, Marlon, juhendaja; Vilo, Jaak, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Tänapäeval veedame suure osa oma ajast võrgus. Me suhtleme suhtlusvõrgustikes, ostame asju e-poodides ja haldame pangaülekandeid e-panga kaudu. Tihti on meie tegevused seotud rahaliste teenustega, millega kaasnevad ka riski, et raha varastatakse. Petuskeeme on palju ja nad on pidevas muutumises. Teenusepakkujad üritavad meid finantspettuste eest kaitsta erinevatel viisidel, kuid see pakub suuri väljakutseid. Samas, kuna tegu on võrguteenustega, on võimalik salvestada andmeid, mida saab kasutada pettuste automaatse tuvastamise jaoks. Andmed võivad olla erinevatest allikatest ja erineval kujul. Mõni informatsioon võib olla staatiline, mis ajas ei muutu, ja mõningaid andmeid kogutakse mingi perioodi vältel, ehk nad on jadatunnused. Selleks, et treenida mudelit, mis võimalikult hästi eristab kliente ja pettureid, on oluline kasutada kõiki olemasolevaid andmeid. Petturite kättesaamine on üks näide paljudest erinevatest ülesannetest, mida saab lahendada automaatse klassifitseerimise abil. Käesolevas väitekirjas me uurime, kuidas kasutada selliseid andmetüüpe nagu staatilised ja jadatunnused ning kombineerida neid klassifitseerimise eesmäargil. Me rakendame erinevaid kombineerimisskeeme kolme ülesande puhul erinevatest valdkondadest. Esimene on petturite automaatne tuvastamine. Teine on katseisikute kujutletavate liigutuste ajusignaalide põhjal klassifitseerimine ning kolmas on äriprotsesside lõpptulemuse ennustamine nii varakult kui võimalik. Mida varem me suudame ennustada, et äriprotsess võib lõppeda tõrkega, seda rohkem on aega sekkuda olukorra parandamiseks. Antud töös me näitame, et saame tuvastada pettureid, kasutades selleks ainult 4 kuu andmed, ajusignaalide põhjal eristada 80% täpsusega katseisiku kujutletavaid liigutusi ning varakult - vaid 5 sündmuse realiseerimisel - ennustada äriprotsessi lõpptulemust. Need tulemused demonstreerivad, et meie töös pakutud meetod on potentsiaalselt kasulik ka teistes valdkondades klassifitseerimisprobleemide lahendamiseks