Технологія машинного навчання для вдосконалення процесів бізнес-аналітики

Abstract

Об'єкт дослідження – процеси бізнес-аналітики із застосуванням технологій машинного навчання Предмет дослідження – технології машинного навчання та методи локальної інтерпретації моделей для прогнозування поведінки клієнтів Мета дослідження – використання технологій машинного навчання для покращення процесів бізнес аналітики з інтеграцією методів локальної інтерпретації для формування прогнозів поведінки клієнтів Технічні та програмні засоби – мова програмування Python, бібліотека для мови програмування Scikit-learn, LIME, Streamlit, Pandas, NumPy, Matplotlib. Основні характеристики та показники – Технологія здатна обробляти як одиночні так і групові прогнози, генерувати персоналізовані пояснення через LIME та автоматичні рекомендації утримання. Отримані результати та їх новизна – запропоновано використання технологій машинного навчання з інтеграцією методу локальної інтерпретації LIME, яка вдосконалює процеси бізнес-аналітики, перетворюючи традиційні звіти на прозорі прогнози поведінки клієнтів з чітким поясненням причин для кожного окремого випадку. Рекомендації щодо використання результатів – результати можуть бути використані компаніями для впровадження системи прогнозування поведінки клієнтів.Object of the research – business analytics processes using machine learning technologies. Subject of the research – machine learning technologies and local model interpretability methods for customer behavior prediction. Purpose of the research – to apply machine learning technologies to improve business analytics processes with the integration of local interpretability methods for generating customer behavior predictions. Technical and software tools – Python programming language, Scikit-learn library, LIME, Streamlit, Pandas, NumPy, Matplotlib. Main characteristics and performance indicators – the proposed technology is capable of processing both individual and group predictions, generating personalized explanations using LIME, and providing automated customer retention recommendations. Obtained results and their novelty – the integration of machine learning technologies with the local interpretability method LIME is proposed, which enhances business analytics processes by transforming traditional reports into transparent customer behavior predictions with clear explanations of the reasons for each individual case. Recommendations for the use of results – the results can be used by companies to implement customer behavior prediction systems.