Churn előrejelző modell tervezése és építése

Hajdú Tamás Ferenc (2025) Churn előrejelző modell tervezése és építése. Pénzügyi és Számviteli Kar.

	PDF HajduTamasFerenc_XG14NL_szakdolgozat.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (1MB)
	Archive (ZIP) szakdolgozat_churn.zip Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (1MB)
	PDF biralatilap_Hajdú_Tamás.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (94kB)

Absztrakt (kivonat)

A bankszektorban tapasztalható kiélezett versenyben az ügyfélmegtartás kulcsfontosságú üzleti prioritássá vált, mivel a marketing szakirodalom szerint egy új ügyfél megszerzése ötször költségesebb lehet, mint egy meglévő megtartása. Az ügyféllemorzsolódás (churn) proaktív előrejelzése ezért jelentős pénzügyi megtakarítást eredményezhet.E szakdolgozat elsődleges célja egy olyan nagy teljesítményű, prediktív gépi tanulási modell tervezése és felépítése, amely képes a lemorzsolódásra hajlamos banki ügyfelek legalább 80%-át helyesen azonosítani (Recall). A kutatás egy nyilvános, 10 000 ügyfél anonimizált adatait tartalmazó Kaggle adathalmazon valósult meg, Python programozási nyelv és a Scikit-learn, pandas, valamint LightGBM könyvtárak felhasználásával.A munka során több klasszifikációs algoritmus – mint a Logisztikus regresszió, K Nearest Neighbor, Döntési fa és Random Forest – teljesítménye került összehasonlításra. Az adatelemzést és modellépítést részletes adatelőkészítés, feature engineering és hiperparaméter-hangolás (GridSearchCV) előzte meg.Az összehasonlító elemzés alapján a LightGBM algoritmus bizonyult a leghatékonyabbnak a churn predikcióra. A modell finomhangolása során a kiegyensúlyozatlan adathalmaz kezelésére a scale_pos_weight paraméter tudatos, magasra állítása mellett született döntés. Ez egy üzleti kompromisszumot eredményezett: az elért 80,3%-os Recall (a lemorzsolódók 80%-át felismerte a modell) mellett egy alacsonyabb, 40,5%-os Precision érték párosult.A dolgozat sikeresen elérte a kitűzött célt. Bizonyította, hogy a magas Recall elérése érdekében tett üzleti kompromisszum (több téves pozitív riasztás elfogadása) kifizetődő, mivel egy tévesen megtartani kívánt ügyfél költsége alacsonyabb, mint egy elvesztett, értékes ügyfélé.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	bank, churn, LightGBM, Python, ügyfél
SWORD Depositor:	User Archive
Felhasználói azonosító szám (ID):	User Archive
Rekord készítés dátuma:	2026. Júl. 09. 11:02
Utolsó módosítás:	2026. Júl. 09. 11:02

Actions (login required)

Tétel nézet