Anhand von Verhaltensdaten von Kunden des Online-Shops Digitec/Galaxus, soll der Net Promoter Score vorhergesagt werden. Dazu wird ein Machine Learning Modell trainiert, welches Kunden in sogenannte Detractor und Promoter unterteilt.
Machine Learning, Net Promoter Score (NPS), XGBoost, Python
Ziel der Arbeit ist es ein Machine Learning Modell zu trainieren, welches den Net Promoter Score zuverlässig vorhersagen kann. Zusätzlich sollen Indikatoren identifiziert werden, welche zur Bestimmung des NPS beitragen.
Der Net Promoter Score ist eine weit verbreitete Metrik, um die Kundenzufriedenheit festzuhalten.
In diesem Bereich wurde bereits viel Forschung betrieben, jedoch wurde noch keine Arbeit zur Vorhersage
des NPS basierend auf Benutzerdaten veröffentlicht.
Speziell die Marketing-Abteilung der Digitec Galaxus AG ist daran interessiert, unzufriedene Kunden frühzeitig zu erkennen.
Es wurde ein breite Masse an verschiedenen Modellen trainiert. Dabei wurde die Problemstellung sowohl als Regression, als auch als Klassifikation ausgelegt und mit SVM, XGBoost oder anderen baum-basierten Modellen versucht zu lösen. Verglichen werden die Modellen anhand einer eigens definierten Ranking Metrik. Keines der Modelle erreicht jedoch einen zufriedenstellenden Score. Wie die Analyse der trainierten Modelle zeigt, fehlt es dem Datensatz an genügend starken Signalen, um den Net Promoter Score plausibel vorherzusagen.
Digitec Galaxus AG
Dr. Michael Hardegger
Pfingstweidstrasse 60b
CH-8005 Zürich
www.digitec.ch
Nick Brönnimann, nick.broennimann@students.fhnw.ch
Sebastian Renner, sebastian.renner@students.fhnw.ch
Prof. Dr. Daniel Perruchoud, daniel.perruchoud@fhnw.ch
Marco Willi, marco.willi@fhnw.ch
