Details

Работа посвящена исследованию методов прогнозирования оттока пользователей в информационных системах с акцентом на возможности экосистемы C#/.NET для построения и интеграции моделей машинного обучения. В условиях цифровизации экономики и роста конкуренции удержание пользователей становится критически важной задачей для организаций: издержки на удержание существующего клиента значительно ниже, чем на привлечение нового, а потеря клиента означает потерю всех покупок, которые он мог бы совершить в течение жизненного цикла [11]. Это обуславливает актуальность применения интеллектуальных методов анализа данных и обоснованного выбора инструментальной платформы реализации моделей. В ходе работы проанализированы основные причины оттока пользователей, разделённые на естественные и мотивационные факторы. Рассмотрены современные методы и алгоритмы машинного обучения для решения задачи прогнозирования оттока, включая логистическую регрессию, деревья решений, случайный лес и градиентный бустинг [1, 8]. Дополнительно рассмотрена концептуальная модель потоков клиентов между поведенческими кластерами как направление дальнейшего развития решения [11]. В качестве базового алгоритма для прогнозирования выбран LightGBM - реализация градиентного бустинга, отличающаяся высокой скоростью обучения и точностью [2, 7]. Изучены математические основы градиентного бустинга и ключевые инновации LightGBM: градиентная односторонняя выборка (GOSS) и объединение взаимоисключающих признаков (EFB) [2]. Обоснована целесообразность использования данного алгоритма в рамках экосистемы .NET через библиотеку ML.NET [3, 10]. Результаты работы могут быть использованы для разработки программных решений по прогнозированию оттока пользователей, их интеграции в информационные системы на платформе .NET и поддержки принятия управленческих решений, направленных на повышение лояльности клиентов.

This paper examines methods for predicting user churn in information systems, focusing on the capabilities of the C#/.NET ecosystem for building and integrating machine learning models. In the context of the digitalization of the economy and increasing competition, user retention is becoming a critical task for organizations: the cost of retaining an existing customer is significantly lower than that of attracting a new one, and losing a customer means losing all purchases they could have made during their lifecycle [11]. This underscores the relevance of applying intelligent data analysis methods and the informed selection of a tool platform for implementing the models. This paper analyzes the main causes of user churn, dividing them into natural and motivational factors. Modern machine learning methods and algorithms for solving the problem of churn prediction are considered, including logistic regression, decision trees, random forests, and gradient boosting [1, 8]. Additionally, a conceptual model of customer flows between behavioral clusters is considered as a direction for further development of the solution [11]. LightGBM, a gradient boosting implementation characterized by high training speed and accuracy [2, 7], was chosen as the base forecasting algorithm. The mathematical foundations of gradient boosting and key LightGBM innovations, such as gradient-based one-way selection (GOSS) and feature-binning (EFB), were studied [2]. The feasibility of using this algorithm within the .NET ecosystem via the ML.NET library was substantiated [3, 10]. The results of this study can be used to develop software solutions for user churn prediction, integrate them into .NET-based information systems, and support management decision-making aimed at increasing customer loyalty.