Imagem da capa

Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular

Measuring the quality of mobile telecommunications services is very important for telephone operators, since there are more smartphones than inhabitants in the Brazilian territory. Quality is sometimes measured through satisfaction, which in turn is collected through questionnaires, so the use of ma...

ver descrição completa

Autor principal: Athayde Neto, Luiz Gonzaga Lacerda de
Formato: Trabalho de Conclusão de Curso (Graduação)
Idioma: Português
Publicado em: Universidade Tecnológica Federal do Paraná 2023
Assuntos:
Aprendizado do computador
Satisfação do consumidor
Sistemas de telefonia celular
Machine learning
Consumer satisfaction
Cell phone systems
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO
Acesso em linha: http://repositorio.utfpr.edu.br/jspui/handle/1/30550
Tags: Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
id riut-1-30550
recordtype dspace
spelling riut-1-305502023-02-11T06:07:01Z Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular Application of machine learning techniques to classify customers satisfaction of cellular tellecomunication services Athayde Neto, Luiz Gonzaga Lacerda de Lima, Rafael Henrique Palma Lima, Rafael Henrique Palma Santos, Bruno Samways dos Andrade, Pedro Rochavetz de Lara Aprendizado do computador Satisfação do consumidor Sistemas de telefonia celular Machine learning Consumer satisfaction Cell phone systems CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO Measuring the quality of mobile telecommunications services is very important for telephone operators, since there are more smartphones than inhabitants in the Brazilian territory. Quality is sometimes measured through satisfaction, which in turn is collected through questionnaires, so the use of machine learning techniques can help to classify satisfaction, such as understanding the factors of greatest impact. Therefore, the objective of this work is to study and apply machine learning techniques in a database of ANATEL (National Telecommunications Agency), in order to determine which are the most important factors in the telecommunications service for the satisfaction of operators' customers and which algorithm obtains the best results in the classification of satisfaction. The Random Forest, Naïve Bayes, Logistic Regression, K-Nearest Neighbors, Multilayer Perceptron, Support Vector Machine and Decision Tree algorithms were used, and they were evaluated by the Accuracy, Precision, Recall, F1-score and AUC-score metrics. The results of the application showed that Random Forest presented the best results with an accuracy of 0.875 for the test set after cross-validation. Analyzing the importance of the attributes, it is perceived that the quality of the internet, both in stability and speed, is very important in customer satisfaction. Medir a qualidade dos serviços de telecomunicações móveis é muito importante para operadoras de telefonia, já que existem mais celulares inteligentes do que habitantes no território brasileiro. A qualidade por vezes é medida através da satisfação que por sua vez é coletada através de questionários, com isso a utilização de técnicas de aprendizado de máquina pode ajudar a classificar a satisfação, como entender os fatores de maior impacto. Portanto, o objetivo deste trabalho é estudar e aplicar técnicas de aprendizado de máquina em uma base de dados da ANATEL (Agência Nacional de Telecomunicações), a fim de determinar quais são os fatores mais importantes no serviço de telecomunicações para a satisfação dos clientes das operadoras e qual algoritmo obtém os melhores resultados na classificação da satisfação. Foram utilizados os algoritmos Random Forest, Naïve Bayes, Logistic Regression, K-Nearest Neighbors, Multilayer Perceptron, Support Vector Machine e Decision Tree, sendo eles avaliados pelas métricas Acurácia, Precisão, Recall, F1-score e AUC-score. Os resultados da aplicação demonstraram que o Random Forest apresentou os melhores resultados com uma acurácia de 0,875 para o conjunto de teste após a validação cruzada. Analisando as importâncias dos atributos percebe-se que a qualidade da internet, tanto em estabilidade quanto em velocidade, tem muita importância na satisfação dos clientes. 2023-02-10T20:49:35Z 2023-02-10T20:49:35Z 2022-11-21 bachelorThesis ATHAYDE NETO, Luiz Gonzaga Lacerda de. Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Produção) - Universidade Tecnológica Federal do Paraná, Londrina, 2022. http://repositorio.utfpr.edu.br/jspui/handle/1/30550 por openAccess https://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf Universidade Tecnológica Federal do Paraná Londrina Brasil Engenharia de Produção UTFPR
institution Universidade Tecnológica Federal do Paraná
collection RIUT
language Português
topic Aprendizado do computador
Satisfação do consumidor
Sistemas de telefonia celular
Machine learning
Consumer satisfaction
Cell phone systems
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO
spellingShingle Aprendizado do computador
Satisfação do consumidor
Sistemas de telefonia celular
Machine learning
Consumer satisfaction
Cell phone systems
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO
Athayde Neto, Luiz Gonzaga Lacerda de
Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular
description Measuring the quality of mobile telecommunications services is very important for telephone operators, since there are more smartphones than inhabitants in the Brazilian territory. Quality is sometimes measured through satisfaction, which in turn is collected through questionnaires, so the use of machine learning techniques can help to classify satisfaction, such as understanding the factors of greatest impact. Therefore, the objective of this work is to study and apply machine learning techniques in a database of ANATEL (National Telecommunications Agency), in order to determine which are the most important factors in the telecommunications service for the satisfaction of operators' customers and which algorithm obtains the best results in the classification of satisfaction. The Random Forest, Naïve Bayes, Logistic Regression, K-Nearest Neighbors, Multilayer Perceptron, Support Vector Machine and Decision Tree algorithms were used, and they were evaluated by the Accuracy, Precision, Recall, F1-score and AUC-score metrics. The results of the application showed that Random Forest presented the best results with an accuracy of 0.875 for the test set after cross-validation. Analyzing the importance of the attributes, it is perceived that the quality of the internet, both in stability and speed, is very important in customer satisfaction.
format Trabalho de Conclusão de Curso (Graduação)
author Athayde Neto, Luiz Gonzaga Lacerda de
author_sort Athayde Neto, Luiz Gonzaga Lacerda de
title Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular
title_short Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular
title_full Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular
title_fullStr Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular
title_full_unstemmed Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular
title_sort aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular
publisher Universidade Tecnológica Federal do Paraná
publishDate 2023
citation ATHAYDE NETO, Luiz Gonzaga Lacerda de. Aplicação de técnicas de machine learning para classificar a satisfação de clientes de serviços de telefonia celular. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Produção) - Universidade Tecnológica Federal do Paraná, Londrina, 2022.
url http://repositorio.utfpr.edu.br/jspui/handle/1/30550
_version_ 1805452934457065472
score 10,814766

Registros relacionados