Loading...
Publication
Safe bets : forecasting who’ll buy home alarms
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.25 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Telecommunications companies face constant pressure to adapt to technological advancements and updates. Simultaneously, these organizations explore new revenue streams to sustain growth and address competitive pressures. NOS expanded its operations into the home alarm market in 2022 in partnership with Securitas, a European leader in the security sector. This strategy aligns with the prospects of increased demand for smart devices in Portugal and the increased benefits of targeting adjacencies. Cross-selling to existing customers is one of the growth levers of this new service. NOS already has segmentation criteria for the next best offer system. However, for Alarms specifically, business rules are used to select the most likely-to-buy customers due to its recency. The aim of this thesis is to (1) collaborate with the marketing product team to identify key drivers influencing the purchase of alarm products and (2) develop a propensity model using features that best capture these drivers. Logistic Regression, Decision Tree, Random Forest, and XGBoost were tested. Emphasis was placed on geographical variables, as significant work had already been conducted to map alarm installations at specific coordinates across Portugal. The results of this study showed that financial variables play a crucial role in calculating the likelihood of a customer buying this service, together with the previous relationship with NOS. Geographical variables showed relevance for improving the performance of the models but with a low degree of significance. Finally, it was possible to develop models with higher performance compared with NOS current approach.
Empresas de telecomunicações enfrentam pressão constante para se adaptarem a avanços tecnológicos e explorar novas fontes de receitas para enfrentar a concorrência e suportar crescimento. A NOS expandiu as suas operações para o mercado de alarmes domésticos em 2022, em parceria com a Securitas, líder europeu no setor da segurança. Esta estratégia alinha-se com a perspetiva de um aumento de procura por dispositivos inteligentes em Portugal, juntamente com os benefícios de abordar mercados adjacentes. A venda cruzada é uma das técnicas de crescimento deste novo serviço. A NOS dispõe de critérios de segmentação para o sistema de próxima melhor oferta. Porém, especificamente para os Alarmes, sendo recente, são utilizadas regras de negócio para selecionar os clientes com maior probabilidade de compra. O objetivo desta tese é (1) colaborar com a equipa de marketing do produto para identificar os principais fatores que influenciam a compra de alarme e (2) desenvolver um modelo de propensão que capture esses fatores. Regressão Logística, Árvore de Decisão, Floresta Aleatória e XGBoost foram testados. Foi colocado ênfase nas variáveis geográficas, visto haver trabalho significativo a mapear instalações de alarme em coordenadas específicas em Portugal. Os resultados mostraram que as variáveis financeiras desempenham um papel crucial no cálculo da probabilidade de um cliente comprar este serviço, juntamente a relação prévia com a NOS. As variáveis geográficas melhoraram o desempenho dos modelos, mas com um baixo grau de significância. Por fim, foi possível desenvolver modelos com maior desempenho comparativamente à abordagem atual da NOS.
Empresas de telecomunicações enfrentam pressão constante para se adaptarem a avanços tecnológicos e explorar novas fontes de receitas para enfrentar a concorrência e suportar crescimento. A NOS expandiu as suas operações para o mercado de alarmes domésticos em 2022, em parceria com a Securitas, líder europeu no setor da segurança. Esta estratégia alinha-se com a perspetiva de um aumento de procura por dispositivos inteligentes em Portugal, juntamente com os benefícios de abordar mercados adjacentes. A venda cruzada é uma das técnicas de crescimento deste novo serviço. A NOS dispõe de critérios de segmentação para o sistema de próxima melhor oferta. Porém, especificamente para os Alarmes, sendo recente, são utilizadas regras de negócio para selecionar os clientes com maior probabilidade de compra. O objetivo desta tese é (1) colaborar com a equipa de marketing do produto para identificar os principais fatores que influenciam a compra de alarme e (2) desenvolver um modelo de propensão que capture esses fatores. Regressão Logística, Árvore de Decisão, Floresta Aleatória e XGBoost foram testados. Foi colocado ênfase nas variáveis geográficas, visto haver trabalho significativo a mapear instalações de alarme em coordenadas específicas em Portugal. Os resultados mostraram que as variáveis financeiras desempenham um papel crucial no cálculo da probabilidade de um cliente comprar este serviço, juntamente a relação prévia com a NOS. As variáveis geográficas melhoraram o desempenho dos modelos, mas com um baixo grau de significância. Por fim, foi possível desenvolver modelos com maior desempenho comparativamente à abordagem atual da NOS.
Description
Keywords
Telecommunication industry Machine learning Machine learning algorithms Next-best-offer Home security systems Geospatial features Calibration Indústria de telecomunicações Aprendizagem automática Algoritmos de aprendizagem automática Próxima melhor oferta Sistemas de segurança doméstica Variáveis geoespaciais Calibração
Citation
Publisher
CC License
Without CC licence