Predikce finančního chování interních zákazníků Siemens pomocí strojového učení
| Název práce: | Machine Learning-Based Prediction of Financial Behavior Of Customers |
|---|---|
| Autor(ka) práce: | Junková, Veronika |
| Typ práce: | Diploma thesis |
| Vedoucí práce: | Zimmermann, Pavel |
| Oponenti práce: | Palm, Lukáš |
| Jazyk práce: | English |
| Abstrakt: | This thesis proposes a machine learning-based approach to predict the financial behavior of Siemens' internal customers using contracting and billing data. The developed models forecast actual consumption across diverse services, providing enhanced insights into consumption patterns and financial trends. Leveraging comprehensive datasets—including customer attributes, service specifications, contract details, and historical usage records—the analysis combines Graph Neural Networks and XGBoost to improve forecast accuracy. The anticipated outcome is a practical tool that enhances Siemens’ financial planning, service management, and resource allocation processes. |
| Klíčová slova: | predictive modeling; xgboost; machine learning; graph neural networks; financial forecasting |
| Název práce: | Predikce finančního chování interních zákazníků Siemens pomocí strojového učení |
|---|---|
| Autor(ka) práce: | Junková, Veronika |
| Typ práce: | Diplomová práce |
| Vedoucí práce: | Zimmermann, Pavel |
| Oponenti práce: | Palm, Lukáš |
| Jazyk práce: | English |
| Abstrakt: | Tato diplomová práce navrhuje využití metod strojového učení k analýze a predikci finančního chování interních zákazníků Siemens na základě dat o smlouvách a účtování služeb. Vyvinuté modely predikují skutečnou spotřebu různých služeb a umožňují přesnější pochopení finančních trendů a spotřebitelského chování. Analýza využívá detailní datové zdroje zahrnující zákaznické informace, specifikace služeb, údaje o smluvních závazcích a historické spotřebě, přičemž kombinuje grafové neuronové sítě (GNN) a XGBoost k dosažení vyšší přesnosti predikcí. Výsledkem práce je praktický nástroj, který pomůže společnosti Siemens efektivněji plánovat finance, řídit nabídku služeb a optimalizovat využití zdrojů. |
| Klíčová slova: | prediktivni modelovani; xgboost; financni predikce; grafove neuronove site; strojove uceni |
Informace o studiu
| Studijní program / obor: | Data a analytika pro business |
|---|---|
| Typ studijního programu: | Magisterský studijní program |
| Přidělovaná hodnost: | Ing. |
| Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
| Fakulta: | Fakulta informatiky a statistiky |
| Katedra: | Katedra informačních technologií |
Informace o odevzdání a obhajobě
| Datum zadání práce: | 4. 4. 2025 |
|---|---|
| Datum podání práce: | 5. 5. 2025 |
| Datum obhajoby: | 4. 6. 2025 |
| Identifikátor v systému InSIS: | https://insis.vse.cz/zp/92085/podrobnosti |