• search hit 1 of 1
Back to Result List

A machine learning approach for churn prediction within the social network Jodel

Ein Machine-Learning-Ansatz zur Vorhersage der Abwanderung von Nutzern am Beispiel des Sozialen Netzwerkes Jodel

  • Within the last decades, the number of social networks is growing fast. The competition of retaining the customers to grow their platform and increase their profitability is rising. That is why companies need to detect possible churners to retain these. The problem of predicting the users’ lifetime, churning users, and the reasons for churning can be tackled by using machine learning. The goal of this bachelor thesis is to build machine learning models to predict user churn and the user lifetime within the social network Jodel, a location-based anonymous messaging application for Android and iOS. To get the best possible prediction results, we have started with extensive literature research, whose approaches we have tested and added to a machine learning pipeline to build predictive models. With these models, we have investigated the performance after different observation time windows and have finally compared the strongest models to detect similarities and understand the insights to learn their behaviour. The results of thisWithin the last decades, the number of social networks is growing fast. The competition of retaining the customers to grow their platform and increase their profitability is rising. That is why companies need to detect possible churners to retain these. The problem of predicting the users’ lifetime, churning users, and the reasons for churning can be tackled by using machine learning. The goal of this bachelor thesis is to build machine learning models to predict user churn and the user lifetime within the social network Jodel, a location-based anonymous messaging application for Android and iOS. To get the best possible prediction results, we have started with extensive literature research, whose approaches we have tested and added to a machine learning pipeline to build predictive models. With these models, we have investigated the performance after different observation time windows and have finally compared the strongest models to detect similarities and understand the insights to learn their behaviour. The results of this thesis are machine learning models for a selected representative set of communities varying in size within the Kingdom of Saudi Arabia and a country model leveraging all data. These models are used for a regression task by predicting the lifetime of a user and a multi-label classification of a user into six different churn classes. Additionally, we have also given models for a binary classification, where the model will predict if the user will churn within a given time or not. These models have shown general strong predictive power, which is shrinking when limiting the observation time window. Especially the binary classification yielded high accuracy of over 99%. The best models have been used for predicting user churn within other communities to detect communities with possible similar behaviour. These similarities then have been determined by features’ importance, where the most important features have got fed back into empirics. This has shown statistically significant differences between user groups with a different active time but as of today no clear trends were visible that had led us to define the communities’ behaviours. Since the competition of social networks is still growing, the retaining of users will stay a core marketing strategy, which will need to be tackled by machine learning and artificial intelligence. The created models could be useful for predicting churning users within the platform Jodel to detect these customers that will churn within a given time. Researches did not focus much on anonymous and location-based messaging. That is why the results of this thesis on the anonymous messaging application Jodel opens a variety of possible tasks for the future in this context.show moreshow less
  • In den letzten Jahrzehnten ist die Zahl der sozialen Netzwerke schnell gewachsen. Der Wettbewerb um die Bindung der Kunden, um die Plattform zu vergrößern und die Rentabilität zu steigern, nimmt zu. Aus diesem Grund müssen Unternehmen mögliche Abwanderer erkennen, um diese zu binden. Das Problem der Vorhersage der Nutzerlebensdauer, der abwandernden Nutzer und der Gründe für die Abwanderung kann mit Hilfe von maschinellem Lernen angegangen werden. Ziel dieser Bachelorarbeit ist es, maschinelle Lernmodelle zur Vorhersage der Nutzerabwanderung und der Nutzerlebensdauer innerhalb des sozialen Netzwerks Jodel, einer ortsbezogenen anonymen Messaging-Anwendung für Android und iOS, zu erstellen. Um die bestmöglichen Vorhersageergebnisse zu erhalten, haben wir mit einer umfangreichen Literaturrecherche begonnen, deren Ansätze wir getestet und zu einer maschinellen Lernpipeline hinzugefügt haben, um Vorhersagemodelle zu erstellen. Mit diesen Modellen haben wir die Leistung nach verschiedenen Beobachtungszeitfenstern untersucht und schließlichIn den letzten Jahrzehnten ist die Zahl der sozialen Netzwerke schnell gewachsen. Der Wettbewerb um die Bindung der Kunden, um die Plattform zu vergrößern und die Rentabilität zu steigern, nimmt zu. Aus diesem Grund müssen Unternehmen mögliche Abwanderer erkennen, um diese zu binden. Das Problem der Vorhersage der Nutzerlebensdauer, der abwandernden Nutzer und der Gründe für die Abwanderung kann mit Hilfe von maschinellem Lernen angegangen werden. Ziel dieser Bachelorarbeit ist es, maschinelle Lernmodelle zur Vorhersage der Nutzerabwanderung und der Nutzerlebensdauer innerhalb des sozialen Netzwerks Jodel, einer ortsbezogenen anonymen Messaging-Anwendung für Android und iOS, zu erstellen. Um die bestmöglichen Vorhersageergebnisse zu erhalten, haben wir mit einer umfangreichen Literaturrecherche begonnen, deren Ansätze wir getestet und zu einer maschinellen Lernpipeline hinzugefügt haben, um Vorhersagemodelle zu erstellen. Mit diesen Modellen haben wir die Leistung nach verschiedenen Beobachtungszeitfenstern untersucht und schließlich die stärksten Modelle verglichen. Die Ergebnisse dieser Arbeit sind maschinelle Lernmodelle für eine ausgewählte repräsentative Gruppe von Gemeinden unterschiedlicher Größe im Königreich Saudi-Arabien und ein Ländermodell, das alle Daten nutzt. Diese Modelle werden für eine Regressionsaufgabe verwendet, bei der die Lebensdauer eines Benutzers vorhergesagt wird, sowie für eine Multi-Label-Klassifizierung eines Benutzers in sechs verschiedene Abwanderungsklassen. Darüber hinaus haben wir auch Modelle für eine binäre Klassifizierung erstellt, bei der das Modell vorhersagt, ob der Nutzer innerhalb einer bestimmten Zeit abwandert oder nicht. Diese Modelle haben eine allgemein starke Vorhersagekraft gezeigt, die mit der Einschränkung des Beobachtungszeitfensters abnimmt. Insbesondere die binäre Klassifizierung ergab eine hohe Genauigkeit von über 99 %. Die besten Modelle wurden für die Vorhersage der Nutzerabwanderung in anderen Gemeinschaften verwendet, um Gemeinschaften mit möglicherweise ähnlichem Verhalten zu ermitteln. Diese Ähnlichkeiten wurden dann anhand der Wichtigkeit der Merkmale bestimmt, wobei die wichtigsten Merkmale in die Empirie zurückgeführt wurden. Dies hat statistisch signifikante Unterschiede zwischen Nutzergruppen mit unterschiedlicher Aktivitätszeit gezeigt, jedoch ohne klare Trends zur Definition von Verhaltensweisen der Gemeinschaften. Da die Konkurrenz unter den sozialen Netzwerken weiterwächst, wird die Bindung von Nutzern eine zentrale Marketingstrategie bleiben, die durch maschinelles Lernen und künstliche Intelligenz angegangen werden muss. Die erstellten Modelle könnten für die Vorhersage von abwandernden Nutzern innerhalb der Plattform Jodel nützlich sein, um die Kunden zu erkennen, die innerhalb einer bestimmten Zeit abwandern werden.show moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar Stastistics
Metadaten
Author: Max Bergmann
URN:urn:nbn:de:kobv:co1-opus4-60878
DOI:https://doi.org/10.26127/BTUOpen-6087
Referee / Advisor:Prof. Dr. rer. nat. Oliver HohlfeldORCiD
Document Type:Bachelor thesis
Language:English
Year of Completion:2021
Date of final exam:2021/03/05
Release Date:2022/11/17
Tag:Abwanderungsvorhersage; Klassifizierungsbäume; Maschinelles Lernen; Neuronale Netze; Regressionsbäume
Churn prediction; Feature engineering; Machine learning; Neural networks; Python
GND Keyword:Maschinelles Lernen; Online-Community; Prognose
Institutes:Fakultät 1 MINT - Mathematik, Informatik, Physik, Elektro- und Informationstechnik / FG Rechnernetze und Kommunikationssysteme
Other Notes:Based on the results of this Bachelor Thesis, a Paper was published, that includes and extends the results of this work: Understanding & Predicting User Lifetime with Machine Learning in an Anonymous Location-Based Social Network (DOI:10.1145/3442442.3451887)
Licence (German):Creative Commons - CC BY-NC-ND - Namensnennung - Nicht kommerziell - Keine Bearbeitungen 4.0 International
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.