Multi-armed bandits

: a simulation gym for customer retention in a TelCo

Resumo

A indústria de telecomunicações altamente competitiva apresenta um desafio significativo para as TelCos na retenção de clientes. Para alcançar a retenção de clientes, as TelCos geralmente utilizam algoritmos de Aprendizado de Máquina (ML) para alinhar suas ofertas de produtos com as preferências dos clientes. No entanto, esses algoritmos têm limitações na exploração de interações passadas com clientes que podem conter viéses de diversas fontes. Esta tese investiga o potencial dos bandits multi-braços (MABs) para enfrentar esse desafio. MABs são um tipo de algoritmo de aprendizado por reforço que maximiza as recompensas a longo prazo e tem sido utilizado em diversas indústrias para otimizar a alocação de recursos. Este estudo utiliza dados históricos de retenção de clientes proativa para construir uma academia, simulando as operações diárias de uma TelCo. A academia permite a avaliação de múltiplas políticas e cenários em um ambiente offline. Os resultados do estudo mostram que os MABs podem equilibrar a exploração e a explotação e superar algoritmos clássicos em determinados casos. No entanto, quando o número de possíveis braços aumenta drasticamente, os algoritmos MAB mais simples podem enfrentar dificuldades. O estudo também mostra como podemos limitar estrategicamente esses braços para aumentar o desempenho sem mudar o algoritmo para um mais complexo. Em geral, esta pesquisa aprimora a compreensão do potencial e das limitações dos MABs para a retenção de clientes nas TelCos e fornece insights para sua implementação e implantação bem-sucedidas.

Data de atribuição	3 mai. 2023
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Miguel Godinho de Matos (Supervisor)