Por favor, use este identificador para citar o enlazar este ítem:
https://rd.uffs.edu.br/handle/prefix/3361| Type: | Monografia |
| Título : | Utilizando machine learning para identificar clientes trials que se tornarão pagantes em um SAAS |
| Author: | Vicente, Igor Lemos |
| First advisor: | Duarte, Denio |
| Resume: | Um sistema SaaS éum software oferecido como serviço tal que um usuário que o deseje utilizar precisa apenas de uma forma de acesso, normalmente via navegador web. Nesse modelo de entrega de software, os sistemas pagos normalmente possuem um período chamado de trial em que o usuário pode testar o sistema antes de comprá-lo. Este trabalho tem por objetivo identificar quais são os usuários em trial que se tornarão pagantes em um sistema SaaS. Para isso, os dados gerados pelo uso cliente no sistema são usados em 3 algoritmos de classificação: Support Vector Classifier, K Nearest Neighbours e Random Forest Classifier. Além dos dados gerados pelo usuário, novos dados estatísticos que são gerados na execução deste trabalho também se mostraram úteis na predição da assinatura do cliente. Nos testes realizados, o Random Forest Classifier obteve uma performance melhor na métrica F1-score. Ao final do trabalho, um modelo é criado para a utilização na empresa fornecedora dos dados. |
| Resumen : | A SaaS system is a software delivered as a service in such a way that an user that wants to use it need only a way to access it, usually via a web browser. In this software delivery model, paid systems usually have an time range called trial in which an user can test the system before buying it. This issue has as a goal the identification of the users in trial who will become payers in a SaaS system. For that, the generated data by the customer’s system use are used in 3 classification algorithms: Support Vector Classifier, K Nearest Neighbours and Random Forest Classifier. Besides the user’s generated data, new statistical data generated in the execution of this issue showed to be useful on the customer’s subscription prediction. In the executed tests, Random Forest Classifier obtained better performance on the F1-score metric. In the end of the issue, a model is created to be used in the case company. |
| Palabras clave : | Softwares Aprendizado computacional Ciência da computação |
| Language: | por |
| Country: | Brasil |
| Editorial : | Universidade Federal da Fronteira Sul |
| Acronym of the institution: | UFFS |
| College, Institute or Department: | Campus Chapecó |
| Type of Access: | Acesso Aberto |
| URI : | https://rd.uffs.edu.br/handle/prefix/3361 |
| Fecha de publicación : | 2019 |
| Aparece en las colecciones: | Ciência da Computação |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| VICENTE.pdf | 3,1 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.