KUCHTOVÁ, D. Návrh predikčního modelu věrnosti uživatelů založeného na strojovém učení [online]. Brno: Vysoké učení technické v Brně. Fakulta podnikatelská. 2023.

Posudek vedoucího

Doubravský, Karel

Tématem předložené práce je návrh predikčního modelu věrnosti zákazníků vybrané společnosti, kteří jsou uživateli jejího konkrétního produktu, za účelem volby vhodné marketingové kampaně. Práce je členěna do tří hlavních částí. Autorka využila vybrané literární zdroje a sestavila srozumitelnou teoretickou část, na kterou logicky navazuje část analytická a návrhová. V analytické části autorka analyzuje aktuálně používaný predikční model. V návrhové části se autorka zabývá návrhem a optimalizací tohoto predikčního modelu. Součástí návrhové části je i vyčíslení předpokládaného ekonomického dopadu při použití optimalizovaného modelu. Práce je zpracována na výborné úrovni a má odpovídající strukturu a grafickou úroveň. Použité metody jsou adekvátně zvoleny. Rozsah přehledu literatury je dostačující a odpovídá typu práce. Drobnou připomínku bych měl jen k řazení citací v textu na straně 14 až 16 a pro případného čtenáře uvést i zdroj informací v případě některých tabulek (Tab. 3 a 4). Z výše uvedených důvodů se domnívám, že práce splňuje podmínky kladené na bakalářskou práci a doporučuji práci k závěrečné obhajobě. Otázka k obhajobě: V úvodu práce píšete o věrnosti uživatelů a chování zákazníků. Z práce vyplývá, že na uživatele a zákazníka nahlížíte stejně. Mohla byste to vysvětlit?

Posudek oponenta

Bartík,, Vladimír

Cíle bakalářské práce, tj. vylepšení stávajícího klasifikačního modelu pro marketingové účely, který předpovídá obnovení licence softwarového produktu, byly splněny. Došlo k podstatnému zlepšení úspěšnosti modelu, a to díky vylepšení kvality vstupních dat a úpravě vstupních parametrů metody XGBoost, která byla pro tuto úlohu zvolena. Veškeré výsledky experimentů i zmíněné úpravy jsou v práci pečlivě zdokumentovány. Také teoretická část technické zprávy je kvalitní a srozumitelná, i když se zde studentka nevyhnula místy nepřesnostem v terminologii a popisech některých pojmů. Jako mírný nedostatek bych práci vytknul, že zde není diskuse ohledně možnosti použití jiných klasifikačních metod (např. založených na neuronových sítích) a není příliš zdůvodněna volba metody XGBoost (i když určitě netvrdím, že jde o volbu špatnou). Dále není zcela zřejmé, zda byla řešena nevyváženost vstupního vzorku dat. Naopak jako silnou stránku vnímám celkovou interpretaci získaných výsledků, jejich dokumentaci a zhodnocení ekonomických přínosů takto vytvořeného modelu. Zmíněné nedostatky nevnímám jako závažné, celkově si myslím, že je práce nadprůměrná, navrhuji hodnocení A (výborně) a doporučuji práci k obhajobě.

eVSKP id 151376