{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3335555"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3335555","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Credit Card Attrition Analysis Through Trigonometrically Activated WASD Neural Networks","abstract":"Η μείωση του κόστους, ένας παράγοντας που συνεισφέρει τόσο στην κερδοφορία όσο και στη μακροβιότητα μιας επιχείρησης και ιδιαίτερα ενός χρηματοπιστωτικού ιδρύματος, μπορεί να επιτευχθεί μέσω αύξησης του ποσοστού διακράτησης πελατών. Οι πελάτες με πιστωτικές κάρτες αποτελούν ένα ευμετάβλητο υποσύνολο του πελατολογίου ενός τραπεζικού ιδρύματος. Ως αποτέλεσμα, οι τράπεζες θα ήθελαν να μπορούν να προβλέψουν εκ των προτέρων ποιοι από αυτούς τους πελάτες πρόκειται να φύγουν, έτσι ώστε να τους προσεγγίσουν με προληπτικές καμπάνιες marketing. Τα νευρωνικά δίκτυα έχουν εφαρμοστεί ευρέως σε προβλήματα ταξινόμησης. Η ανάλυση για απώλεια πελατών με πιστωτικές κάρτες αποτελεί μια υποενότητα με πολλές προκλήσεις, όπως μη-ισορροπημένα set δεδομένων, που όμως δεν έχει διερευνηθεί αρκετά. Προκειμένου να ξεπεραστούν τα σχετικά εμπόδια αλλά και να αντιμετωπιστούν οι ελλείψεις των κλασσικών αλγορίθμων back propagation για νευρωνικά δίκτυα, κατασκευάζουμε ένα τριγωνομετρικό weights and structure determination (WASD) νευρωνικό δίκτυο για αυθαίρετο αριθμό input, το οποίο εμπεριέχει τεχνικές βελτιστοποίησης της δομής του καθώς και άλλες τεχνικές οι οποίες αφενός αυξάνουν την ταχύτητα με την οποία εκπαιδεύεται, αφετέρου μειώνουν τον κίνδυνο και τις επακόλουθες καταστροφικές επιπτώσεις του overfitting. Έχοντας εφαρμοστεί πάνω σε τρία κοινώς διαθέσιμα set δεδομένων, το WASD νευρωνικό δίκτυο επιδεικνύει είτε ανώτερη είτε υψηλά ανταγωνιστική επίδοση σε όλα τα μετρικά, ερχόμενο σε σύγκριση με δημοφιλή-παγιωμένα μοντέλα ταξινόμησης από το classification learner app της MATLAB.","abstract_html":"Η μείωση του κόστους, ένας παράγοντας που συνεισφέρει τόσο στην κερδοφορία όσο και στη μακροβιότητα μιας επιχείρησης και ιδιαίτερα ενός χρηματοπιστωτικού ιδρύματος, μπορεί να επιτευχθεί μέσω αύξησης του ποσοστού διακράτησης πελατών. Οι πελάτες με πιστωτικές κάρτες αποτελούν ένα ευμετάβλητο υποσύνολο του πελατολογίου ενός τραπεζικού ιδρύματος. Ως αποτέλεσμα, οι τράπεζες θα ήθελαν να μπορούν να προβλέψουν εκ των προτέρων ποιοι από αυτούς τους πελάτες πρόκειται να φύγουν, έτσι ώστε να τους προσεγγίσουν με προληπτικές καμπάνιες marketing. Τα νευρωνικά δίκτυα έχουν εφαρμοστεί ευρέως σε προβλήματα ταξινόμησης. Η ανάλυση για απώλεια πελατών με πιστωτικές κάρτες αποτελεί μια υποενότητα με πολλές προκλήσεις, όπως μη-ισορροπημένα set δεδομένων, που όμως δεν έχει διερευνηθεί αρκετά. Προκειμένου να ξεπεραστούν τα σχετικά εμπόδια αλλά και να αντιμετωπιστούν οι ελλείψεις των κλασσικών αλγορίθμων back propagation για νευρωνικά δίκτυα, κατασκευάζουμε ένα τριγωνομετρικό weights and structure determination (WASD) νευρωνικό δίκτυο για αυθαίρετο αριθμό input, το οποίο εμπεριέχει τεχνικές βελτιστοποίησης της δομής του καθώς και άλλες τεχνικές οι οποίες αφενός αυξάνουν την ταχύτητα με την οποία εκπαιδεύεται, αφετέρου μειώνουν τον κίνδυνο και τις επακόλουθες καταστροφικές επιπτώσεις του overfitting. Έχοντας εφαρμοστεί πάνω σε τρία κοινώς διαθέσιμα set δεδομένων, το WASD νευρωνικό δίκτυο επιδεικνύει είτε ανώτερη είτε υψηλά ανταγωνιστική επίδοση σε όλα τα μετρικά, ερχόμενο σε σύγκριση με δημοφιλή-παγιωμένα μοντέλα ταξινόμησης από το classification learner app της MATLAB.","abstract_has_math":false,"creators":["Σαχάς Ρωμανός","Sachas Romanos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:48Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3335555"],"render_values":[{"text":"uoadl:3335555","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3335555","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3335555","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3335555","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σαχάς Ρωμανός","Sachas Romanos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3335555","https://pergamos.lib.uoa.gr/uoa/dl/object/3335555"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η μείωση του κόστους, ένας παράγοντας που συνεισφέρει τόσο στην κερδοφορία όσο και στη μακροβιότητα μιας επιχείρησης και ιδιαίτερα ενός χρηματοπιστωτικού ιδρύματος, μπορεί να επιτευχθεί μέσω αύξησης του ποσοστού διακράτησης πελατών. Οι πελάτες με πιστωτικές κάρτες αποτελούν ένα ευμετάβλητο υποσύνολο του πελατολογίου ενός τραπεζικού ιδρύματος. Ως αποτέλεσμα, οι τράπεζες θα ήθελαν να μπορούν να προβλέψουν εκ των προτέρων ποιοι από αυτούς τους πελάτες πρόκειται να φύγουν, έτσι ώστε να τους προσεγγίσουν με προληπτικές καμπάνιες marketing. Τα νευρωνικά δίκτυα έχουν εφαρμοστεί ευρέως σε προβλήματα ταξινόμησης. Η ανάλυση για απώλεια πελατών με πιστωτικές κάρτες αποτελεί μια υποενότητα με πολλές προκλήσεις, όπως μη-ισορροπημένα set δεδομένων, που όμως δεν έχει διερευνηθεί αρκετά. Προκειμένου να ξεπεραστούν τα σχετικά εμπόδια αλλά και να αντιμετωπιστούν οι ελλείψεις των κλασσικών αλγορίθμων back propagation για νευρωνικά δίκτυα, κατασκευάζουμε ένα τριγωνομετρικό weights and structure determination (WASD) νευρωνικό δίκτυο για αυθαίρετο αριθμό input, το οποίο εμπεριέχει τεχνικές βελτιστοποίησης της δομής του καθώς και άλλες τεχνικές οι οποίες αφενός αυξάνουν την ταχύτητα με την οποία εκπαιδεύεται, αφετέρου μειώνουν τον κίνδυνο και τις επακόλουθες καταστροφικές επιπτώσεις του overfitting. Έχοντας εφαρμοστεί πάνω σε τρία κοινώς διαθέσιμα set δεδομένων, το WASD νευρωνικό δίκτυο επιδεικνύει είτε ανώτερη είτε υψηλά ανταγωνιστική επίδοση σε όλα τα μετρικά, ερχόμενο σε σύγκριση με δημοφιλή-παγιωμένα μοντέλα ταξινόμησης από το classification learner app της MATLAB.","Cost reduction, a component that contributes to both the profitability and longevity of a corporation and especially of a financial institution, can be accomplished through greater client retention. Credit card customers comprise a volatile subset of a bank’s client base. As such, banks would like to predict in advance which of those clients are likely to attrite, so as to approach them with proactive marketing campaigns. Neural networks have found great application in many classification problems. Credit card attrition is a poorly investigated subtopic that poses many challenges, such as highly imbalanced datasets. To overcome the related obstacles, as well as account for the shortcomings of traditional back propagation neural networks, we construct a general input, trigonometrically activated weights and structure determination (WASD) neural network which incorporates structure trimming as well as other techniques that boost it’s training speed and diminish the danger and the subsequent detrimental effects of overfitting. When applied to three publicly available datasets, the WASD neural network demonstrated either superior or highly competitive performance across all metrics, compared to well established classification models coming from MATLAB’s classification learner app."]},{"key":"dc:title","label":"Title","values":["Credit Card Attrition Analysis Through Trigonometrically Activated WASD Neural Networks"]}]}],"canonical_facts":{"dc:creator":["Σαχάς Ρωμανός","Sachas Romanos"],"dc:date":["2023"],"dc:description":["Η μείωση του κόστους, ένας παράγοντας που συνεισφέρει τόσο στην κερδοφορία όσο και στη μακροβιότητα μιας επιχείρησης και ιδιαίτερα ενός χρηματοπιστωτικού ιδρύματος, μπορεί να επιτευχθεί μέσω αύξησης του ποσοστού διακράτησης πελατών. Οι πελάτες με πιστωτικές κάρτες αποτελούν ένα ευμετάβλητο υποσύνολο του πελατολογίου ενός τραπεζικού ιδρύματος. Ως αποτέλεσμα, οι τράπεζες θα ήθελαν να μπορούν να προβλέψουν εκ των προτέρων ποιοι από αυτούς τους πελάτες πρόκειται να φύγουν, έτσι ώστε να τους προσεγγίσουν με προληπτικές καμπάνιες marketing. Τα νευρωνικά δίκτυα έχουν εφαρμοστεί ευρέως σε προβλήματα ταξινόμησης. Η ανάλυση για απώλεια πελατών με πιστωτικές κάρτες αποτελεί μια υποενότητα με πολλές προκλήσεις, όπως μη-ισορροπημένα set δεδομένων, που όμως δεν έχει διερευνηθεί αρκετά. Προκειμένου να ξεπεραστούν τα σχετικά εμπόδια αλλά και να αντιμετωπιστούν οι ελλείψεις των κλασσικών αλγορίθμων back propagation για νευρωνικά δίκτυα, κατασκευάζουμε ένα τριγωνομετρικό weights and structure determination (WASD) νευρωνικό δίκτυο για αυθαίρετο αριθμό input, το οποίο εμπεριέχει τεχνικές βελτιστοποίησης της δομής του καθώς και άλλες τεχνικές οι οποίες αφενός αυξάνουν την ταχύτητα με την οποία εκπαιδεύεται, αφετέρου μειώνουν τον κίνδυνο και τις επακόλουθες καταστροφικές επιπτώσεις του overfitting. Έχοντας εφαρμοστεί πάνω σε τρία κοινώς διαθέσιμα set δεδομένων, το WASD νευρωνικό δίκτυο επιδεικνύει είτε ανώτερη είτε υψηλά ανταγωνιστική επίδοση σε όλα τα μετρικά, ερχόμενο σε σύγκριση με δημοφιλή-παγιωμένα μοντέλα ταξινόμησης από το classification learner app της MATLAB.","Cost reduction, a component that contributes to both the profitability and longevity of a corporation and especially of a financial institution, can be accomplished through greater client retention. Credit card customers comprise a volatile subset of a bank’s client base. As such, banks would like to predict in advance which of those clients are likely to attrite, so as to approach them with proactive marketing campaigns. Neural networks have found great application in many classification problems. Credit card attrition is a poorly investigated subtopic that poses many challenges, such as highly imbalanced datasets. To overcome the related obstacles, as well as account for the shortcomings of traditional back propagation neural networks, we construct a general input, trigonometrically activated weights and structure determination (WASD) neural network which incorporates structure trimming as well as other techniques that boost it’s training speed and diminish the danger and the subsequent detrimental effects of overfitting. When applied to three publicly available datasets, the WASD neural network demonstrated either superior or highly competitive performance across all metrics, compared to well established classification models coming from MATLAB’s classification learner app."],"dc:identifier":["uoadl:3335555","https://pergamos.lib.uoa.gr/uoa/dl/object/3335555"],"dc:language":["English"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Credit Card Attrition Analysis Through Trigonometrically Activated WASD Neural Networks"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:48Z"}