Exploring the Intersection of Algorithmic Development, Machine Learning, and Mathematics for Consumer Financial Decision Analysis

Thumbnail Image

Files

master_Sher_Agha_Aman_2023.pdf (8.55 MB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2023-12-12

Department

Major/Subject

Systems and Operations Research

Mcode

SCI3055

Degree programme

Master’s Programme in Mathematics and Operations Research

Language

en

Pages

5+72

Series

Abstract

Consumer behavior is difficult to model and predict as it is influenced by various complicated factors. However, if successful, modeling would give valuable information as its utilization could, for example, generate profits for companies. In this thesis, we aim to model consumers’ spending behavior by utilizing existing methods, e.g., Prophet and autoARIMA, and by creating a simple weighted average model. We go through how the models work, why and in which situations they should and/or should not be used. In addition, we compare the models with each other so that we can make our own conclusions about how the models perform in this field. Finally, we discuss possible future improvements and alternative approaches. In this thesis, we came to the conclusion that the models are not able to predict the consumers’ behavior with sufficient accuracy. The most challenging point in this type of modeling is that there are individual spikes in the time series of consumers, which are difficult to predict accurately. These spikes are e.g., users’ salaries or rent payments. The biggest obstacle in this work was the lack of data. This had a significant effect on the accuracy of the models.

Kuluttajien käyttäytymistä on vaikea mallintaa ja ennustaa, koska siihen vaikuttavat monet monimutkaiset tekijät. Kuitenkin mallinnus antaisi arvokasta tietoa, sillä sen hyödyntäminen voisi tuottaa esimerkiksi voittoa yrityksille. Tässä opinnäytetyössä pyrimme mallintamaan kuluttajien kulutuskäyttäytymistä hyödyntäen olemassa olevia menetelmiä. Käytämme työssä Prophetia, ARIMA- mallia sekä yksinkertaista painotetun keskiarvon menetelmää. Käymme läpi, miten mallit toimivat, miksi ja missä tilanteissa niitä pitäisi ja/tai ei pitäisi käyttää. Lisäksi vertaamme malleja keskenään, jotta voimme tehdä omat johtopäätöksemme mallien toimivuudesta tällä alalla. Lopuksi keskustelemme mahdollisista tulevista parannuksista ja vaihtoehtoisista ratkaisuista. Tässä opinnäytetyössä tulimme siihen tulokseen, että mallit eivät pysty ennusta- maan kuluttajien käyttäytymistä riittävän tarkasti. Haastavinta tällaisessa mallintamisessa on se, että kuluttajien aikasarjoissa on yksittäisiä piikkejä, joita on vaikea ennustaa tarkasti. Nämä piikit ovat mm. käyttäjien palkat tai vuokrat. Suurin este tässä työssä oli riittävän suurien aineistojen puute, jolla oli merkittävä vaikutus mallien tarkkuuteen.

Description

Supervisor

Ilmonen, Pauliina

Thesis advisor

Ilmonen, Pauliina

Keywords

time series, autoARIMA, prophet, weighted average, consumer behavior, prediction

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202312187349

Collections

[dipl] Perustieteiden korkeakoulu / SCI