Identifikacija najvažnijih značajki u modelu predviđanja uspješnosti poduzeća

master's thesis

• Title (english): Identification of the most important features in a company performance prediction model
• Author: Ivana Kuliš
• Mentor: Jelena Božek (mentor)
• Committee member: Jelena Božek (predsjednik povjerenstva)
• Committee member: Sonja Grgić (član povjerenstva)
• Committee member: Filip Turčinović (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2025-02-28, Croatia

Abstract

Rad istražuje mogućnosti primjene strojnog učenja u predviđanju uspješnosti poduzeća
temeljenog na javno dostupnim podacima Fortune 1000. Cilj rada je bio identificirati
ključne značajke koje najviše doprinose točnosti predviđanja ranga poduzeća i
analizirati njihov utjecaj. Koristeći algoritme stabla odluke, slučajne šume i XGBoost,
implementirani su modeli za predviđanje, a potom optimizirani s ciljem poboljšanja njihove
izvedbe. Provedena je eksploratorna analiza podataka kako bi se razumjeli odnosi
između značajki poput prihoda, dobiti, broja zaposlenika i sektora poslovanja.
Rezultati pokazuju da XGBoost postiže najbolje rezultate, s koeficijentom determinacije
(𝑅2) od 0,830 nakon optimizacije. Najvažnije značajke identificirane u svim modelima
uključuju imovinu poduzeća, broj zaposlenika, dobit i sektor poslovanja, dok su
lokacija poduzeća i promjene prihoda također imale mjerljiv utjecaj. Rad zaključuje da
integracija strojnog učenja i analize podataka omogućava bolje razumijevanje čimbenika
koji utječu na poslovni uspjeh te predlaže daljnje proširenje istraživanja na globalne podatke
i druge industrije.

Abstract (english)

This thesis explores the application of machine learning to predict business success
using publicly available Fortune 1000 data. The primary goal was to identify the key features
that contribute the most to the accuracy of ranking predictions and to analyze their
impact. Decision Tree, Random Forest, and XGBoost algorithms were implemented and
optimized to enhance performance. Exploratory data analysis was conducted to understand
the relationships between features such as revenue, profit, number of employees,
and business sectors.
The results demonstrate that XGBoost achieved the best performance, with a coefficient
of determination (𝑅2) of 0,830 after optimization. The most important features
identified across all models include company assets, number of employees, profit, and
business sector, while company location and revenue changes also had measurable influence.
The study concludes that the integration of machine learning and data analysis
enables a better understanding of the factors influencing business success and suggests
further research on global datasets and other industries.

• Keywords: strojno učenje; Fortune 1000; uspjeh poduzeća; stablo odluke; slučajna šuma; XGBoost
• Keywords (english): machine learning; Fortune 1000; business success; decision tree; random forest; XGBoost
• Language: croatian
• URN:NBN: urn:nbn:hr:168:630630
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2025-03-12 11:11:07