CUSTOMER CHURN PREDICTION ANALYSIS IN A TELECOMMUNICATION COMPANY WITH MACHINE LEARNING ALGORITHMS

Authors : Zeynep Uyar Erdem, Banu Çaliş, Seniye Ümit Firat

Pages : 496-512

View : 28 | Download : 10

Publication Date : 2021-12-31

Article Type : Research

Abstract :Bu araştırmanın amacı, makine öğrenimi algoritmalarının değerlendirilmesinin etkili bir müşteri kayıp tahmini (MKT) metodolojisine yönelik açıklayıcı bir analizini sağlamaktır. Hızla gelişen Müşteri İlişkileri Yönetimi (MİY) alanında, kaybetme eğiliminde olan müşterileri tutmak için uygun bir MKT metodolojisi önermek için, belirli müşterilerden açık kaynaklı bir veri madenciliği yazılımı olan WEKA'da oluşturulan makine öğrenimi algoritmalarını kullanarak bir telekomünikasyon şirketinden gelen anonim büyük bir veri setinden müşteri kaybını tahmin etmek için bir dizi veri madenciliği analizi yapılmıştır. Çalışma boyunca, Türkiye'deki özel bir telekomünikasyon şirketinden sırasıyla 195712, 32905 ve 228617 müşteri sayılarına sahip bireysel, kurumsal ve birleşik veri setleri kullanılarak müşteri kayıp tahminine ilişkin bir dizi deneysel analiz yapılmıştır. Müşteri kayıp durumunun tahmini için altı veri madenciliği algoritması değerlendirildi: Lojistik Regresyon, Naive Bayes, J48 ve RandomForest, Bagging ve Boosting gibi ELM şemaları. RandomForest, RandomTree'yi kullanırken, Bagging, temel öğrenme olarak J48'i kullanmaktadır. Deneysel analizler, MKT için uygulanan bu tür veri madenciliği analizlerine dayalı olarak gelecekteki müşteri kayıplarının olasılığının belirlenmesi için bazı karar ağaçlarının ve topluluk makine öğrenme sınıflandırıcılarının etkinliğini doğrulamak için şirketin tarihsel veri tabanından elde edilen reel veri kümeleri ile gerçekleştirilir. Sonuçlar, J48'in tüm veri kümelerine göre Naive Bayes'ten daha iyi performans gösterdiğini ve Lojistik Regresyon sınıflandırıcı şemasına çok benzer sonuçlar verdiğini göstermektedir. Ayrıca, Bagging büyük boyutlu veritabanını çözmediğinden ve J48, bireysel ve eksiksiz veri setlerinde benzer doğru sonuçlar verdiğinden, J48 karar ağacı sınıflandırıcısının yanı sıra müşteri kaybı tahmini için Bagging seçilebilir.
Keywords : Veri madenciliği, Müşteri Kayıp Analizi, Müşteri İlişkileri Yönetimi