Makine öğrenmesi yöntemleri ile e-ticarette müşteri kaybı tahmini
Customer churn prediction in e-commerce using machine learning methods
- Tez No: 1006245
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKALP TULUM
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilim ve mühendislik uygulamaları, Yazılım mühendisliği, Science and engineering practices, Software engineering
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
E-ticaret alanında işletmelerin varlığını sürdürebilme ve kâr edebilme durumları müşteri devamlılığının korunması ile gerçekleşmektedir. Yeni müşteri kazanma maliyetinin var olan müşterileri elde tutma maliyetinden daha yüksek olması, işletmenin yaşayabileceği olası müşteri kayıplarını tahmin edip buna yönelik önleyici stratejiler geliştirmesini bir öncelik haline getirmektedir. Bu çalışmada, makine öğrenmesi yöntemleri kullanılarak işletmelerin yaşayabileceği müşteri kayıp durumlarını tahmin etme, veriler üzerinde müşteri davranışlarını anlamayı sağlayan önemli özellikleri belirleme ve bu sonuçları iş stratejilerine dönüştürme hedeflenmektedir. Dört farklı sınıflandırma algoritması karşılaştırılarak e-ticaret veri setindeki müşteri davranışları incelenmiş ve tahminleme yapılmıştır. Hiper parametre optimizasyonu işlemleri Optuna ile gerçekleştirilmiş olup özellik seçim işlemlerinde SelectBest yöntemi ve istatiksel testler birlikte uygulanmıştır. Veri sızıntısını önlemek için gerekli protokoller kullanılmış ve model kararlılığı rastgele örnekleme yöntemiyle test edilmiştir. Performans değerlendirmesinde sonuçlar, Friedman ve Wilcoxon testleri ile doğrulanmış ve metriklerin % 95 güven aralıkları hesaplanmıştır. Model açıklanabilirliği için SHAP ve LIME yaklaşımları bir arada ele alınmıştır. Çalışma sonuçlarında modeller karşılaştırıldığında en dengeli performansı XGBoost algoritması sergilemiş olup, ona en yakın performansı Random Forest algoritması göstermiştir. Yapılan Friedman testi ile modeller arasında anlamlı farklılıklar ortaya konulmuş, Wilcoxon ikili teslerle ise XGBoost ve Random Forest'in diğer modellere üstünlüğü doğrulanmıştır. Müşteri kayıp durumlarını tahminlemede sonuçlar üzerindeki en belirleyici özelliklerin; üyelik süresi, cashback ödemeleri, en son ne zaman alışveriş yapıldığı ve şikayet durumları olmak üzere dört özellik olduğu tespit edilmiştir. Veri sızıntısı korumalı, Optuna tabanlı ve açıklanabilir makine öğrenmesi yaklaşımları; e-ticaret firmalarının risk segmentasyonu yapma, erken müdahale etme ve müşterilerin elde tutulması için stratejiler geliştirmesini desteklemektedir.
Özet (Çeviri)
In the e-commerce sector, businesses can only survive and remain profitable by retaining their customers. The fact that the cost of acquiring new customers is higher than the cost of retaining existing customers makes it a priority for businesses to predict potential customer losses and develop preventive strategies. This study aims to predict customer loss scenarios that businesses may experience using machine learning methods, identify key features that enable understanding customer behavior in the data, and translate these results into business strategies. Four different classification algorithms were compared to examine and predict customer behaviors in the e-commerce dataset. Hyperparameter optimization was performed using Optuna, and the SelectBest method and statistical tests were applied together in feature selection. Necessary protocols were used to prevent data leakage, and model stability was tested using random sampling. The results of the performance evaluation were validated using Friedman and Wilcoxon tests, and the 95% confidence intervals of the metrics were calculated. SHAP and LIME approaches were considered together for model interpretability. When comparing the models in the study results, the XGBoost algorithm demonstrated the most balanced performance, followed closely by the Random Forest algorithm. The Friedman test revealed significant differences between the models, while the Wilcoxon paired tests confirmed the superiority of XGBoost and Random Forest over the other models. It was determined that the most decisive features affecting the results in predicting customer churn were customer membership duration, cashback payments, the last time a purchase was made, and complaint status. Data leak-protected, Optuna-based, and explainable machine learning approaches support e-commerce companies in developing strategies for risk segmentation, early intervention, and customer retention.
Benzer Tezler
- E-ticaret ve dijital pazarlama sektöründe makine öğrenmesi algoritmaları kullanılarak müşteri kaybı tahmini
Customer churn prediction using machine learning algorithms in e-commerce and digital marketing industry
YASİN SARIYILDIZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ TEKİN TEZEL
- Makine öğrenmesi yöntemleri ile müşteri kaybı analizi
Churn analysis with machine learning algorithms
BUKET ÖNAL
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. METİN ZONTUL
- Öneri sistemi modellerinde kullanılan makine öğrenmesi tekniklerinin müşteri satın alma tercihleri doğrultusunda karşılaştırılması
Comparison of machine learning techniques used in the recommender system models in accordance with customer purchase preferences
ÖMER UÇAN
- E-ticarette sohbet robotları ve makine öğrenmesi: Tüketici deneyimi üzerine araştırma
Chatbots and machine learning in e-commerce: Research on the consumer experience
FAHRETTİN DEMİRCİ
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim SistemleriSelçuk ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. AZİZ ÖZTÜRK
- Defining the decisive factors influencing purchase decision by using feature importance methods in e-commerce and comparing the methods' performances
E-ticarette satın alma kararlarını etkileyen faktörlerin özellik önemi metodları ile tespiti ve metodların kıyaslanması
ERMAN DEMİR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ