Geri Dön

Customer churn prediction for telecommunications industry

Telekomünikasyon servislerinden aboneliklerini i̇ptal edecek müşterileri önceden tahmin etmek

  1. Tez No: 353633
  2. Yazar: UTKU YABAŞ
  3. Danışmanlar: DOÇ. DR. TÜRKER İNCE, YRD. DOÇ. DR. HAKKI CANDAN ÇANKAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: m¨u¸steri kayıp tahmini, ¸coklu sınıflandırıcı, oylayan sınıflandırıcı, otomatik ¨o˘grenme, veri madencili˘gi, churn prediction, ensemble classifier, voting classifier, data mining, machine learning
  7. Yıl: 2014
  8. Dil: İngilizce
  9. Üniversite: İzmir Ekonomi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Akıllı Mühendislik Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Müşteri kaybetmek, telekom firmaları açısından kaybettirdiği para bakımından önemli bir endişedir. Bu tez çalışmasında, en son veri madenciliği yöntemlerini analiz ederek, servislerden ayrılacak veya başka bir firmanın servisini kullanmayı düşünen müşterileri tahmin etmek için yeni metotlar geliştirdik. Önerdiğimiz yaklaşımın performansını yoğun bir şekilde değerlendirdik. Bu değerlendirmeyi yapmak için Orange Telecom tarafından“Knowledge Discovery and Data Mining 2009”(KDD) yarışması için sunduğu gerçek ve kullanıma açık bir veri kümesi kullandık. Bu veri kümesinde toplam 100.000 örnek ve 230 değişken bulunmaktadır. Bu yüzden veri kümesi“büyük veri”kapsamına girmektedir. IBM bu yarışmada birinci olmuştur, ancak önemli ölçüde bilişimsel kaynak kullanmaktadır. Biz alternatif metotlar ve daha uygun kaynaklar kullanarak, yarışmadaki en yüksek skorlara ulaşmayı hedefledik. Bu çalışmada, toplu sınıflandırıcı teknikleri üzerine yoğunlaştık. Tek ve güçlü sınıflandırıcılar ile en son toplu sınıflandırıcıları“müşteri ayrılma”problemi için karşılaştırdık. Ayrıca, bu metotların performanslarını arttırmak için iyi performans gösteren sınıflandırıcıları seçerek; bunları oylayıcı sınıflandırıcı ile birleştirdik. Genel olarak, elde ettiğimiz sonuçlar, yarışmanın en yüksek sonuç alan resmi yarışmacıları ile yakındı. Önerdiğimiz yaklaşımın,“müşteri ayrılması tahmini”dışındaki başka zorlayıcı otomatik öğrenme problem alanları için de değerli olabileceğine inanıyoruz. Yöntemimizin doğruluğunu onaylamak için, UCI Machine Learning kütüphanesinden topladığımız veri kümeleri ile deneyler yaptık. Bu deneyler sonucunda çoğu veri kümesinde yöntemimiz, içinde bulunan toplu sınıflandırıcıdaki bütün algoritmalardan daha iyi sonuçlar elde etmiştir.

Özet (Çeviri)

Customer churn is a concern for telecommunication service providers due to its associated costs. In this thesis, we analysed state-of-the-art data mining algorithms and developed novel methods to accurately predict customers who will change and turn to another provider for the same or similar service. We extensively evaluated performance of our proposed approach using a public and real dataset compiled by Orange Telecom for the Knowledge Discovery and Data Mining (KDD) 2009 Competition. This dataset has $100,000$ instances with $230$ attributes, which makes it a ``big data''. IBM achieved the highest score on this dataset requiring significant amount of computational resources. We aimed to find alternative methods that can match or improve the recorded highest score with more efficient use of resources. In our study, we focus on ensemble of classifiers techniques. We compared performance of single, powerful classifiers to state-of-the-art ensemble methods for churn detection problem. Additionally, we showed that these results can be further improved by combining selected subset of well performing classifiers by a voting classifier. Overall, the results with our proposed approach were similar to the official top scorers of the competition. We believe that our proposed approach can be valuable for solving other challenging machine learning problem domains (such as ``big data'' problems) rather than churn prediction.Also, we performed experiments using the selected datasets from the UCI Machine Learning repository. Our proposed approach outperforms the single powerful algorithms contained in the ensemble for most of the datasets tested.

Benzer Tezler

  1. Telekomünikasyon sektöründen sınıflandırma algoritmaları ile müşteri kayıp analizi

    Customer churn analysis with classification algorithms in telecommunication sector

    EZGİ USTA

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi

    Enformatik Ana Bilim Dalı

    DOÇ. DR. ÇİĞDEM EROL

  2. Telekomünikasyon sektöründe müşteri kayıp analizi

    Customer churn analysis in telecommunication industry

    MUHAMMET SİNAN BAŞARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. FATİH KAYAALP

  3. Churn prediction of enterprise mobile customers with machine learning methods in telecommunication industry

    Churn predıctıon of enterprıse mobıle customers wıth machıne learnıng methods ın telecommunıcatıon ındustry

    BUSE DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Mühendislik BilimleriBahçeşehir Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    YRD. DOÇ. DR. ÖVGÜ ÖZTÜRK ERGÜN

  4. Telekomünikasyon sektöründe müşteri kaybı yönetimi için meta sezgisel tabanlı karar destek sistemi

    Meta-heuristic based decision support system for customer churn management in telecommunications sector

    MİHRİMAH ÖZMEN

    Doktora

    Türkçe

    Türkçe

    2017

    Endüstri ve Endüstri MühendisliğiErciyes Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMEL KIZILKAYA AYDOĞAN

  5. Telekomünikasyon sektöründe aboneliklerini iptal edecek müşterilerin yapay öğrenme yöntemleri ile tahmin edilmesi

    Churn prediction in telecommunication sector with machine learning methods

    AYŞE ŞENYÜREK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Endüstri ve Endüstri MühendisliğiYıldız Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELÇUK ALP