Prediction of churn rate for prepaid customers in turkish telecom industry
Telekom sektöründe faturasız aboneler için abone hareketi tahminlemesi
- Tez No: 518017
- Danışmanlar: DOÇ. DR. ELİF KARAOSMANOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, İşletme, Engineering Sciences, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İşletme Mühendisliği Bilim Dalı
- Sayfa Sayısı: 79
Özet
Telekom sektörü yıllar içerisindeki dijital gelişmelerle birlikte tüm dünyadaki en önemli ve en rekabetçi pazar haline geldi. Telegraf ile başlayan telekomunikasyon sektörü zaman içinde günümüz dünyasında kullandığımız mobil servisler haline dönüştü. Önümüzdeki yıllarda da daha dijital deneyimler ile müşterilerle buluşan, daha da rekabetçi şirketler ile karşılaşacağız gibi gözüküyor. Yakın geçmişe baktığımızda telekomunikasyonun 4 evreden geçtiğini görüyoruz. Bunlardan ilki, sabit hat olarak adlandırılan kablolu hat ile iletişim sağlanan dönemdir. İkinci evrede ise artık sektör, yavaş yavaş mobil telefona evrilmiştir. Bu dönem şirketlere en çok gelir getiren evredir ve hala sürmektedir. Üçüncü evre ise veri iletişimi/ internet olarak adlandırılan şirketlere en çok gelir getiren diğer bir evredir. Bu devir de günümüzde hala sürmektedir. Veri trafiği arttıkça da sürmeye devam edecektir. Dördüncü ve son evre ise mobil veri evresidir. Telekom pazarının 2005'ten bu yana akıllı telefonların hayatımıza girmesiyle çok yoğun bir şekilde büyüdüğünü görmekteyiz. Bu noktada şirketler, ürün portföylerini genişletmiş, artan talebi karşılacak fiyat stratejileri belirlemiş ve paralelde ise servis sağlayıcısı için sürekli olarak yatırımlar yapmaya devam etmiştir. Dünyanın dijitalleşmesi ile birlikte mobil telefonlar da artık insanlığın en önemli iletişim aracı olmuştur. Bu noktada, daha da dijitalleşerek her an hayatın içine“bağlı”olmak insanlar için önemli bir hedef olmaya başlamıştır. Tüm dünyada olduğu gibi Türkiye'de de mobil pazar büyük bir gelişme göstermiş ve müşterilerin sektöre ve dijitalleşmeye bakış açıları değişmiştir. Müşteriler, eskiden ürünlerin fiyatlarına göre seçim yaparken, günümüzde bu durum mükemmel müşteri deneyimine evrildi. Bununla birlikte artık müşteriler ucuz ürün yerine kaliteli ürün talep etmeye başladılar. Bu noktada, şirketler için sadık müşteriler, yeni müşteri edinmekten daha değerli hale geldi. Araştırmalarda ise, yeni müşteri edinmenin, halihazırda olan müşteriyi elde tutmaktan şirketler için çok daha fazla maliyetli olduğu belirtilmektedir. Telekomunikasyon sektörü yukarıda da bahsedildiği gibi şirketlerin dijitalleşmesinde ve buna ek olarak ülkelerin sosyo-ekonomik gelişmelerinde büyük önem teşkil etmektedir. Bununla birlikte sektör hızla büyümektedir. Türkiye pazarını ele alırsak, sabit müşteriler 11.3 milyon iken, mobil pazar müşterileri 77.8 milyona ulaşmıştır. Bu müşterilerin kullanım detaylarına bakacak olursak, Avrupa ülkeleri arasında en çok konuşan ülkenin 442 dakika ile Türkiye olduğunu görmekteyiz. Türkiye pazarındaki telekomunikasyon şirketlerinin geçtiğimiz yılki pazar payları ise Turkcell 40,5%, Vodafone 37,9% ve Turk Telekom 21,6% olarak raporlanmıştır. Durum böyleyken şirketler, rekabetçi pazardaki yerlerini sağlamlaştırmak için çeşitli müşteri tutundurma çalışmaları gerçekleştirmekteler. Bu çalışmaların içerisinde en önemlisi de, var olan müşteriyi rakibe kaybetmemek için yapılan çalışmalardır. Özellikle, sektörde Mobil Numara Taşıma işleminin yaygınlaşması ve kolaylaşmasıyla birlikte, müşteri veri analizi şirketler için daha da önemli bir noktaya taşınmış durumda. Örnekle açıklayacak olursak, 2017 yılı içerisinde 3.3 milyon numara şebekeler arasında taşınmış, bu sayı Mobil Numara Taşıma özelliği hayatımıza girdiğinden bu yana ise 112.3 milyonu aşmıştır. Müşteri kaybı, telekom dünyasında 3 farklı faza ayrılır. Birinci faz, müşterinin hala şirlet müşterisi olarak aktif şekilde kullanım yaptığı evredir. Bu evrede şirket, müşteriden gelir kazanmaya devam eder. İkinci fazda, müşteri hala şirketin müşterisidir fakat kullanım sıklığı azalmıştır. Ek olarak da şirkete kazandırdığı gelir azalmıştır. Bu noktada kullanımların analizleri yapılarak ne zaman gideceği tahmin edilmeli ve ona uygun teklifler sunulmalıdır. Üçüncü ve son aşamada ise, müşteri tamamen bulunduğu operatörü kullanmayı bırakmış ve başka bir operatöre geçmiştir. Bu evreden önce müşterinin gitmesine müdahale edilmelidir. Müşterinin geçmiş verilerine dayanarak yapılan gelecek tahminlemeleri optimal olarak hesaplandığında, şirketlerin gelir kaybını önlediği bilinmektedir. Bu tahminlemelere göre yapılan müşteri tutundurma aktiviteleri, yeni müşteri kazanımı için harcanan maliyetlerden çok daha verimli olduğundan da literatürde bahsedilmiştir. Ancak, müşteri tutundurma aktivitelerinin de doğru müşterilere yapılması, bir maliyet kalemini daha düşürerek optimizasyonu sağlamamıza yardımcı olur. Bu noktada abone hareketi tahminlemesi yöntemleri oldukça önem kazanmaktadır. Abone hareketi tahminleme yöntemleri, şirketlere müşterilerin geçmiş davranışsal verilerini inceleyerek onların diğer operatörlere gidişlerini tahminlemeye yardımcı olur. Bu tahminleme ile birlikte gitme ihtimali yüksek olan müşterileri belirlenir ve bu müşterilere özel yapılacak olan tutundurma aktiviteleri ve stratejileri oluşturulur. Yukarıda da bahsedildiği gibi, abone hareketi tahminleme yöntemleri şirketlere, rakipler karşısında oldukça avantaj sağlar. Doğru yöntemler ile müşteriye yakşalışdığında ve kullanımlar analiz edildiğinde müşteriye uygun teklifler sunularak müşterinin rakibe gitmesi önlenebilir. Bu noktada, telekom sektörü halihazırda gelişmiş bir sektör olduğu ve yeni müşteri kazanımının olan müşteriyi tutmaktan şirkete daha çok maliyet getirdiğini göz önünde bulundurursak, müşterilerden daha fazla gelir sağlayabilmek için şirketlerin var olan müşteri tutundurma aktivitelerine yönlenmesi gerektiğini görüyoruz. En temel müşteri tutundurma aktiviteleri genellikle üst tarifeyi önerme, alt tarifeyi önermektir. Bu noktada görüyoruz ki telekom şirketleri aslında müşterinin davranışlarını pazarlama aktiviteleriyle etkileyerek onların daha fazla kullanım yapmasını sağlamaya odaklanmış durumdalar. Telekom endüstrisinde, diğer bir alternatif pazarlama aktivitesi ise müşteriyi daha sadık tutmak adına faturasızdan faturalıya geçirmektir. Bu stratejideki en önemli nokta, faturalı müşterilerin şirketlere çok daha fazla kişi başı ortalama gelir getirmesidir. Abone hareketi tahminlemenin doğruluğu şirketler için oldukça önemli bir gelir kalemidir. Abone hareketi hesaplama için birçok program ve method kullanılmaktadır. Genellikle bu metodlar, gıda ya da telekom gibi müşteri sadakatinin çok önemli olduğu endüstrilerde kullanılmaktadır. Örnekle açıklayacak olursak,müşterinin dikkatini çekmek ve onu kazanmak sektördeki yarıştan ötürü gıda endüstrisinde oldukça kritiktir. Bu yoğun yarışın sonucu olarak, abone kaybı diğer sektörlerden çok daha fazlardır. Bunu önlemek amacıyla şirketler, müşterilerin davranışlarını anlamak ve yeni stratejiler yaratmak zorunda kalmışlardır. Bu noktada da yukarıda bahsedilen abone hareketi hesaplama metodları oldukça önem kazanmış ve sektörde adeta vazgeçilemez olmuştur. Bu yöntemleri kullanarak şirketler, farklı stratejiler kurup yeni teklifler sunarak müşterilerinin daha sadık olmasını sağlamaya çalışmaktadırlar. Abone hareketi tahminlemesi için literatürde birçok yöntemden bahsedilmiştir. Ancak yöntemlerden önce abone hareketi tahminlemesi için kullanılacak değişkenlerin belirlenmesi oldukça önemlidir. Bu değişkenlere literatür taranarak ve müşterilerin kullanımları incelenerek karar verilebilir. Literatürde en önemli abone hareketi tahminlemesi değişkenleri; indirim oranı, servis kalitesi, arama kalitesi, tarife ücreti, müşteri desteği olarak bulunmuştur. Ancak bunlara ek olarak, müşterilerin veri, ses, dakika kullanımları, yurt dışı arama oranları, diğer operatörleri arama sıklıkları, kontör yükleme sıklığının da önemli değişkenler olduğundan bahsedilmiştir. Bunlara ek olarak, çeşitli araştırmalarda, dakika, veri ve SMS kullanım oranları, aylık fatura ödeme tutarı ve faturasız müşteriler için aylık kontör yükleme sıklığı abone hareketinin tahminlemesinde birbirleriyle ilişkisi olan değişkenler olduğundan bahsedilmiştir. Kullanımlar ve ödeme planı haricinde davranışsal sadakat ve müşterinin operatörde bulunma süresi, şirkete olan memnuniyeti pozitif etkilemektedir. Ancak, her ne kadar durum böyle olsa da, ürün ve servislerden memnun olan müşteriler kesinlikle operatöre sadıktır gibi bir yorum yapamayız. Müşteri memnuniyeti ve operatörde bulunma süresi doğrusal ve basit bir ilişki değildir. Çünkü operatördu bulunma süresi üzerinde ürün/servis kalitesi, fiyat algısı, sosyal çevre ve kontrat süresi gibi diğer etkenler de vardır. Buna ek olarak, bağlılık ve memnuniyet arasındaki ilişki müşteri memniyet skoruna da bağlıdır. Örneğin, düşük memnuniyet skoru veren bir müşteri, başka bir operatöre gitmeye yatkındır gibi yorumlanabilir. Tezin içeriğini oluşturan faturasız müşteriler genellikle, göçmenler, genç segment ve harcamalarını kontrollü yapmak isteyen segmentler tarafından tercih edilmektedir. Faturasız hat kullanımı, mobil numara taşımanın kolaylaşmasıyla daha da yaygınlaşmıştır. Bu tez içerisinde faturasız müşterilerin geçmiş verileri SPSS V22.0 programı üzerinde Karar Ağaçları yöntemiyle incelenmiş ve sonuçlarından bahsedilmiştir. Sonuçta, davranışsal ve demografik verilerin abone hareketi tahminlemesini etkilediği ortaya konmuştur. Özellikle, diğer operatörlerdeki müşteriler ile konuşma süresi, tarife aşım süresi, müşterinin şirket bazında bulunma süresi ve yaşı seçilen değişkenler içerisinde en yüksek doğruluğu veren değişkenler olarak bulunmuştur. Karar Ağaçları yöntemini veriye uygulamadan önce, değişkenlerin birbirleriyle olan ilişkileri incelenmiş ve veri üzerindeki dağılımlarına bakılmıştır. Bu dağılımlara göre değişkenler gruplandırılarak yorumlama kolaylaştırılmıştır. Birbirleri ile ilişkili çıkan değişkenler, Karar Ağaçları yöntemi sonucunda çıkan verilerle de karşılaştırılmıştır. Bunlara ek olarak, faturasız müşterilerin müşteri bazından ne zaman tamamen gittiğinin bilinmemesi ve şirket sistemlerinde müşterilerin“giden”olarak işaretlenmesinin belirli bir süre kontör yüklememesi durumuna göre verilmesi, davranışsal verilerin doğruluğunu olumsuz etkilemektedir. Bu sebeple giden müşterilerin kullanım bazlı hareketleri Karar Ağacı'nı etkilemiştir.
Özet (Çeviri)
Telecommunication sector is the one of the competitive markets in business world. It is evolved from telegraph to mobile services in a short span of time due to technologic developments. Therefore, competition between telecommunication companies has increased rapidly over time. As managing the competition among competitors, companies should know their customer behaviors and act preventively. In real world, it is hard to predict customers' behaviors and hence taking actions regarding each customer in companies' bases. Therefore, actions should be reduced and be focused on a specific group of customers. Also, it is known that new acquisition cost of the customer is much more higher than keeping the base (existing) customer not only in telecommunication but also in other industries. On the other hand, customer churn becomes easy with Mobile Number Portability (MNP) capability in the telecom industry. However, retention activities for churner customers are costly too. At this point, customer churn methods help companies to predict customers' brand switching behaviours to the other operators. Prediction of the churn provides detection of potential churners and helps to identify the strategies to keep them by the companies. Some algorithms and methods are offered in previous research for the calculation of churn possibility. In this thesis, it is aimed that, customer churn in telecom industry can be predicted with high degree accuracy using customer behavior dataset and decision tree method. This method is implemented on SPSS V22.0 program and the results are analyzed. In conclusion, behavioral and demographic dataset lead to churn rate calculation. Especially, offnet usage minutes which means call to other operators, out of bundle (OOB) usage minutes which means exceeded tariff minutes, customer tenure which means stayed months in customer base and customer age are the most accurate variables for predicting prepaid customer churn. The main limitation of the analysis lies in the issue that prepaid customers are churn flagged in the company system on the basis of a longer time period that is based on number of top-ups in specific months. The longer time leads to lower accuracy of potential churn customer since they were already gone. Because of that, decision tree models cannot help well for detecting the link between usages and churn rate properly in such circumstances.
Benzer Tezler
- 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
2021
Mühendislik BilimleriBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
YRD. DOÇ. DR. ÖVGÜ ÖZTÜRK ERGÜN
- Sağlık sektöründe müşteri kayıp analizi ve veri madenciliği ile bir uygulama
Churn prediction in healthcare and an application with data mining
MELİH KARAHASANOĞLU
Doktora
Türkçe
2023
Sağlık YönetimiBursa Uludağ Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. GÜL GÖKAY EMEL
- RFMLP based customer segmentation and customer churn analysis in heavy equipment industry using customer transactions data
İş makinesi sektöründe müşteri işlem verilerini kullanarak RFMLP tabanlı müşteri segmentasyonu ve müşteri kayıp analizi
MUSTAFA ÇAMLICA
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FETHİ ÇALIŞIR
- Churn prediction using customers' implicit behavioral patterns and deep learning
Üstü kapalı müsteri davranış biçimlerini kullanarak kayıp müşteri tahmini ve derinlemesine öğrenme
ANEELA TANVEER
- Müşteri terk etme davranışı tahmini ve müşteri tutundurma yöntemleri tespiti amaçlı veri analizi iş süreci yazılım mimarisi
Data analysis business process software architecture for customer abandonment behavior prediction and customer retention methods detection
DAMLA EREK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SIDDIK AKTAŞ