Geri Dön

Churn prediction using customers' implicit behavioral patterns and deep learning

Üstü kapalı müsteri davranış biçimlerini kullanarak kayıp müşteri tahmini ve derinlemesine öğrenme

  1. Tez No: 560882
  2. Yazar: ANEELA TANVEER
  3. Danışmanlar: Prof. Dr. BURÇİN BOZKAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bankacılık, İşletme, Banking, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Yönetim Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 100

Özet

Günümüz pazarının küresellesme süreci, is ve finans dünyasının rekabetçi kosullarına göre hızla degismektedir. Banka hizmetlerine yapılan yatırımlar ve yeni rakiplerin ortaya çıkmasıyla beraber, yakın müsteri çevresi de günümüz ekonomisinin talep etmektedir. Böyle bir durumda, müsterinin hizmet saglayıcısını degistirme istegi kavramı, organizasyonlar için rekabetçi bir çalısma alanı haline gelmistir. Bankacılık sektöründe mevcut müsterileri koruma görevi, yönetimlerin öncelikli olarak müsteri verileri üzerinde çalısmasını ve müsterileri baglayacak ve kayıp müsteri oranını azaltacak projeler yaratmalarını mecbur hale getirmistir. Müsteri islemleri ve demografik veriler ile degerli bilgiler ortaya çıkarabilir ve aynı zamanda davranıs biçimleri hakkında kanıksamalar yapılabilir. Bizim öngörü modelimizde birlesik olarak kullanılan zaman ve yer tabanlı önergeler, kayıp müsteriyi önceden kestirme konusunda önemli gelismeler kaydetmistir. Geçmiste gözleme dayalı çesitli modeller gelistirilmistir, bizim modelimizde ise mühürlü yer ve zaman verilerden bilesik olarak elde edilmis özellikleri kullanmaktadır. Söz konusu dizgi tabanlı veriler, kayıp müsteri tahmininde kullanılmaz üzere, vektörler halinde sinirsel agda kullanılmıstır. Bu çalısmada; tekrarlı sinirsel aga dayalı Uzun Süreli Bellek (USB – Ingilizce LSTM) modeli içerisinde kullanılan zaman sıralı verinin, ilk modellere kıyasla daha hassas tahminler yaptıgı ve daha fazla deger ortaya çıkardıgı bulunmustur. USB modelinin vektörel çıktılarının, diger demografik ve müsterilerin dijitallestirilmis davranıslar modelleri ile birlestirildiginde, daha iyi tahmin sonuçları verdigi görülmüstür. Ayrıca bu çalısmada, müsteri agı baglantılarını üç boyutta kapsayan grafiksel evrisimli ag (GEA – Ingilizce GCN) kullanarak yapılan kayıp analizlerinin, müsteriler arasında bir baglantı olup olmadıgını anlamada yardımcı olacak bir model gelistirip önerdik.

Özet (Çeviri)

The processes of market globalization are rapidly changing the competitive conditions of the business and financial sectors. With the emergence of new competitors and increasing investments in the banking services, an environment of closer customer relationships is the demand of today's economics. In such a scenario, the concept of customer's willingness to change the service provider – i.e. churn, has become a competitive domain for organizations to work on. In the banking sector, the task to retain the valuable customers has forced management to preemptively work on customers data and devise strategies to engage the customers and thereby reducing the churn rate. Valuable information can be extracted and implicit behavior patterns can be derived from the customers' transaction and demographic data. Our prediction model, which is jointly using the time and location based sequence features has shown significant improvement in the customer churn prediction. Various supervised models had been developed in the past to predict churning customers; our model is using the features which are derived jointly from location and time stamped data. These sequenced based feature vectors are then used in the neural network for the churn prediction. In this study, we have found that time sequenced data used in a recurrent neural network based Long Short Term Memory (LSTM) model can predict with better precision and recall values when compared with baseline model. The feature vector output of our LSTM model combined with other demographic and computed behavioral features of customers gave better prediction results. We have also proposed and developed a model to find out whether connection between the customers can assist in the churn prediction using Graph convolutional networks (GCN); which incorporate customer network connections defined over three dimensions.

Benzer Tezler

  1. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BARIŞ TEKİN TEZEL

  2. Churn prediction in online payment sector using survival analysis

    Hayatta kalma analizi kullanarak çevrimiçi ödeme sektöründe kayıp tahmini

    GÖZDE ÖZALPAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Yönetim Bilişim SistemleriBoğaziçi Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NAZIM TAŞKIN

  3. Makine öğrenmesi ile e-ticarette müşteri kaybı tahmini

    Customer churn prediction in e-commerce using machine learning

    HACI ASLAN ÇAKIRDOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SABAHATTİN KEREM AYTULUN

  4. Churn prediction in telecommunication sector

    Telekom sektörleri için topluluk sınıflandırıcılarla ayrılma tahmini

    FAIZA HASSAN MOHAMED

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Ticaret Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. MUSTAFA CEM KASAPBAŞI

  5. Otel işletmelerinde kayıp müşteri tahminlemesi

    Customer churn prediction in hotel firms

    ASLIHAN DURSUN CENGİZCİ

    Doktora

    Türkçe

    Türkçe

    2020

    TurizmAkdeniz Üniversitesi

    Turizm İşletmeciliği Ana Bilim Dalı

    DOÇ. DR. MELTEM CABER