Churn prediction using customers' implicit behavioral patterns and deep learning
Üstü kapalı müsteri davranış biçimlerini kullanarak kayıp müşteri tahmini ve derinlemesine öğrenme
- Tez No: 560882
- Danışmanlar: Prof. Dr. BURÇİN BOZKAYA
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, İşletme, Banking, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Yönetim Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
- Churn prediction in online payment sector using survival analysis
Hayatta kalma analizi kullanarak çevrimiçi ödeme sektöründe kayıp tahmini
GÖZDE ÖZALPAY
Yüksek Lisans
İngilizce
2023
Yönetim Bilişim SistemleriBoğaziçi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NAZIM TAŞKIN
- Makine öğrenmesi ile e-ticarette müşteri kaybı tahmini
Customer churn prediction in e-commerce using machine learning
HACI ASLAN ÇAKIRDOĞAN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SABAHATTİN KEREM AYTULUN
- Churn prediction in telecommunication sector
Telekom sektörleri için topluluk sınıflandırıcılarla ayrılma tahmini
FAIZA HASSAN MOHAMED
Yüksek Lisans
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Ticaret ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. MUSTAFA CEM KASAPBAŞI
- Otel işletmelerinde kayıp müşteri tahminlemesi
Customer churn prediction in hotel firms
ASLIHAN DURSUN CENGİZCİ