Makine öğrenmesi ile e-ticarette müşteri kaybı tahmini
Customer churn prediction in e-commerce using machine learning
- Tez No: 675863
- Danışmanlar: DR. ÖĞR. ÜYESİ SABAHATTİN KEREM AYTULUN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, İstatistik, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Milli Savunma Üniversitesi
- Enstitü: Hezarfen Havacılık ve Uzay Teknolojileri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 47
Özet
Dijitalleşmenin her geçen gün artmasıyla neredeyse her iş internet üzerinden yapılır hale gelmiştir. Son yıllarda yaşanan küresel salgının neticesi olarak insanların evde kalmaya zorlanmasıyla da dijitalleşme iyice ivme kazanmıştır. Her türlü e-ticaretin artmasıyla çevrimiçi alışveriş önemli ölçüde gelişmiştir. E-ticaret pazarının büyümesiyle sahadaki aktörler ve rekabet de artmıştır. Mevcut müşterileri elde tutmak ve yenilerini çekmek e-ticaret siteleri için zorlu bir hal almıştır. Bir müşteriyi elde tutmanın yeni bir müşteri kazanmaktan ekonomik olarak daha avantajlı olduğu göz önüne alınırsa müşteri kaybı oranını düşürmek şirketler için temel iş hedefleri arasındadır. Sadık bir müşteri tabanı oluşturmak için şirketlerin, müşteri odaklı ve etkili pazarlama stratejileri oluşturması gerekir. Bununla beraber çevrimiçi müşterilerin şirketlere kazandırdığı büyük bir avantaj var: Çok miktarda tüketici verisi. E-ticaret siteleri topladıkları tüketici verilerini analiz ederek ayrılmaya meyilli müşterileri önceden tespit edebilirler. Böylece müşterileri kaybetmemek için gerekli aksiyonları da alabilirler. Bu çalışmada bir çevrimiçi perakende satış sitesi için kontratsız iş tipinde müşteri kaybı tahmini modeli geliştirilmiştir. Modelde çoğunlukla müşteri sınıflandırılmasında kullanılan RFM analizine dayanan değişken seçimi yapılmıştır. Ayrıca tahminleyici değişkenlerin modele katkısını da test ettik. İşin yapısından dolayı veri kümesinde hedef değişken olmadığından veri kümesini kalibrasyon ve gözlem olmak üzere iki kısma ayırdık. Daha sonra müşterileri her iki dönemde aktiflik durumuna göre kayıp veya aktif olarak sınıflandırarak hedef değişkeni belirlemiş olduk. Tahminleme Boosting, Lojistik Regresyon ve SVM algoritmaları ile yapılarak algoritmaların performansı kıyaslanmıştır.
Özet (Çeviri)
In an age where almost everything in life happens on the internet. As a result of the global epidemic in recent years, digitalization has gained momentum as people are forced to stay at home. With the increase of all types of e-commerce, online shopping has improved significantly. With the growth of the e-commerce market, the actors and competition in the field have also increased. Retaining existing customers and attracting new ones has become a challenge for e-commerce sites. Considering that retaining a customer is economically more advantageous than acquiring a new customer, reducing the churn rate is among the main business goals for companies. To build a loyal customer base, companies need to create customer-focused and effective marketing strategies. However, there is one big advantage that online customers bring to companies: A large amount of consumer data. By analyzing the consumer data they collect, e-commerce sites can detect customers who tend to leave in advance. Thus, they can take the necessary actions to avoid losing customers. In this study, a customer churn prediction model in the non-contractual business type has been developed for an online retailer. Variable selection was made based on RFM analysis, which is mostly used in customer segmentation, in the model. We also tested the importance of predictive variables to the model. Since there is no target variable in the data set due to the nature of the business, we divided the data set into two parts as calibration and observation. Then, we determined the target variable by classifying the customers as churn or active according to their activity status in both periods. The prediction was made with Boosting, Logistic Regression, SVM algorithms and the performance of the algorithms was compared.
Benzer Tezler
- E‐ticaret sektöründe müşteri kaybının yapay öğrenme teknikleri ile tahminlenmesi
Churn customer prediction in the e-commerce industry with machine learning techniques
KÜBRA YAZIR
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiEskişehir Osmangazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERAFETTİN ALPAY
- 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
- Bir e-ticaret firması için rfm analizi ve kümeleme algoritmaları kullanılarak müşteri segmentasyonu ve analizi
Customer segmentation using rfm analysis and customer segmentation and analysis with using clustering algorithms
HAVVA GÜLSÜM ERARSLAN
Yüksek Lisans
Türkçe
2023
İstatistikİstanbul Medeniyet ÜniversitesiUygulamalı Matematik ve Hesaplamalı Bilimler Ana Bilim Dalı
DOÇ. DR. RÜYA ŞEN