Churn prediction in online payment sector using survival analysis
Hayatta kalma analizi kullanarak çevrimiçi ödeme sektöründe kayıp tahmini
- Tez No: 808584
- Danışmanlar: DR. ÖĞR. ÜYESİ NAZIM TAŞKIN
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 118
Özet
Online payment systems are rapidly becoming a vital component of fintech world. With the entry of numerous firms into the sector, competition has become intense, and customers can easily switch providers without prior notice. As a result, churn has emerged as a critical topic for organizations seeking to remain competitive. The study focuses on the key factors that influence churn in an online payment company, specifically, a well-known payment service provider in Turkiye. One of the other objectives of the study is to find out which churn period and which input variables combination is more suitable with company's business model and customer's behavior. To arrive at this conclusion, we have developed a survival model that can answer both questions. We analyzed the customers who had been using the services and identified them as churn and non-churn based on three different methods. We examined various variables that could influence churn, including demographic factors, payment history, and usage patterns, to build three different models with different target variables. The results of these models were compared to determine which variables were most significant in predicting churn and which type of churn period is more suitable to answer the question in hand. All the statistical models exhibited similar performance indicators and variable importance rankings. The findings indicate that commission rate change, refund rate, payment count, volume, merchant type, merchant source name, and merchant sector were significant predictors of customer churn, while settlement period and working area of the merchant were not significantly associated with churn. Moreover, the second model, which defined the churn event as occurring within a one-month period, outperformed the other models. Additionally, the results suggest that the risk of customer churn increases after 25 months of doing business with the company.
Özet (Çeviri)
Online ödeme sistemleri fintech dünyasının hızla önemli bir bileşeni haline gelmektedir. Sektöre birçok firmanın girmesiyle birlikte artan rekabet, müşterilere önceden haber vermeden kolaylıkla sağlayıcılarını değiştirebilme imkânı sunmaktadır. Bu nedenle, rekabetçi kalmak isteyen organizasyonlar için churn önemli bir konu haline gelmiştir. Bu çalışma, özellikle Türkiye'deki önemli bir ödeme servis sağlayıcısı olan bir şirkette churn'u etkileyen ana faktörlere odaklanmaktadır. Çalışmanın diğer bir amacı, hangi churn tanımının şirketin iş modeli ve müşteri davranışlarıyla uyumlu olduğunu bulmaktır. Bu iki soruyu yanıtlama amacı ile, hayatta kalma analizi kullanılarak üç farklı model geliştirildi. Veri üzerinde bir süredir platformu aktif olarak kullanan müşterilerin verileri incelenerek üç farklı churn tanımı geliştirildi. Farklı hedef değişkenlere sahip üç farklı model oluşturmak için demografik faktörler, ödeme geçmişi ve kullanım alışkanlıkları dahil olmak üzere abone kaybını etkileyebilecek çeşitli değişkenler incelendi. Modellerin sonuçları karşılaştırılarak, hangi değişkenlerin churn'ü önemli düzeyde etkilediği ve hangi churn tanımının eldeki problem çözmeye daha elverişli olduğu incelendi. Kurulan modeller performans indikatörleri ve değişkenlere verdikleri önem sıralamaları bakımından benzer perfromans gösterdiler. Bulgular, komisyon oranı değişikliği, geri ödeme oranı, ödeme sayısı, hacim, üye işyeri türü, üye işyeri kaynağı ve sektör bilgisinin churn olasılığını etkilediğini, üye işyerinin şirket tipi ve geri ödeme süresinin churn üzerinde bir etkisinin olmaduğını göstermiştir. Sonuçlara göre churn tanımı olarak bir ay içinde işlem geçirmeyen işyerlerini churn olarak kabul eden model diğer modellere göre daha iyi performans göstermiştir. Ek olarak, sonuçlar müşterilerin çalışmaya başladıktan 25 ay sonra ayrılma riskinin belirgin derecede arttığını göstermiştir.
Benzer Tezler
- 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
- 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
- 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
- Understanding and improving the performance consistency of distributed computing systems
Başlık çevirisi yok
MAHMUT NEZİH YİĞİTBAŞI
Doktora
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTechnische Universiteit Delft (Delft University of Technology)PROF. DICK EPEMA
- 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