Makine öğrenmesi yöntemleri ile banka müşteri kaybı analizi
Bank customer loss analysis with machine learning methods
- Tez No: 860000
- Danışmanlar: DR. ÖĞR. ÜYESİ ZEYNEP ÖZER
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, Yönetim Bilişim Sistemleri, Banking, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Bandırma Onyedi Eylül Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 98
Özet
Müşteri kaybı; şirketin ürün ya da hizmetini kullanmayı bırakan ve ilişkisini sonlandırmış müşterilerin yüzdesidir. İşletmeye yeni bir müşteri kazandırmak müşteri kaybetmekten daha zor olabilmektedir. Bu yüzden mevcut müşterinin işletmeyi terk etmesi öngörüldüğünde şirketin zararı minimuma inmektedir. Müşterinin işletmeyi terk edeceğini öngörmek için ise yapay zekâ gibi bilgisayar bilimleri kullanılmaktadır. Makine öğrenmesi yöntemleri ise bu alanlardan biridir. Makine öğrenmesi; genel olarak insanın öğrenme şeklini taklit ederek verilerin ve algoritmaların kullanımına odaklanan bir bilgisayar bilimi ve yapay zekâ dalıdır. Çalışmada Kaggle sitesinden alınan bir bankanın müşteri kaybını tahminlemek için herkese açık olan bir hazır veri seti kullanılmıştır. Veri seti 10.000 adet veri ve 14 kategoriden oluşmaktadır. Çalışmada Fransa, Almanya ve İspanya'nın banka müşterilerinden oluşan veriler bulunmaktadır. Veri setinde; müşteri numarası, soyadı, ülke, cinsiyet, kredi skoru, yaş, müşteri olma süresi, bakiye, ürün sayısı, kredi kart sahibi olup olmadığı, ayrılma durumlarını içeren değişkenlerden oluşmakta olup numpy, pandas, seaborn, matplotlib kütüphaneleri kullanılmıştır. Çalışmada makine öğrenmesi sınıflandırma algoritmalarından olan Lojistik regresyon, K-en yakın komşu, Karar ağacı, Rastgele orman, LightGBM (hafif gradyan arttırma), Catboost (kategorik güçlendirme) sınıflandırma algoritmaları kullanılarak müşteri kaybının nasıl tespit edileceğini ve modellerin performansları karşılaştırılmış sonuçlar ayrıntılı olarak incelemiştir.
Özet (Çeviri)
Customer churn is the percentage of customers who stop using the company's product or service and terminate their relationship. It can be more difficult to gain a new customer than to lose one. Therefore, the company's loss is minimized when the existing customer is predicted to leave the business. Computer sciences such as artificial intelligence are used to predict customer defection. Machine learning methods are one of these fields. Machine learning is a branch of computer science and artificial intelligence that focuses on the use of data and algorithms by imitating the way humans learn in general. In this study, a ready-made publicly available data set was used to predict the customer churn of a bank taken from the Kaggle site. The dataset consists of 10,000 data and 14 categories. The data set includes bank customers from France, Germany and Spain. The dataset consists of variables including customer number, surname, country, gender, credit score, age, length of time as a customer, balance, number of products, whether they have a credit card or not, whether they have left or not, and numpy, pandas, seaborn, matplotlib libraries were used. In the study, machine learning classification algorithms such as Logistic regression, K-nearest neighbor, Decision tree, Random forest, LightGBM (light gradient boosting), Catboost (categorical boosting) classification algorithms were used to determine how to detect customer churn and the performances of the models were compared and the results were examined in detail.
Benzer Tezler
- 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
- 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
- Train set complexity tunning for imbalance learning
Dengesiz öğrenme için eğitim seti karmaşıklığının ayarlanması
MEHMET ULAŞ
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. MEHMET ALİ ERGÜN
- Advanced mobility robustness optimization techniques in mobile heterogeneous networks with the inclusion of 5G
5G dahil mobil heterojen ağlarda gelişmiş mobilite sağlamlık optimizasyon tekniği
WAHEEB SALIM ABDULRAB TASHAN
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. SULTAN ALDIRMAZ ÇOLAK
- Makine öğrenmesi yöntemleri ile banka pazarlama tahmini
Bank marketing prediction with machine learning methods
EGEMEN TÜRKMEN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR KORAY ŞAHİNGÖZ