Telekom müşteri kaybı tahmini için iç içe topluluk yaklaşımı
Nested ensemble approach for telecom customer churn prediction
- Tez No: 886460
- Danışmanlar: PROF. DR. FATMA NOYAN TEKELİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Veri Bilimi ve Büyük Veri Ana Bilim Dalı
- Bilim Dalı: Veri Bilimi ve Büyük Veri Bilim Dalı
- Sayfa Sayısı: 64
Özet
Müşteri kaybı, son yıllarda şirketler arasındaki rekabetin artmasıyla büyük bir önem kazanmıştır. Telekomünikasyon sektörü de yoğun rekabet ve teknolojik yeniliklerin getirdiği sürekli değişimle başa çıkmaya çalışmaktadır. Bu değişken ortam, telekom operatörlerinin müşteri sadakatini korumasını zorlaştırmakta ve müşteri kaybını önemli bir sorun haline getirmektedir. Yeni müşteriler kazanmanın maliyeti, mevcut müşterileri elde tutmanın maliyetinden çok daha yüksektir. Bu nedenle, müşteri kaybını etkin bir şekilde tahmin etmek, işletmelere maliyetleri azaltma ve müşteri memnuniyetini artırma konusunda önemli fırsatlar sunmaktadır. Bu çalışmada, telekomünikasyon sektöründe müşteri kaybının daha etkin bir şekilde tahmin edilmesini amaçlayan, topluluk öğrenmesi yöntemleri ve geleneksel makine öğrenmesi algoritmalarını bütünleştiren yenilikçi bir İç İçe Topluluk Öğrenmesi modelinin geliştirilmiştir. Önerilen modelde, topluluk öğrenmesi yöntemleri olarak istifleme ve oylama teknikleri kullanılmaktadır. Temel sınıflandırıcılar olarak ise Naif Bayes (NB), Destek Vektör Makineleri (SVM), Rastgele Orman (RF), Ekstrem Gradient Artırma (XGB), K-En Yakın Komşu (KNN) ve Karar Ağacı (DT) algoritmaları tercih edilmiştir. Geleneksel makine öğrenmesi algoritmalarının ve önerilen İç İçe Topluluk Öğrenmesi modelinin performansı Telco Customer Churn veri setinde doğruluk, kesinlik, duyarlılık, F1 skoru ve AUC metriklerine göre değerlendirilmiştir. Sonuçlara göre, İç İçe Topluluk Öğrenmesi Modeli, diğer geleneksel makine öğrenmesi algoritmalarının her birine göre önemli derecede daha yüksek doğruluk (%87), kesinlik (%86), F1 skoru (%71) ve AUC (%91) değerine sahiptir. Genel olarak İç İçe Topluluk Öğrenmesi modeli, bireysel algoritmalardan elde edilen sonuçların birleştirilmesiyle elde edilen avantaj sayesinde, tüm kritik performans metriklerinde en iyi sonuçları sunmuştur.
Özet (Çeviri)
Customer churn has gained significant importance in recent years with the increasing competition among companies. The telecommunications sector is also striving to cope with intense competition and the continuous changes brought by technological innovations. This dynamic environment makes it challenging for telecom operators to maintain customer loyalty and renders customer churn a significant issue. Acquiring new customers is much more costly than retaining existing ones. Therefore, effectively predicting customer churn presents significant opportunities for businesses to reduce costs and increase customer satisfaction. In this study, an innovative nested ensemble learning model has been developed, integrating ensemble learning methods with traditional machine learning algorithms to more effectively predict customer churn in the telecommunications sector. In the proposed model, stacking and voting techniques are used as ensemble learning methods. The base classifiers chosen include Naive Bayes (NB), Support Vector Machines (SVM), Random Forest (RF), Extreme Gradient Boosting (XGB), K-Nearest Neighbors (KNN), and Decision Tree (DT) algorithms. The performance of traditional machine learning algorithms and the proposed Nested Ensemble Learning model has been evaluated on the Telco Customer Churn dataset using accuracy, precision, recall, F1 score, and AUC metrics. According to the results, the Nested Ensemble Learning model has significantly higher accuracy (87%), precision (86%), F1 score (71%), and AUC (91%) values compared to each of the other traditional machine learning algorithms. Overall, the Nested Ensemble Learning model offers the best results across all critical performance metrics, thanks to the advantage gained by combining the results obtained from individual algorithms.
Benzer Tezler
- Makine öğrenmesi yöntemleri ile telekom müşteri kayıp tahmini analizi
Telecom customer churn predict analysis with machine learning methods
DAMLA TUĞBA SARP
Yüksek Lisans
Türkçe
2021
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGE NALAN BİLİŞİK
- The effects of digital strategies on customer churn in the telecom industry
Telekom sektöründe dijital stratejilerin müşteri kaybına etkisi
ÖMER BUĞRA KIRGIZ
Yüksek Lisans
İngilizce
2022
Bilim ve TeknolojiKadir Has ÜniversitesiYönetim Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MELTEM KIYGI ÇALLI
- Prediction of churn rate for prepaid customers in turkish telecom industry
Telekom sektöründe faturasız aboneler için abone hareketi tahminlemesi
CANSU ALATAŞ
Yüksek Lisans
İngilizce
2018
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ELİF KARAOSMANOĞLU
- Makine öğrenmesi yöntemleriyle müşteri kayıp analizi
Customer loss analysis with machine learning methods
ZERRİN ÇAKIR
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUAMMER AKÇAY
- Telekom sektöründe müşteri kaybına neden olan kriterlerin nötrosofik AHP yöntemi ile analizi
Analysis of the criteria caused loss of customer in the telecom industry with neutrosophic AHP method
SENA ERDEM
Yüksek Lisans
Türkçe
2021
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. COŞKUN ÖZKAN