Geri Dön

Telekom müşteri kaybı tahmini için iç içe topluluk yaklaşımı

Nested ensemble approach for telecom customer churn prediction

  1. Tez No: 886460
  2. Yazar: ŞEYMANUR USTA
  3. Danışmanlar: PROF. DR. FATMA NOYAN TEKELİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Veri Bilimi ve Büyük Veri Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi ve Büyük Veri Bilim Dalı
  13. 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

  1. Makine öğrenmesi yöntemleri ile telekom müşteri kayıp tahmini analizi

    Telecom customer churn predict analysis with machine learning methods

    DAMLA TUĞBA SARP

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Endüstri ve Endüstri MühendisliğiYıldız Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGE NALAN BİLİŞİK

  2. 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

    İngilizce

    2022

    Bilim ve TeknolojiKadir Has Üniversitesi

    Yönetim Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MELTEM KIYGI ÇALLI

  3. Prediction of churn rate for prepaid customers in turkish telecom industry

    Telekom sektöründe faturasız aboneler için abone hareketi tahminlemesi

    CANSU ALATAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ELİF KARAOSMANOĞLU

  4. Makine öğrenmesi yöntemleriyle müşteri kayıp analizi

    Customer loss analysis with machine learning methods

    ZERRİN ÇAKIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUAMMER AKÇAY

  5. 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

    Türkçe

    2021

    Endüstri ve Endüstri MühendisliğiYıldız Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. COŞKUN ÖZKAN