Ağaç temelli makine öğrenmesi yöntemleri ile telekomünikasyon sektöründe müşteri kayıp analizi
Customer churn analysis in the telecommunications sector using tree-based machine learning methods
- Tez No: 887186
- Danışmanlar: PROF. DR. İBRAHİM EMİROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Matematik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 78
Özet
Müşteri sadakati, günümüz iş dünyasında rekabetin artışı ve pazarlama stratejilerinin gelişmesiyle önemini artırmıştır. Yeni müşteriler kazanmak ve mevcut müşterilerini elde tutmak, bir şirketin varlığını sürdürebilmesi için kritik rol oynayan konuların başında gelmektedir. Müşteri sadakati, mevcut müşterilerin elde tutulmasının yanı sıra yeni müşteri edinimi ve marka bağlılığının artmasını da sağlamaktadır. Telekomünikasyon sektöründe yüksek rekabetin olması ve müşteri beklentilerinin sıklıkla değişmesi, müşteri kaybını ele alınması gereken ana konulardan biri haline getirir. Müşteri kaybı sorununu azaltmak, müşteri kaybı sebebiyle oluşan maliyeti en aza indirmek ve bağlılığı artırmak için müşteri kaybı analizi yapılmaktadır. Günümüzde gelişen teknolojiyle birlikte müşteri kayıp analizleri için makine öğrenmesi ve veri madenciliği yöntemlerinden yararlanılmaktadır. Makine öğrenmesi yöntemleriyle müşteri davranışları analiz edilerek potansiyel kayıplar için bir ön görü oluşturularak müşteri kaybını azaltmak ve müşteri sadakatini artırmak mümkündür. Bu çalışmada, bir telekomünikasyon şirketinin verileri kullanılarak makine öğrenmesi algoritmaları ile müşteri kaybını analiz eden modeller geliştirilmiştir. Çalışmada artırma yöntemlerinden hafif gradyan artırma algoritması, aşırı gradyan artırma algoritması, gradyan artırma algoritması ve catboost; torbalama yöntemlerinden rastgele orman algoritması kullanılmıştır. Çalışmada kullanılan veri setinin dengesizliği yeniden örnekleme yöntemleriyle giderilmiştir. Yeniden örnekleme yöntemleri olarak aşırı örnekleme, eksik örnekleme ve sentetik azınlık aşırı örnekleme tekniği kullanılmıştır. Bu algoritmalardan en iyi sonucu %97 doğruluk ve ayrılan müşteriler için %95 hassasiyet oranıyla gradyan artırma algoritması vermiştir.
Özet (Çeviri)
Customer loyalty has increased its importance in today's business world with the increase in competition and the development of marketing strategies. Acquiring new customers and retaining existing customers is one of the most critical issues for a company to survive. In addition to retaining existing customers, customer loyalty also leads to new customer acquisition and increased brand loyalty. High competition in the telecommunications industry and frequent changes in customer expectations make customer churn one of the main issues to be addressed. Customer churn analysis is conducted to reduce the problem of customer churn, minimize the cost incurred due to customer churn and increase loyalty. Today, with the developing technology, machine learning and data mining methods are used for customer churn analysis. By analyzing customer behaviors using machine learning methods, it is possible to predict potential churns, thereby reducing customer attrition and increasing customer loyalty. In this study, models analyzing customer churn were developed with machine learning algorithms using data from a telecommunication company. In the study, light gradient boosting algorithm, extreme gradient boosting algorithm, gradient boosting algorithm and catboost were used as boosting methods and random forest algorithm was used as bagging method. The imbalance in the dataset used in the study was addressed through resampling techniques. Oversampling, undersampling, and the synthetic minority oversampling technique were used as resampling methods. Among these algorithms, the gradient boosting algorithm gave the best result, with 97% accuracy and 95% recall for the churned customers.
Benzer Tezler
- Makine öğrenmesi teknikleri ile tahsilat davranışı tahmini: telekomünikasyon sektörü örneği
Prediction of debt collection behaviour with machine learning techniques: A case study on telecommunication company customers
ELİF EKİZ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAŞAR ÖZTAYŞİ
- Ağaç temelli makine öğrenmesi yöntemleri ile kredi risk analizi
Credit risk analysis using tree based machine learning methods
SAFA BOZKURT COŞKUN
Yüksek Lisans
Türkçe
2023
İstatistikİstanbul Ticaret Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MÜNEVVER TURANLI
- Ağaç temelli makine öğrenmesi yöntemleri ile e-ticaret sitesi müşteri harcamalarını tahmin edecek modelin belirlenmesi
Determining the model to estimate e-commerce site customers' spending with tree-based machine learning
MEHMET YALÇIN
Yüksek Lisans
Türkçe
2021
İstatistikİstanbul Ticaret Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. SEDA BAĞDATLI KALKAN
- Ağaç temelli makine öğrenmesi yöntemlerinin karşılaştırılması ve hastalık tanısı için uygulanması
Comparison of tree-based machine learning methods and its application to diagnosis
YUNUS EMRE CEYLAN
Yüksek Lisans
Türkçe
2021
İstatistikMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ERALP DOĞU
- Konvolüsyonel sinir ağlarında ağ eğitiminin iyileştirilmesi
Improving the network training in convolutional neural networks
KÜBRA UYAR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR