Geri Dön

A machine learning approach to predicting customer churn in the banking industry using CRISP-DM and KNIME analytics

CRISP-DM ve KNIME analitiği kullanarak bankacılık sektöründe müşteri kaybını tahmin etmeye yönelik bir makine öğrenimi yaklaşımı

PDF İndir

  1. Tez No: 893335
  2. Yazar: MORO HUSSEINI
  3. Danışmanlar: PROF. DR. MUSTAFA KEMAL YILMAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İbn Haldun Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme (İngilizce) Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 85

Özet

Bankacılık sektöründe yeni müşteri edinmenin maliyeti mevcut müşteriyi elde tutmanın maliyetinde daha fazla olup, bankalar mevcut müşterilerin ayrılmalarını önlemek için ayrılma olasılıklarını önceden tahmin etmeye çalışmakta ve bu potansiyeli taşıyan müşterilerini elde tutmaya yönelik stratejiler geliştirmektedirler. Bu çalışmanın amacı, CRISP-DM ve KNIME Analytics yöntemini birlikte kullanarak, beş farklı makine öğrenimi modeli (karar ağacı, rassal orman, lojistik regresyon, destek vektör makinası, yapay sinr ağları) ile çok uluslu ABC Bankası'nın Ağustos 2022 dönemi verilerini kullanarak bir tahminleme model oluşturmaktır. Elde edilen sonuçlar, rassal orman modelinin bankanın müşteri kaybını tahmin etmekte %78,91 genel doğruluk puanı ile en iyi sonucu verdiğini, karar ağacı ile lojistik regresyon modellerinin ise sırasıyla %71.55 ve %71.3 genel doğruluk puanı ile en düşük performansı gösteren modeller olduğunu göstermiştir. Ayrıca çalışma sonuçları, müşterinin banka ile olan geçmiş ilişkisinin, kredi notunun ve yaşının ayrılma potansiyeli taşıyan müşterileri tespit etmekte en etkin faktörler olduğunu ortaya koymuştur. Bu açılardan çalışma, finansal kuruluşlar için değerli bilgiler sunmaktadır.

Özet (Çeviri)

Attracting new customers is more expensive than maintaining the existing ones. One way of preventing customers from churning is to develop techniques for predicting their likelihood to churn. This study aims to forecast the customer churn of a multinational bank by using one-month period data, from July 31, 2022, to August 29, 2022. We employed CRISPM-DM, in conjunction with KNIME Analytics, to build several predictive models, i.e., decision tree, random forest, logistic regression, artificial neural networks, support vector machine, and ensemble models to predict customer churn. The results show that the random forest model has the highest performance in accurately predicting the churn of bank clients by its high overall accuracy of 78.91% and AUC score of 85.3%. The decision tree model, with an overall accuracy of 71.55%, and the logistic regression model, with an overall accuracy of 71.3%, are the least-performing predictive models. The findings also show that the customer's historical record with the bank (product_number), credit score, and age have the highest predictive power for customer churn. This study offers valuable insights for financial institutions. Using reliable predictive models, banks may identify potential clients likely to switch to other financial institutions. This identification would allow banks to design innovative marketing strategies and powerful customer relationship management to prevent consumers from churning.

Benzer Tezler

  1. Tez No

    851416

    Comparison of machine learning algorithms on integrated churn prediction and customer segmentation framework for supermarket industry

    Süpermarket sektörü için entegre churn tahmini ve müşteri segmentasyonu çerçevesinde makine öğrenmesi algoritmalarının karşılaştırılması

    BURAK SİNAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    DOÇ. DR. ATINÇ YILMAZ

  2. Tez No

    886460

    Telekom müşteri kaybı tahmini için iç içe topluluk yaklaşımı

    Nested ensemble approach for telecom customer churn prediction

    ŞEYMANUR USTA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Veri Bilimi ve Büyük Veri Ana Bilim Dalı

    PROF. DR. FATMA NOYAN TEKELİ

  3. Tez No

    895499

    New proposed methods for synthetic minority over-sampling technique

    Sentetik azınlık aşırı örnekleme tekniği için yeni önerilen yöntemler

    HAKAN KORUL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  4. Tez No

    802637

    Machine learning approach to the prediction of bank customer churn problem

    Banka müşteri kayıt probleminin tahmin edilmesine makine öğrenme yaklaşımı

    OMOBOLA AZEEZAT OKOCHA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ILHAM HUSEYINOV

  5. Tez No

    522626

    Makine öğrenmesiyle müşteri kayıplarının tahmini

    Customer churn prediction by machine learning

    MELİKE GÜNAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. TOLGA ENSARİ

Geri Dön