Predicting customers with higher probability to purchase in telecom industry
Telekom sektöründe satın alma ihtimali yüksek olan müşterilerin tahmin edilmesi
- Tez No: 921216
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı
- Bilim Dalı: Büyük Veri ve İş Analitiği Bilim Dalı
- Sayfa Sayısı: 60
Özet
Understanding customer insights, predicting their next steps, and making accurate recommendations have become a significant issue for customer service organizations in today's world. With the widespread use of important technologies such as Big Data Analytics and Machine Learning, the contribution of Artificial Intelligence to digital transformation in the industrial world has significantly affected the way businesses work. The use of Artificial Intelligence technologies in business processes has increased the success ratio of marketing strategies, business models and sales statistics. Companies that provide customer services have units responsible for CRM, as known as customer relations management. Big Data accumulated and analyzed by CRM units can be modeled with artificial intelligence algorithms for customer centric use cases. Thereby, outcome of such an approach guide the customer strategies built by companies. In this article, studies on the business analytic-based understanding of customers with high probability of purchasing by training the CRM data used in the telecom industry will be included.
Özet (Çeviri)
Bu tezde, telekomünikasyon sektöründe müşterilerin satın alma davranışlarını analiz ederek daha etkili stratejiler geliştirmek için kullanılan yöntemler ele alınmıştır. Özellikle müşteri segmentasyonu, şirketlerin müşterilerini daha iyi anlamasına ve onlara özel kampanyalar hazırlamasına yardımcı olan önemli bir araçtır. Bu çalışmada, müşteri segmentasyonu için RFM (Recency, Frequency, Monetary) analizi temel olarak ele alınmış ve etkili sonuçlar elde edebilmek adına farklı metodlar kullanılarak desteklenmiştir. RFM analizi, müşterilerin son satın alma tarihlerini (recency), satın alma sıklıklarını (frequency) ve toplam harcama miktarlarını (monetary) göz önünde bulundurarak müşterileri 5 farklı segmente ayırmaktadır. Örneğin, son dönemde alışveriş yapmış, sık alışveriş yapan ve yüksek miktarda harcama yapan müşteriler genelde daha değerli olarak kabul edilir. Bu analiz yöntemi, müşterilerin farklı gruplara ayrılmasını ve bu gruplara özel pazarlama stratejileri geliştirilmesini sağlar. Çalışmada, Türkiye'de faaliyet gösteren bir telekomünikasyon şirketine ait 13.627 müşteriye ait veri kullanılarak analiz çalışması yapılmıştır. Veri seti içerisinde müşteri numarası, fatura bilgisi, kampanyalar ve ücretleri gibi detaylı bilgiler içermekte ve müşteri davranışlarını anlamak için bu bilgiler zengin bir kaynak sunmaktadır. Bu tür CRM verilerini analiz etmek için yapay zeka ve veri madenciliği yöntemlerini kullanmak oldukça faydalı bir yöntemdir. Büyük ve karmaşık veri setlerini anlamlandırmak ve etkili analiz gerçekleştirebilmek için bu yöntemleri kullanmak oldukça önemlidir. Örneğin, bir müşterinin sadık bir müşteri mi yoksa şirketle ilişkisini kesmek üzere olan bir müşteri mi olduğunu anlamak bu analizlerle mümkün hale gelir. Yapılan bu analiz çalışmaları sayesinde, şirketler müşterilerinin davranışlarına bağlı olarak müşteri bağlılığını arttırmak veya müşterinin ayrılmasını engellemek amacıyla belirli stratejiler geliştirebilir. Ayrıca, müşterilerin ihtiyaç ve beklentilerini önceden tahmin ederek daha etkili kampanyalar düzenlenmesine yardımcı olur. Bu sayede müşteri memnuniyeti artarken, müşteri kayıpları da önemli ölçüde azaltılmış olur. Bu çalışmada, veriler detaylı bir ön işleme sürecinden geçirilmiştir. İlk olarak, eksik veriler tamamlanmış ve tutarsızlıklar giderilmiştir. Veri setinin daha tutarlı bir yapıda olabilmesi için aykırı veriler temizlenmiştir. Daha sonra, normalizasyon tekniği uygulanarak veri seti analiz işlemine uygun hale getirilmiştir. Yapılacak olan müşteri segmentasyonu analizinde daha doğru sonuç alabilmek için RFM analizine ek olarak Ana Bileşen Analizi (PCA) ve K-means algoritmaları kullanılmıştır. K-Means algoritması, RFM metrik bileşenlerini gruplandırmak amacıyla kullanılırken, PCA algoritması ise bu RFM skoru hesaplanırken bu bileşenlere doğru ağırlık ataması yapılabilmesi için kullanılmıştır. Bu yaklaşım, analiz sürecinde daha doğru ve etkili bir sonuç elde edilmesini sağlamıştır. Boyut indirgeme işlemi, karmaşık veri yapılarını daha basit bir forma dönüştürür ve analizin doğru yapılmasına yardımcı olur. Özellikle PCA ile RFM bileşenlerinin önem sıralaması belirlenmiş, bu sıralama RFM skorlarının hesaplanmasında kullanılmıştır. Böylece, müşterilerin daha doğru bir şekilde gruplara ayrılması sağlanmıştır. Bu süreç, müşteri davranışlarının daha net bir şekilde analiz edilmesine ve elde edilen her bir müşteri grubu için farklı stratejiler geliştirilmesine katkı sağlamıştır. Yapılan RFM analizi sonucunda, müşteriler beş ayrı gruba ayrılmıştır: şampiyonlar, potansiyel sadıklar, dikkat gerektirenler, riskliler ve uyuyanlar. Bu grupların her biri, müşterilerin satın alma davranışları ve şirketle olan ilişkilerine göre belirlenmiştir. Şampiyonlar grubu, sık alışveriş yapan, yüksek harcamalar yapan ve şirkete aktif katkı sağlayan müşterilerden oluşmaktadır. Bu müşteriler, şirket için en değerli grup olarak görülür. Diğer bir yandan, potansiyel sadıklar, alışveriş sıklığı ve harcama düzeyleri açısından şampiyonlara en yakın olan gruptur. Fakat, yine de bağlılıklarının arttırılması için bu gruba özel stratejiler geliştirilmelidir. Dikkat gerektiren grup, şirketle olan ilişkisi zayıflamakta olan ancak doğru müdahaleler ile tekrar kazanılabilecek bir gruptur. Bu grup, müşteri memnuniyeti ve bağlılığının artırılmasına yönelik stratejik çalışmaların yapılması gereken bir segmenttir. Riskli ve uyuyan segmentler ise, şirket için alarm verici müşteri gruplarını temsil etmektedir. Riskli grupta yer alan müşteriler şirketle arasında bağlılığı azalan, her an gitmeye yakın olanları temsil eder. Uyuyan gruptaki müşteriler ise uzun süredir herhangi bir satın alım yapmamış ve şirketle bağlarını tamamen koparmak üzere olanlardır. Bu grupların tekrar kazanılması şirketlerin özel stratejiler geliştirmesi, müşterilere uygun kampanya çalışmaları yapması gerekmektedir. Her bir müşteri grubun için şirketin özel stratejiler geliştirmesi önemli bir konudur. Şampiyon müşterilere, bağlılıklarını daha da artıracak kişiselleştirilmiş ödüller ve kampanyalar sunulabilir. Bu müşterilerin mevcut memnuniyet seviyeleri yüksek olduğundan, küçük dokunuşlarla onların uzun vadeli destekçileri olmaları sağlanabilir. Potansiyel sadık müşteriler için ise, özel teklifler ve onları daha fazla alışverişe teşvik edecek iletişim stratejileri uygulanabilir. Bu gruptaki müşteriler, doğru yaklaşımlarla şampiyonlar segmentine taşınabilecek bir potansiyele sahiptir. Ayrıca, dikkat gerektiren müşteri grubuna hızlı ve etkili müdahaleler yapılması oldukça önemlidir. Bu müşterilere yönelik iletişim stratejileri geliştirilmeli, onların şirketle olan ilişkilerinin güçlendirilmesi sağlanmalıdır. Riskli ve uyuyan müşteriler için daha dikkatli olunması gerekmekte ve bu müşteri grubu için net bir geri kazanım politikası çalışılmalıdır. Bu müşterilere sunulacak ilgi çekici kampanyalar veya onların ihtiyaçlarına yönelik yaklaşımlar, müşteri kaybını önleyebilir. Yapılan analiz çalışmasının sonucunda, müşterilerin davranışları doğru bir şekilde gözlemlenerek, şirketlerin oluşturulan müşteri gruplarına yönelik strateji geliştirmeleri sağlanmıştır. Elde edilen sonuçlara dayanarak, şampiyon ve potansiyel sadık gruplara ait müşterilerin bağlılığı artırılabilir. Bu gruplar, şirketin en yüksek potansiyele sahip müşterilerini içerir. Şampiyon müşterilere sunulacak özel ödüller ve kişiselleştirilmiş teklifler, onların şirketle olan bağlarını daha da arttırır. Potansiyel sadıklar grubundaki müşteriler ise, birebir iletişim ve özel kampanyalarla sadık müşteriler haline dönüştürülebilir. Bu segmentler, şirketin büyüme hedefleri doğrultusunda en önemli katkıyı sağlayacak gruplardır. Dikkat gerektiren segment için ise daha hızlı ve etkili adımlar atılması gereklidir. Bu gruptaki müşterilerin memnuniyeti artırılarak, onların şirketle olan ilişkilerinin kopmaması sağlanabilir. Örneğin, bu müşterilere yönelik özel kampanyalar düzenlenebilir veya onların ihtiyaçlarına yönelik çözümler sunulabilir. Bu tür müdahaleler, bu gruptaki müşterilerin riskli veya uyuyan segmentlere geçmesini önleyebilir. Riskli ve uyuyan gruplar, şirketin en zorlu müşteri segmentleridir ve bu gruplara yönelik stratejiler daha proaktif olmalıdır. Riskli müşteriler için, birebir iletişim stratejileri veya özel geri kazanım kampanyaları uygulanabilir. Uyuyan müşteriler içinse, şirketle yeniden bağ kurmalarını sağlayacak cazip teklifler sunulabilir. Bu tür müşterilere, ilgilerini çekecek özel hizmetler veya avantajlar sağlamak, onları tekrar kazanmanın en etkili yollarından biridir. Bu segmentler üzerinde yapılan çalışmalar, müşteri kaybını önlemenin yanı sıra uzun vadede gelir artışına da katkı sağlayabilir. Bu tezde kullanılan RFM analizi ve boyut indirgeme yöntemleri, müşteri segmentasyonu için etkili bir temel oluşturmuştur. Özellikle, RFM göstergelerinin PCA ve K-means algoritmalarıyla işlenmesi hem analiz süreçlerinin doğruluğunu artırmış hem de verilerin daha anlaşılır hale gelmesini sağlamıştır. Bu yöntemler, büyük ve karmaşık veri kümelerinde bile etkili sonuçlar alınmasına olanak tanımaktadır. Ayrıca, segmentasyon süreci boyunca kullanılan bu teknikler, müşteri davranışlarını daha derinlemesine anlamayı mümkün kılar. Sonuç olarak, bu çalışma, telekomünikasyon sektöründe müşteri segmentasyonu için uygulanabilir bir model sunmaktadır. Çalışmada elde edilen sonuçlar, şirketlerin müşteri ilişkileri yönetimini daha etkili hale getirmek için veri odaklı yaklaşımları nasıl kullanabileceğini göstermiştir. Bu segmentasyon modeli, sadece telekomünikasyon sektörüyle sınırlı kalmayıp, müşteri davranışlarının önemli olduğu diğer sektörlerde de kullanılabilir. Gelecekte, bu çalışmaya derin öğrenme ve diğer gelişmiş yapay zeka yöntemlerinin eklenmesi, müşteri segmentasyonu süreçlerinin daha da geliştirilmesine olanak sağlayabilir. Bu da hem müşteri memnuniyetinin artırılmasına hem de şirketlerin iş hedeflerine ulaşmasına önemli katkılar sunacaktır.
Benzer Tezler
- Kredi kartları riskleri ve güvenlik önlemlerinin sigortacılık açısından incelenmesi
Research on the risks of credit cards and security implementations in the view of insurance
AYŞEGÜL BÖLÜKBAŞI
- Plastik ambalaj üretim tesisinde iş sağlığı ve güvenliği risk değerlendirmesi
Occupational health and safety risk assesment of plastic packaging production facilities
KÜBRA ÇİÇEK
Yüksek Lisans
Türkçe
2015
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. FATMA GÜLEN İSKENDER
- Finansal zorluğa düşecek firmaların önceden tahmini ve ülkemizde bir uygulama
Predicting financial failure and an application in Turkey
MEHMET CEVDET ÇAĞLAR
- 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
- Büyük veride çizge teorisiyle temerrüt tahmini ve makine öğrenmesi modellerinin yorumlanması
Default prediction with graph theory in big data and interpretation of machine learning models
MUSTAFA YILDIRIM
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SUAT ÖZDEMİR