Telecom customer churn prediction and root cause analysis using network quality metrics
Ağ kalite metrikleri kullanılarak telekom müşteri kaybı tahmini vekök neden analizi
- Tez No: 967895
- Danışmanlar: PROF. DR. ENGİN MAŞAZADE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Kayıp müşteri tahminlemesi, Mobil telekomünikasyon sektörü, Customer churn prediction, Mobile telecommunication market
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, telekomünikasyon sektöründe müşteri kaybının (churn) temel nedenlerini belirlemeyi ve ağla ilgili göstergeler (KPI'lar) kullanarak müşteri kaybını tahmin etmeyi amaçlamaktadır. Daha önceki birçok çalışmanın faturalama veya kampanya temelli değişkenlere odaklanmasının aksine, bu çalışma yalnızca gerçek müşteri deneyimini yansıtan ağ performansı göstergelerine odaklanmıştır. Bu göstergeler; akış (streaming) kalitesi, uçtan uca gecikme, VoLTE QoE ve genel ağ kalite göstergelerini kapsamaktadır. Veri kümesinde ekonomik veya tarife bilgileri bulunmadığından, elde edilen sonuçlar yalnızca ekonomik olmayan müşteri kaybı etmenlerinin etkisini yansıtmaktadır.Her bir müşteri için 2G, 3G ve 4G teknolojileri üzerinden günlük KPI'ların 30 günlük ortalamaları hesaplanmış ve kümeleme analizi için temsili bir örneklem seçilmiştir. Müşteri segmentasyonu için Bisecting K-Means algoritması uygulanmıştır. Düşük ağ performansına sahip segmentin, diğer gruplara kıyasla anlamlı derecede yüksek müşteri kaybı gösterdiği belirlenmiş; bu durum, bozulan ağ deneyimi ile müşteri kaybı davranışı arasında güçlü bir ilişki olduğunu ortaya koymuştur.Ardından, müşteri kaybı üzerinde en etkili değişkenleri belirlemek amacıyla ANOVA testi uygulanmış ve yalnızca istatistiksel olarak anlamlı değişkenler kullanılarak çeşitli makine öğrenmesi modelleri eğitilmiştir. Modellerin kesinlik (precision) ve geri çağırma (recall) skorları karşılaştırılarak en iyi performans gösteren model belirlenmiştir. Başlangıç sonuçlarının istenilen düzeyde olmaması üzerine, İstanbul'un Kadıköy, Şişli, Üsküdar ve Beşiktaş ilçelerine ait müşteri başına 30 günlük günlük zaman serisi verileri kullanılarak daha odaklı bir durum analizi gerçekleştirilmiştir. Müşteri kaybı tahmini, aynı dönem içerisinde churn eden müşteri sayısıyla eşit sayıda churn etmeyen müşterinin örneklenmesiyle oluşturulan dengeli veri kümesi üzerinde yapılmış ve %59 F1 skoru elde edilmiştir.
Özet (Çeviri)
This study aims to identify the root causes of customer churn in the telecommunications industry and to predict churn using network-related indicators. Unlike many previous studies that rely on billing or campaign-related variables, this work focuses solely on network performance metrics (KPIs) that reflect real customer experience — including streaming quality, end-to-end delay, VoLTE QoE, and overall network quality indicators. As the dataset does not contain any economic or tariff-related information, the results specifically reflect the impact of non-economical churn drivers. A 30-day average of daily KPIs was calculated for each customer across 2G, 3G, and 4G technologies, and a representative sample was selected for clustering. Bisecting K-Means algorithms were applied to segment customers. The segment identified with poor network performance showed significantly higher churn compared to other groups, revealing a strong link between degraded network experience and churn behavior. Subsequently, ANOVA was used to identify the most influential features on churn, and several machine learning models were trained using only the statistically significant variables. The models' precision and recall scores were compared to determine the best-performing model. As the initial results were not satisfactory, a more bfocused case study was conducted using 30-Day Daily Time Series per Customer data for the Kadıköy, Şişli, Üsküdar, Beşiktaş districts of Istanbul. Churn prediction was then performed on a balanced dataset, created by sampling an equal number of non-churners to match the churners in the same period, achieving an F1-score of 59%.
Benzer Tezler
- Ağ trafiği tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
A comparative analysis of machine learning algorithms on network traffic forecasting
BUSE DİLAN USLAN
- The effects of digital strategies on customer churn in the telecom industry
Telekom sektöründe dijital stratejilerin müşteri kaybına etkisi
ÖMER BUĞRA KIRGIZ
- Lojistik regresyon, k-en yakın komşu, karar ağacı ve rastgele orman yöntemleri kullanılarak müşteri kaybı tahmin analizi
Customer churn prediction analysis using logistic regression, k-nearest neighbors, decision tree and random forest
MEHMET TARIK ATAY
- Customer churn prediction for telecommunications industry
Telekomünikasyon servislerinden aboneliklerini i̇ptal edecek müşterileri önceden tahmin etmek
UTKU YABAŞ
Yüksek Lisans
İngilizce
2014
İzmir Ekonomi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- 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
İstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
Yükleniyor...
