Telekomünikasyon sektöründe veri madencilik tekniklerini kullanarak makine öğrenmesine dayalı müşteri terk analizi

Günümüzde artan rekabet ortamında, işletmeler için müşterilerin ihtiyaç, talep ve beklentilerini yakından takip ederek en uygun ve en hızlı şekilde cevap verme zorunluluğu doğurmuştur. Müşterilerle karşılıklı faydaya dayanan ilişkiler geliştirerek müşteri sadakatini kazanmayı ve bu sayede işletmeye uzun vadeli fayda sağlamayı amaçlanmaktadır. Günümüzde yeni müşteriler kazanmanın maliyeti, varolan müşterileri bünyesinde tutmanın maliyetinden çok daha fazladır. Bu yüzden ayrılacağı önceden tahmin edilen müşterilere promosyon, indirim, hediye ya da avantajlar sağlanması müşterinin ayrılmasını engelleyebilecek ve böylece şirketler uzun vadede daha fazla kâr elde edebileceklerdir. Ancak yapılacak yanlış tahminler, ayrılmayacak müşteriye ayrılacakmış gibi davranmamıza neden olabilir. Bu da müşteriye gereksiz promosyon ya da hediye uygulanmasını gerektirir. Yani şirket için bunun anlamı, gereksiz para kaybıdır. Bu nedenle ayrılacak müşteriyi doğru tahmin etmekte şirketler için önemlidir. İşletmeler, teknolojinin de yardımıyla farklı kaynaklardan topladıkları verileri çeşitli veri madenciliği yöntemleriyle inceleyerek müşterilere ait daha geçerli bilgiler elde edebilmekte ve bu sayede müşterilerle daha etkili bir iletişim geliştirebilmektedir ve devamlılığını sağlayabilmektedir. Bu tez çalışmasında telekomünikasyon Şirketine ait müşteri verileri üzerinde ayrılacak müşterileri önceden tahmin edebilmek amacıyla çeşitli veri madenciliği teknikleri ve makine öğrenmesi yöntemlerinden olan sınıflandırma algoritmaları kullanılmıştır. Bu analiz için kullanılan veri seti 7166 müşteriye ait en etkili 100 özellik ve müşterinin terk edip terk etmediğine dair sınıf etiketinden oluşmaktadır. Veri setindeki müşterilerin 328'i churn etmiştir ve churn etme durumunu en yüksek oranla tahmin etme amaçlanmıştır. Train test split ile veri seti %70 - %30 oranında eğitim ve test veri setine ayrılmıştır. Data üzerinde scale ve log dönüşümleri yapılmıştır. En etkili 100 feature seçilerek analize alınmıştır. Sınıflandırma algoritmaları ile elde edilen modellerin performansları incelenmiştir. Bu çalışmada telekomünikasyon Şirketine ait müşteri verileri üzerinde makine öğrenmesi algoritmaları Logistic Regression, K Nearest Neighbour (KNN), Naive Bayes, Random Forest, Decision Tree, Support Vector Machine ve Gradient Boosting algoritmaları kullanılarak müşteri ayrılma analizi yapılmış ve söz konusu algoritmaların bu analiz için etkinliği belirlenmeye çalışılmıştır. En yüksek tutarlılık oranını sahip olan algoritmalar 0.72 ile K Nearest Neighbour ve Random Forest olmuştur. 0.65 ile Logistic Regression, 0.62 ile Support Vector Machine, 0.61 ile Gradient Boosting, 0.57 ile Naive Bayes ve 0.56 ile Decision Tree sonuç vermiştir.