Churn prediction using customers' implicit behavioral patterns and deep learning

Günümüz pazarının küresellesme süreci, is ve finans dünyasının rekabetçi kosullarına göre hızla degismektedir. Banka hizmetlerine yapılan yatırımlar ve yeni rakiplerin ortaya çıkmasıyla beraber, yakın müsteri çevresi de günümüz ekonomisinin talep etmektedir. Böyle bir durumda, müsterinin hizmet saglayıcısını degistirme istegi kavramı, organizasyonlar için rekabetçi bir çalısma alanı haline gelmistir. Bankacılık sektöründe mevcut müsterileri koruma görevi, yönetimlerin öncelikli olarak müsteri verileri üzerinde çalısmasını ve müsterileri baglayacak ve kayıp müsteri oranını azaltacak projeler yaratmalarını mecbur hale getirmistir. Müsteri islemleri ve demografik veriler ile degerli bilgiler ortaya çıkarabilir ve aynı zamanda davranıs biçimleri hakkında kanıksamalar yapılabilir. Bizim öngörü modelimizde birlesik olarak kullanılan zaman ve yer tabanlı önergeler, kayıp müsteriyi önceden kestirme konusunda önemli gelismeler kaydetmistir. Geçmiste gözleme dayalı çesitli modeller gelistirilmistir, bizim modelimizde ise mühürlü yer ve zaman verilerden bilesik olarak elde edilmis özellikleri kullanmaktadır. Söz konusu dizgi tabanlı veriler, kayıp müsteri tahmininde kullanılmaz üzere, vektörler halinde sinirsel agda kullanılmıstır. Bu çalısmada; tekrarlı sinirsel aga dayalı Uzun Süreli Bellek (USB – Ingilizce LSTM) modeli içerisinde kullanılan zaman sıralı verinin, ilk modellere kıyasla daha hassas tahminler yaptıgı ve daha fazla deger ortaya çıkardıgı bulunmustur. USB modelinin vektörel çıktılarının, diger demografik ve müsterilerin dijitallestirilmis davranıslar modelleri ile birlestirildiginde, daha iyi tahmin sonuçları verdigi görülmüstür. Ayrıca bu çalısmada, müsteri agı baglantılarını üç boyutta kapsayan grafiksel evrisimli ag (GEA – Ingilizce GCN) kullanarak yapılan kayıp analizlerinin, müsteriler arasında bir baglantı olup olmadıgını anlamada yardımcı olacak bir model gelistirip önerdik.