SavedAdd your journal

Journals / Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi / 2022 / Cilt: 24 - Sayı: 72

A Data Mining Application in Customer Churn Prediction

Müşteri Kayıplarının Tahmini Üzerine Bir Veri Madenciliği Uygulaması

Mustafa BÜYÜKKEÇECİ
Mehmet Cudi OKUR
Pages
887–900
Publication Date
2022-10-15
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Thus, it is aimed to obtain feature subsets with optimal number of elements and to compare model performances before and after feature selection.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Customer satisfaction and loyalty can be achieved through reasonable prices, product variety, fast supply and delivery, product quality, pre and post-sales services and analysis of customer behaviors.
📊
Key Findings & Data:To this end, experiments were carried out using a total of 21 classification methods and datasets from the telecommunications, banking, and e-commerce industries.
💡
Conclusion & Impact:Thus, it is aimed to obtain feature subsets with optimal number of elements and to compare model performances before and after feature selection.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Veri Tabanlarında Bilgi Keşfi (VTBK) · Veri Madenciliği · RFM Bölümlemesi

Abstract

Customer satisfaction and loyalty can be achieved through reasonable prices, product variety, fast supply and delivery, product quality, pre and post-sales services and analysis of customer behaviors. Businesses that analyze customer behavior can both retain existing customers and gain new ones. This study aims to build supervised models that can predict customers who are likely to leave businesses. To this end, experiments were carried out using a total of 21 classification methods and datasets from the telecommunications, banking, and e-commerce industries. In addition, RFM (Recency, Frequency, Monetary Value) segmentation, a simple but effective marketing analysis tool used by businesses to rank and classify customers according to their spending habits, was used as a dimension reduction method together with the Chi-Square Test. Thus, it is aimed to obtain feature subsets with optimal number of elements and to compare model performances before and after feature selection.

Özet

Müşteri memnuniyeti ve sadakati uygun fiyat, ürün çeşitliliği, hızlı tedarik ve sevkiyat, ürün kalitesi, satış öncesi ve sonrası hizmetler ve müşteri davranışlarının analiz edilmesi ile sağlanır. Müşteri davranışlarını analiz eden işletmeler hem mevcut müşterilerini koruyabilir hem de yenilerini kazanabilir. Bu çalışmanın amacı işletmeleri terk etme ihtimali olan müşterileri tahmin edebilen gözetimli modeller üretmektir. Bu amaçla toplamda 21 sınıflandırma yöntemi ve telekomünikasyon, bankacılık ve e–ticaret sektörlerine ait veri kümeleri kullanılarak deney çalışmaları gerçekleştirilmiştir. Ayrıca işletmelerin harcama alışkanlıklarına göre müşterileri sıralamak ve sınıflandırmak için kullandıkları basit ama etkili bir pazarlama analiz aracı olan RFM (Recency, Frequency, Monetary Value) bölümlemesi, Ki-Kare Testi ile birlikte boyut indirgeme metodu olarak kullanılmıştır. Böylelikle optimal eleman sayısına sahip öznitelik altkümelerinin elde edilmesi ve öznitelik seçim öncesi ve sonrası model performanslarının kıyaslanması hedeflenmiştir.

🔖

Cite This Article

BÜYÜKKEÇECİ, M., OKUR, M. C. (2022). A Data Mining Application in Customer Churn Prediction. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt: 24 - Sayı: 72, 887–900. https://ajindex.com/articles/491185

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (4)

  1. Harvard Business School (HBS), Business Analytics Program. Business Intelligence vs. Business Analytics. https://analytics.hbs.edu/blog/business–intelligence–vs–business–analytics (Erişim Tarihi: 26.09.2021)
  2. Patricia, M.W., Brockett, P.L., Golden, L.L. 1997. A Comparative Analysis of Neural Networks and Statistical Methods for Predicting Consumer Choice, Marketing Science, 16(4):370–391. DOI: 10.1287/mksc.16.4.370 Eiben, A.E., Koudijs, A.E., Slisser, F. 1998. Genetic Modelling of Customer Retention, EuroGP 1998: Genetic Programming, 1391:178–186. DOI: 10.1007/BFb0055937 Madden, G.G., Savage, S.J., Coble-Neal, G. 1999. Subscriber Churn in The Australian ISP Market, Information Economics and Policy, 11:195–207. DOI: 10.1016/S0167-6245(99)00015-3
  3. Datta, P., Masand, B., Mani, D.R., Li, B. 2000. Automated Cellular Modeling and Prediction on a Large Scale, Artificial Intelligence Review, 14:485–502. DOI: 10.1023/A:1006643109702 Koçoğlu, F.Ö., Özcan, T., Baray, Ş.A. 2016. Veri Madenciliğinde Ayrılan Müşteri Analizi Problemi Üzerine Bir Literatür Araştırması, Uluslararası Katılımlı Üretim Araştırmaları Sempozyumu “4. Sanayi Devriminde Üretim”, 868–874.
  4. Huang, B., Kechadi, M.T., Buckley B. 2012. Customer Churn Prediction in Telecommunications, Expert Systems with Applications, 39(1):1414–1425. DOI: 10.1016/j.eswa.2011.08.024 Xie, Y., Li, X., Ngai, E.W.T., Ying, W. 2009. Customer Churn Prediction Using Improved Balanced Random Forests, Expert Systems with Applications, 36(3-Part 1):5445–5449. DOI: 10.1016/j.eswa.2008.06.121 Tsai, C–F., Lu, Y–H. 2009. Customer Churn Prediction by Hybrid Neural Networks, Expert Systems with Applications, 36(10):12547–12553. DOI: 10.1016/j.eswa.2009.05.032 Vafeiadis, T., Diamantaras, K.I., Sarigiannidis, G., Chatzisavvas, K.C. 2015. A Comparison of Machine Learning Techniques for Customer Churn Prediction, Simulation Modelling Practice and Theory, 55:1–9. DOI: 10.1016/j.simpat.2015.03.003 Burez, J., Van den Poel, D. 2009. Handling Class Imbalance in Customer Churn Prediction, Expert Systems with Applications, 36(3-Part 1):4626–4636. DOI: 10.1016/j.eswa.2008.05.027 Verbeke, W., Martens, D., Mues, C., Baesens, B. 2011. Building Comprehensible Customer Churn Prediction Models with Advanced Rule Induction Techniques, Expert Systems Applications, 38(3):2354–2364. DOI: 10.1016/j.eswa.2010.08.023 Xia, G-E., Jin, W-D. 2008. Model of Customer Churn Prediction on Support Vector Machine, Systems Engineering – Theory & Practice, 28(1):71–77. DOI: