SavedAdd your journal

Journals / İleri Mühendislik Çalışmaları ve Teknolojileri Dergisi / 2020 / Cilt: 1 - Sayı: 1

Comparing Classification Algorithms of Customer Loss Analysis

Müşteri Kayıp Analizi İçin Sınıflandırma Algoritmalarının Karşılaştırılması

Alper ÇİÇEK
Yelda ARSLAN
Pages
13–19
Publication Date
2020-08-22
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)

More than 70% of all results give an accuracy rate, a successful study is revealed.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Total of two data sets which is published from kaggle.com has been used in this study.
📊
Key Findings & Data:The methods which are determined from 13.000 customer information are used in this research.
💡
Conclusion & Impact:More than 70% of all results give an accuracy rate, a successful study is revealed.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Müşteri Kayıp Analizi · Logistic Regression · Naive Bayes

Abstract

Total of two data sets which is published from kaggle.com has been used in this study. The first data set belongs bank customers, and the second data set contains telephone operator customers. Customer loss analysis was conducted by examining various attributes with using the two data sets. In this study, Logistic Regression, Naive Bayes, Desicion Tree, K-NN, SVM and LDA classification modeling are used. The methods which are determined from 13.000 customer information are used in this research. Python Programming Language, which is easy to implement and has many literature studies, has been chosen. The classification methods used were applied for both data sets and their accuracy rates were compared. It has been observed that the most decisive result is the decision trees algorithm. More than 70% of all results give an accuracy rate, a successful study is revealed.

Özet

Bu çalışmada kaggle.com üzerinden yayınlanan toplam iki veri seti ile çalışılmıştır. İlk veri seti bir banka müşterilerine, ikinci veri seti ise telefon operatörü müşterilerine aittir. Kullanılan iki veri seti için de çeşitli nitelikler incelenerek müşteri kayıp analizi yapılmıştır. Çalışmada Logistic Regression, Naive Bayes, Desicion Tree, K-NN, SVM ve LDA sınıflandırma modelleri kullanılmıştır. İncelemede toplam 13.000 müşteri bilgisi üzerinden belirlenen yöntemler ile çalışma yapılmıştır. Algoritmanın uygulanması kolay ve literatür çalışması fazla olduğu python programlama dili seçilmiştir. Kullanılan sınıflandırma yöntemleri her iki veri seti için de uygulanmış ve doğruluk oranları karşılaştırılmıştır. En kararlı sonucu karar ağaçları algoritması olduğu gözlemlenmiştir. Tüm sonuçların %70’ten daha fazla bir doğruluk oranı vermesi başarılı bir çalışma yapıldığını ortaya çıkarmaktadır.

🔖

Cite This Article

ÇİÇEK, A., ARSLAN, Y. (2020). Comparing Classification Algorithms of Customer Loss Analysis. İleri Mühendislik Çalışmaları ve Teknolojileri Dergisi, Cilt: 1 - Sayı: 1, 13–19. https://ajindex.com/articles/770182

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Akbulut S. (2006). Veri madenciliği teknikleri ile bir kozmetik markanın ayrılan müşteri analizi ve müşteri segmentasyonu, (Yüksek lisans tezi). Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
  2. Arifoğlu E. (2011). Churn management by using Fuzzy C-Means, (Yüksek lisans tezi). Bahçeşehir Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  3. Asilkan Ö. (2008). Veri madenciliği kullanılarak ikinci el otomobil pazarında fiyat tahmini, (Doktora tezi). Akdeniz Üniversitesi Sosyal Bilimler Enstitüsü, Antalya. Ayhan, S. ve Erdoğmuş, Ş. (2014). Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi. İibf Dergisi, 9(1), 175- 198. Çimenli S. (2015). Churn analysis andpPrediction with decısion tree and artificial neural network, (Yüksek lisans tezi). Kadir Has Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  4. Deconinck, E., Hancock, T., Coomans, D., Massart, D.L. and Heyden, Y.V. (2005). Classica on of drugs in absorp on classes using the classi ca on and regression trees (CART) methodology. Journal of Pharmaceu cal and Biomedical Analysis, 39, 91–103.
  5. Ercan P. (2015). Detection of churners in internet games using crm approach: a case study on pishti plus, (Yüksek lisans tezi). Orta Doğu Teknik Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
  6. Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2), 179-188.
  7. Gujarati, D.N. (1999). Temel ekonometri, (Şenesen, Ü. ve Şenesen, G.G., Çev.), İstanbul: Literatür Yayıncılık (Orijinal çalışma basım tarihi 1978).
  8. Hua, Y. and Yang, J. (2001). A direct LDA algorithm for high-dimensional data-with application to face recognition, Pattern Recognition. Karagülle, F. (2008). Destek vektör makinelerin kullanarak yüz bulma. (Yüksek lisans tezi). Kecman, V. (2001). Learning and Support Vector Machines Neural Networks And Fuzzy Logic Models. Kılınç, D., Borandağ, E., Yücelar, E., Tunalı, V., Şimşek, M. ve Özçiftçi, A. (2016). KNN algoritması ve R dili ile metin madenciliği kullanılarak bilimsel makale tasnifi. Marmara Fen Bilimleri Dergisi, (3), 89-94.
  9. Kim, N., Jung, K. H., Kim, Y. S., and Lee, J. (2012). Uniformly subsampled ensemble (USE) for churn management: Theory and implementation. Expert Systems with Applications, 39(15), 11839–11845.
  10. Koçtürk Y. (2010). Veri madenciliğinde bağlılık, (Yüksek lisans tezi). İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  11. Kotler, P. (2003). Marketing Insights from A to Z. New Jersey. M. Accardi-Peter