Dergiler / EMO Bilimsel Dergi / 2025 / Cilt: 15 Sayı: 2

Telekomünikasyon Sektöründe Müşteri Kaybı Tahmini İçin Açıklanabilir Makine Öğrenmesi

M. Aslı Aydın(Bahçeşehir Üniversitesi)0000-0002-8905-7518
Sayfa
71–79
Yayın Tarihi
2025-05-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu yöntemle müşterilerin ayrılma kararına etki eden temel faktörler değerlendirilip ayrılacağı tahmin edilen müşterilere yönelik caydırıcı teşvik ve promosyonlar önerilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Telekomünikasyon sektöründe ayrılacak müşterilerin önceden tahmin edilmesi, firmaların bu müşterilere özel elde tutma stratejileri geliştirerek müşteri kaybını önlemesinde oldukça önemlidir.
📊
Temel Bulgular & Veri:Açık erişimli telekomünikasyon verisinde bulunan sınıf dengesizliği problemi, modellerin performansına olan olumsuz etkisinin önlenmesi amacıyla SMOTE yeniden örnekleme yöntemiyle giderilmiştir.
💡
Sonuç & Katkı:Bu yöntemle müşterilerin ayrılma kararına etki eden temel faktörler değerlendirilip ayrılacağı tahmin edilen müşterilere yönelik caydırıcı teşvik ve promosyonlar önerilmiştir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Müşteri Kaybı Tahmini · Telekomünikasyon · Makine Öğrenmesi

Özet

Telekomünikasyon sektöründe ayrılacak müşterilerin önceden tahmin edilmesi, firmaların bu müşterilere özel elde tutma stratejileri geliştirerek müşteri kaybını önlemesinde oldukça önemlidir. Bu çalışmada müşteri kaybı tahmini için geleneksel makine öğrenmesi yöntemlerinden Lojistik Regresyon, Destek Vektör Makineleri ve Yapay Sinir Ağlarının performansı, topluluk öğrenme yöntemleri olan Rastgele Orman, Gradyan Güçlendirme Makineleri ve Aşırı Gradyan Güçlendirme yöntemlerinin performansıyla kıyaslanmıştır. Açık erişimli telekomünikasyon verisinde bulunan sınıf dengesizliği problemi, modellerin performansına olan olumsuz etkisinin önlenmesi amacıyla SMOTE yeniden örnekleme yöntemiyle giderilmiştir. Deney sonuçlarına göre Rastgele Orman modeli tahminlerin %85.9 doğruluk oranı ile diğer modellere üstünlük sağlamıştır. Model sonuçlarına en çok etki eden faktörlerin tespit edilip yorumlanabilmesi için Shapley Katkı Açıklamaları yöntemi kullanılmıştır. Bu yöntemle müşterilerin ayrılma kararına etki eden temel faktörler değerlendirilip ayrılacağı tahmin edilen müşterilere yönelik caydırıcı teşvik ve promosyonlar önerilmiştir.

🔖

Bu Makaleye Atıf Yap

Aydın, M. A. (2025). Telekomünikasyon Sektöründe Müşteri Kaybı Tahmini İçin Açıklanabilir Makine Öğrenmesi. EMO Bilimsel Dergi, Cilt: 15 Sayı: 2, 71–79. https://ajindex.com/articles/1390278

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (35)

  1. J. Cao, X. Yu & Z. Zhang, “Integrating OWA and data mining for analyzing customers churn in E-commerce.”, J Syst Sci Complex, vol.28, pp. 381–392, (2015) https://doi.org/10.1007/s11424-015-3268-0.
  2. J. Burez, & D. Van den Poel. “Crm at a pay-TV company: Using analytical models to reduce customer attrition by targeted marketing for subscription services”. Expert Systems with Applications, 32, 277–288. (2007)
  3. E. Kartal, Z. Özen, “Dengesiz Veri Setlerinde Sınıflandırma”, Mühendislikte Yapay Zekâ Uygulamaları, Sakarya, 109-131, (2017).
  4. C. Gui, “Analysis of imbalanced data set problem: The case of churn prediction for telecommunication”, Artif. Intell. Research, 6:2, 93, (2017).
  5. J. Burez and D. Van den Poel, “Handling class imbalance in customer churn prediction,” Expert Syst. Appl., vol. 36, no. 3 PART 1, pp. 4626–4636, (2009) doi: 10.1016/j.eswa.2008.05.027.
  6. F. Emmert-Streib, O. Yli-Harja, M. Dehmer. “Explainable artificial intelligence and machine learning: A reality rooted perspective”. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(6), Article e1368. (2020).
  7. A. Barredo Arrieta et al., “Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI,” Inform Fusion, vol. 58, pp. 82-115, (2020).
  8. C. Kirui, et al. "Predicting customer churn in mobile telephony industry using probabilistic classifiers in data mining." International Journal of Computer Science Issues (IJCSI) 10.2 Part 1: 165 (2013).
  9. P. Kisioglu and Y.I. Topcu, “Applying Bayesian Belief Network approach to customer churn analysis: A case study on the telecom industry of Turkey,” Expert Syst Appl, vol. 38, no. 6, pp. 7151 7157, (2011).
  10. I. Brandusoiu, G. Toderean, “Churn prediction modeling in mobile telecommunications industry using decision trees”. Journal of Computer Science and Control Systems, 6(1), 14, (2013).
  11. S. Nisha, G. K. Monika, and K. Garg. "Churn prediction in telecommunication industry using decision tree." International Journal of Engineering Research & Technology (IJERT) 6, no. 4: 439-433 (2017).
  12. K. Preeti, et al. "Analysis of customer churn prediction in telecom industry using decision trees and logistic regression." 2016 symposium on colossal data analysis and networking (CDAN). IEEE,(2016).
  13. J. Manďák, and J. Hančlová. "Use of Logistic Regression for Understanding and Prediction of Customer Churn in Telecommunications." Statistika: Statistics & Economy Journal 99.2 (2019).
  14. Z. Yu, et al. "Customer churn prediction using improved one-class support vector machine." Advanced Data Mining and Applications: First International Conference, ADMA 2005, Wuhan, China, July 22-24, 2005. Proceedings 1. Springer Berlin Heidelberg, (2005).
  15. G. Xia, and W. Jin. "Model of customer churn prediction on support vector machine." Systems Engineering-Theory & Practice 28.1): 71-77. (2008).
  16. N. Sjarif, et al. "A customer Churn prediction using Pearson correlation function and K nearest neighbor algorithm for telecommunication industry." Int. J. Advance Soft Compu. Appl 11.2 (2019).
  17. C. F. Tsai and Y. H. Lu, “Customer churn prediction by hybrid neural networks,” Expert Syst. Appl., vol. 36, no. 10, pp. 12547–12553, (2009). doi: 10.1016/j.eswa.2009.05.032.
  18. S. and P. "A Neural Network based Approach for Predicting Customer Churn in Cellular Network Services" International Journal of Computer Applications (2011) doi:10.5120/3344-4605.
  19. O. Adwan, et al. "Predicting customer churn in telecom industry using multilayer preceptron neural networks: Modeling and analysis." Life Science Journal 11.3): 75-81. (2014).
  20. A., Keramati et. Al. “Improved churn prediction in telecommunication industry using data mining techniques”, Applied Soft Computing, Volume 24, 994-1012, (2014). https://doi.org/10.1016/j.asoc.2014.08.041.
  21. O. Kaynar v.d.“Makine öğrenmesi yöntemleriyle müşteri kaybı analizi”, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18 (1), 1-14, (2017).
  22. M. A. Aydın, “Müşteri kaybı tahmininde sınıf dengesizliği problemi”, Politeknik Dergisi, 25(1): 351-360, (2022).
  23. A. Sikri, R. Jameel, S.M. Idrees, et al. “Enhancing customer retention in telecom industry with machine learning driven churn prediction”. Sci Rep 14, 13097 (2024). https://doi.org/10.1038/s41598-024-63750-0.
  24. M. Afzal, S. Rahman, D. Singh and A. Imran, "Cross-Sector Application of Machine Learning in Telecommunications: Enhancing Customer Retention Through Comparative Analysis of Ensemble Methods," in IEEE Access, vol. 12, pp. 115256-115267, (2024) doi: 10.1109/ACCESS.2024.3445281.
  25. İ. Kök, “Açıklanabilir Yapay Zekaya Dayalı Müşteri Kaybı Analizi ve Elde Tutma Önerisi”, Müh.Bil.ve Araş.Dergisi, c. 6, sy. 1, ss. 13–23, (2024) doi: 10.46387/bjesr.1344414.
  26. P. Boozary, S. Sheykhan, H. GhorbanTanhaei, C. Magazzino,”Enhancing customer retention with machine learning: A comparative analysis of ensemble models for accurate churn prediction”, International Journal of Information Management Data Insights,Volume 5, Issue 1,100331, (2025).
  27. C. Özkurt. “Transparency in Decision-Making: The Role of Explainable AI (XAI) in Customer Churn Analysis”, ITEB, vol. 2, no. 1, pp. 1–11, Jan. 2025.
  28. Malhotra, R., Shah, S., Bansal, S. “Customer Churn Analysis Using Machine Learning in Telecom Industry”. Proceedings of Data Analytics and Management. ICDAM 2024. Lecture Notes in Networks and Systems, vol 1301. Springer, Singapore. (2025).
  29. https://www.kaggle.com/blastchar/telco-customer-churn/version/1 (Son erişim tarihi: 05/02/2025)
  30. N. V. Chawla, et.al., “SMOTE: Synthetic Minority Over-Sampling Technique”, Journal of Artificial Intelligence Research, 16, 321–357 (2002).
  31. B. E. Bernhard,I. M. Guyon, and V. N. Vapnik. "A training algorithm for optimal margin classifiers." Proceedings of the fifth annual workshop on Computational learning theory. (1992).
  32. F. Pedregosa, et al. “Scikit-learn: Machine Learning in Python.” ArXiv abs/1201.0490 (2011)
  33. H. Alshari, A. Saleh, ve A. Odabas, “CPU Performansı için Gradyan Artırıcı Karar Ağacı Algoritmalarının Karşılaştırılması”, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, c. 37, sy. 1, ss. 157–168, (2021).
  34. S. M., Lundberg &, S. I. Lee, “A unified approach to interpreting model predictions”. Advances in Neural Information Processing Systems, 30, 4765-4774, (2017).
  35. O. Kaynar v.d.“Makine öğrenmesi yöntemleriyle müşteri kaybı analizi”, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18 (1), 1-14, (2017).