Makine öğrenmesi yöntemleriyle müşteri kaybı analizi

Musteri davranislarini inceleyerek ayrilmasi muhtemel musterilere ait profilleri cikarip terk etme olasiligi yuksek musterileri onceden tahmin etme islemi musteri kaybi analizi olarak adlandirilmaktadir. Yeni musteri kazanma maliyetinin eldeki musteriyi tutma maliyetinden daha yuksek olmasi, musteri terk etme analizini stratejik karar verme ve planlama surecinin vazgecilmez bir parcasi haline getirmistir. Hizla buyuyen ve rekabet ortaminin her gecen gun artigi, musterilerin kolaylikla operator degistirdigi ve bu nedenle firmalarin milyonlarca dolar zarar ettigi telekomunikasyon sektorunde, musteri ayrilma analizi daha da onem kazanmaktadir. Musteri kaybi analizi, rakip firmaya gecmeyi planlayan musterileri onceden tahmin ederek, sirkete bu musterilerin bagliligini arttirmayi hedefleyen cesitli kampanyalar ve politikalar gelistirme firsati sunar. Musteri kaybi analizi icin son yillarda veri madenciligi ve yapay zekâ teknikleri sikca kullanilmaya baslanmistir. Bu calismada, telekomunikasyon sektorunde musteri kaybini tahmin etmek icin, Destek Vektor Makineleri (DVM), Yapay Sinir Aglari (YSA) ve Naive Bayes (NB) gibi cesitli siniflama yontemleri yardimiyla bir analiz gerceklestirilmistir. Analiz, acik erisimli bir veri tabanindan elde edilen, 4667 musteriden olusan ve her musteri icin 21 adet islem kaydina ait ozellikler ile musterinin terk edip terk etmedigine dair sinif bilgisi iceren bir veri seti uzerinde gerceklestirilmistir. Analiz sonucunda, sadik ya da terk eden musterileri siniflamada yapay sinir aglari, diger makine ogrenmesi yontemlerine gore daha basarili olmustur.