Show simple item record

dc.contributor.authorOğuz Kaynar
dc.contributor.authorMurat Fatih Tuna
dc.contributor.authorYasin Görmez
dc.contributor.authorMehmet Ali Deveci
dc.date.accessioned23.07.201910:49:13
dc.date.accessioned2019-07-23T16:38:36Z
dc.date.available23.07.201910:49:13
dc.date.available2019-07-23T16:38:36Z
dc.date.issued2017
dc.identifier.issn1303-1279
dc.identifier.urihttp://www.trdizin.gov.tr/publication/paper/detail/TWpZME9EVXpNdz09
dc.identifier.urihttps://hdl.handle.net/20.500.12418/3735
dc.description.abstractMüşteri davranışlarını inceleyerek ayrılması muhtemel müşterilere ait profilleri çıkarıp terk etme olasılığı yüksek müşterileri önceden tahmin etme işlemi müşteri kaybı analizi olarak adlandırılmaktadır. Yeni müşteri kazanma maliyetinin eldeki müşteriyi tutma maliyetinden daha yüksek olması, müşteri terk etme analizini stratejik karar verme ve planlama sürecinin vazgeçilmez bir parçası haline getirmiştir. Hızla büyüyen ve rekabet ortamının her geçen gün artığı, müşterilerin kolaylıkla operatör değiştirdiği ve bu nedenle firmaların milyonlarca dolar zarar ettiği telekomünikasyon sektöründe, müşteri ayrılma analizi daha da önem kazanmaktadır. Müşteri kaybı analizi, rakip firmaya geçmeyi planlayan müşterileri önceden tahmin ederek, şirkete bu müşterilerin bağlılığını arttırmayı hedefleyen çeşitli kampanyalar ve politikalar geliştirme fırsatı sunar. Müşteri kaybı analizi için son yıllarda veri madenciliği ve yapay zekâ teknikleri sıkça kullanılmaya başlanmıştır. Bu çalışmada, telekomünikasyon sektöründe müşteri kaybını tahmin etmek için, Destek Vektör Makineleri (DVM), Yapay Sinir Ağları (YSA) ve Naive Bayes (NB) gibi çeşitli sınıflama yöntemleri yardımıyla bir analiz gerçekleştirilmiştir. Analiz, açık erişimli bir veri tabanından elde edilen, 4667 müşteriden oluşan ve her müşteri için 21 adet işlem kaydına ait özellikler ile müşterinin terk edip terk etmediğine dair sınıf bilgisi içeren bir veri seti üzerinde gerçekleştirilmiştir. Analiz sonucunda, sadık ya da terk eden müşterileri sınıflamada yapay sinir ağları, diğer makine öğrenmesi yöntemlerine göre daha başarılı olmuşturen_US
dc.description.abstractAs it is widely known in marketing, it is more costly to gain a new customer than retain an already existing loyal customer. Indeed, this conviction highlights the importance of precluding of customer churn. To enhance a slightly different approach to customer churn management, data set derived from a real-world telecommunication firm has been analyzed. The data set which contains 4667 rows and 21 features has been derived from apublicly open-access database and reflects transactions of the firm. Support Vector Machines (SVM), Artificial Neural Network (ANN) and Naive Bayes (NB) algorithms have been used as analyzing methods and performance of the analysis has been evaluated via four accuracy measures. In consequence of analysis, the ANN method had the perfect mean result and reflected the best accuracy performance. It is thought that this study guides further studies which use machine learning methods to predict customer churn.en_US
dc.language.isoturen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectİktisaten_US
dc.titleMAKİNE ÖĞRENMESİ YÖNTEMLERİYLE MÜŞTERİ KAYBI ANALİZİen_US
dc.title.alternativeCustomer Churn Analysis Via Machine Learning Methodsen_US
dc.typearticleen_US
dc.relation.journalCumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisien_US
dc.contributor.departmentSivas Cumhuriyet Üniversitesien_US
dc.identifier.volume18en_US
dc.identifier.issue1en_US
dc.identifier.endpage18120184en_US
dc.identifier.startpage18120171en_US
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US]


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record