SİGORTACILIK SEKTÖRÜNDE MAKİNE ÖĞRENMESİ İLE MÜŞTERİ KAYBI ANALİZİ

Abstract

Hızlı büyüyen ve rekabet gücünün arttığı günümüzde, yeni müşteri edinme çabası ve maliyeti var olan müşteriyi kaybetmeme çabası ve maliyetinden fazla olması, firmaları var olan müşterilerin kaybedilmemesi gerektiği düşüncesine itmiştir. Güçlü rakiplerin olduğu sektörde tüketicilerin bir ürün veya hizmet sebebiyle bir şirketi tercih edip ihtiyaçlarını devamlı olarak bu şirket üzerinden karşılayan sadık müşteri portföyünü arttırmak amacıyla müşterinin tercih ettiği bir ürün veya hizmeti bırakma ihtimali üzerine analitik çalışmalar yapılmıştır. Mevcut müşterilerin profilleri ve davranışları incelenerek şirketi bırakma ihtimali olan müşterileri bulma, bu müşterilerin memnuniyetlerini arttırmayı hedefleyen müşteri kayıp analizi, stratejik karar verme ve planlama sürecinin en önemli aşamalarından biri olmaktadır. Bu çalışmada bankacılık, telekomünikasyon, e-ticaret gibi müşteri sayısı ile gelir miktarının doğru orantılı olduğu sigortacılık sektöründe var olan şirketin verileri kullanılarak bir müşteriye ait içerisinde yaş, cinsiyet, doğum yeri gibi sosyodemogrofik bilgilerin yanı sıra kullanılan araç marka, model bilgilerinin de bulunduğu öznitelikler belirlenmiştir. Belirlenen öznitelikler makine öğrenmesi algoritmalarından Karar Ağacı (Desicion Tree) Algoritması, Rastgele Orman (Random Forest) Algoritması ve K-En Yakın Komşu (K Nearest Neighborhood) Algoritmaları ile terk eden müşterilerin profilleri analiz edilip, terk etme ihtimali olan müşteriler tahmin edilmiştir. Çalışmada en başarılı sonucu veren Rastgele Orman (Random Forest) Algoritması ile bu çalışma bir sınıfa dâhil edilip son kullanıcı tarafından sürekli yapılmasına olanak sağlanmıştır.

Keywords

• Müşteri Kaybı Analizi
• Makine Öğrenmesi
• Rastgele Orman
• Karar Ağacı
• K-En Yakın Komşu

CUSTOMER CHURN ANALYSIS IN THE INSURANCE SECTOR USING MACHINE LEARNING

Abstract

In today's fast-growing and increasing competitiveness, the effort to acquire new customers and the cost of not losing the existing customer, and the fact that it is more than the cost, have led companies to think that existing customers should not be lost. In the sector with strong competitors, analytical studies have been carried out on the probability of the customer leaving a product or service preferred by consumers in order to increase the portfolio of loyal customers who prefer a company for a product or service and meet their needs continuously through this company. Customer loss analysis, which aims to find customers who are likely to leave the company by examining the profiles and behaviors of existing customers, and to increase the satisfaction of these customers, is one of the most important stages of the strategic decision-making and planning process. In this study, using the data of the company in the insurance sector, where the number of customers and the amount of income are directly proportional, such as banking, telecommunications, e-commerce, the attributes of a customer, including sociodemographic information such as age, gender, place of birth, as well as vehicle brand and model information, were determined. . The profiles of the customers who left were analyzed with the Desicion Tree Algorithm, Random Forest Algorithm and K-Nearest Neighborhood Algorithms, which are machine learning algorithms, and the customers who are likely to leave were estimated. With the Random Forest Algorithm, which gave the most successful results in the study, this study was included in a class and allowed to be carried out continuously by the end user.

Keywords

• Customer Churn Analysis
• Machine Learning
• Random Forest
• Desicion Tree
• K-Nearest Neighbor

References

1. Aydoğan E., G. A. (2009). Veri Madenciliği Tekikleri İle Bir Kozmetik Markanın Ayrılan Müşteri Analizi Ve Müşteri Bölümlenmesi. Mühendislik ve Fen Bilimleri Dergisi.
2. Arthur L. Samuel (1959). Some Studies in Machine Learning Using the Game of Checkers. II—Recent Progress, pp 366-400
3. Baykal, A., & Coşkun, C. (2011). Veri madenciliğinde sınıflandırma algoritmalarının bir örnek üzerinde karşılaştırılması. Akademik Bilişim Konferansı.
4. Bagheri F, T. M. (2015). Customer behavior mining based on RFM model. Journal of Industrial Engineering and Management Studies.
5. Burez, J. V. (2009). Handling class imbalance in customer churn. Elsevier, 4626-4636.
6. Buttle, F. M. (2015). Customer Relationship Management. Concepts and Technologies.
7. Huigevoort, C. (2015). Customer churn prediction for an insurance company. Eindhoven Teknoloji Üniversitesi.
8. Karaağaç, Ş. (2015). Churn Analysis And Churn Prediction In A Private Bank. Marmara Ünüversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.

9. Kaynar, O., Tuna, M., Görmez, Y., & Deveci, M. (2017). Makine Öğrenmesi Yöntemleriyle Müşteri Kaybı Analizi. C. Ü. İktisadi ve İdari Bilimler Dergisi.
10. Kim, K., Jun, C., & Lee, J. (2014). Improved churn prediction in telecommunication industry by analyzing a large network. Elsevier.
11. Koçtürk, Y. (2010). Veri Madenciliğine Bağlılık. İstanbul Teknik Üniversitesi, Yüksek Lisans Tezi.
12. Kotler, P., & Keller, K. (2015). Marketing Management. 5. Baskı.
13. Kunt, M. (2019). Telekomünikasyon Sektöründe Müşteri Kaybı Analizi. Ankara Üniversitesi Fen Bilimleri Enstitüsü.
14. Nettleton, D. (2014). Commetcial Data Mining. Analysis and Modeling for Predictive Analtyics Projects.
15. Özmen, M. (2006). Churn Modelling In Telecommunications Sector. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü.
16. Ravi, V., Raju, S., & Farquad, M. (2014). Churn prediction using Comprehensible support vector machine: An analytical CRM application. Applied Soft Compting, 31-40.
17. Scheel, I., Aldrin, M., Glad, I., Sorum, R., Lyng, H., & Frigessi, A. (2005). The influence of missing value imputation on detection of differentially expressed genes from microarray data. Bionformatics, 4272-4279.
18. Sharma, A., & Panigrahi, D. (2011). A Neural Network Based Approach for Predicting Customer Churn in Cellular Network Services. International Journal of Computer Applications.
19. Tosun, T. (2006). Veri Madenciliği Teknikleriyle Kredi Kartlarında Müşteri Kaybetme Analizi. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
20. Tsiptsis, K., & Chorianopoulos, A. (2009). Data Mining Tecniques in CRM: Inside Customer Segmentation. John Wiley & Sons.
21. Vafeiadis, T., Diamantaras, K., Sarigiannidir, G., & Chatzisavvas, K. (2015). A comparison of machine learning techniques for customer churn prediction. Elsevier.
22. Yılmaz, H. (2014). Random Forests Yönteminde Kayıp Veri Probleminin İncelenmesi ve Sağlık Alanında Bir Uygulama.