Makine öğrenmesi ve derin öğrenme teknikleri ile müşteri yaşam boyu değeri ve terk eşiği tahmini
Customer lifetime value and churn threshold prediction using machine learning and deep learning techniques
- Tez No: 982928
- Danışmanlar: PROF. DR. ALİ YILMAZ ÇAMURCU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fatih Sultan Mehmet Vakıf Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
2020 yılı sonrası dijitalleşmenin hız kazanmasıyla birlikte, müşteri davranışlarını doğru analiz edebilmek, işletmeler için stratejik bir öncelik haline gelmiştir. Bu çalışmada, müşteri yaşam boyu değeri müşteri terk analizini birlikte ele alarak hem müşterilerin gelecekteki potansiyel harcama tutarlarını hem de işletmeyi terk etmeden önceki alışveriş eşiklerini tahmin eden e-ticaret sektörüne yönelik bütüncül bir müşteri segmentasyon modeli geliştirilmiştir. Çalışmada üç aşamalı bir yaklaşım benimsenmiştir. Model 1, geçmiş 12 aylık müşteri davranışları ve satın alma verileri kullanılarak müşterilerin gelecek 6 aylık harcamaları regresyon temelli algoritmalarla tahmin edilmiştir. Model 2 alışverişi terk etmiş müşterilerin davranış örüntüleri incelenerek aktif müşterilerin hangi harcama düzeyinden sonra platformu terk edeceği öngörülmüştür. Model 3, elde edilen tahminler kümeleme algoritmaları ile analiz edilerek müşteriler kârlılık ve sadakat düzeylerine göre gruplandırılmıştır. Modelleme sürecinde XGBoost, Gradyan Artırma, LightGBM, Rastgele Orman, Yapay Sinir Ağı, Derin Sinir Ağı, Tekrarlayan Sinir Ağı ve Evrişimli Sinir Ağı gibi ileri düzey makine öğrenmesi ve derin öğrenme yöntemleri test edilmiştir. Segmentasyon için ise K-Ortalama ve Hiyerarşik Kümeleme algoritmaları kullanılmıştır.Bu bütünleşik yaklaşım, MYBD ve müşteri terk davranışını aynı çatı altında ele almasıyla tek boyutlu sınıflandırmalara alternatif olarak öne çıkmaktadır. Elde edilen segmentasyon sonuçları,“Sadık ve Stratejik Müşteriler”,“Karlı ama Terk Riski Yüksek Müşteriler”,“Geliştirilebilir Potansiyel Müşteriler”ve“Düşük Riskli ve Düşük Değerli Müşteriler”gibi anlamlı gruplar ortaya koyarak pazarlama stratejilerine doğrudan aksiyon alınıp katkı sağlayabilir. E-ticaret sektöründen elde edilen veriler ile gerçekleştirilen bu çalışma, saha odaklı yapısı ve bütüncül modelleme yaklaşımı ile hem akademik literatüre hem de sektörel uygulamalara önemli katkılar sunmaktadır.
Özet (Çeviri)
With the acceleration of digitalization after 2020, accurately analyzing customer behavior has become a strategic priority for businesses. In this study, a holistic customer segmentation model tailored to the e-commerce sector is developed by jointly addressing customer lifetime value and customer churn analysis. The model aims to predict both the customers' potential future spending amounts and the spending thresholds that precede churn. A three-stage approach was adopted in the study. Model 1 estimates customers' expenditures for the next six months using regression-based algorithms, based on behavioral and purchase data from the past 12 months. Model 2 investigates the behavioral patterns of churned customers to forecast the spending threshold at which currently active customers are likely to leave the platform. Model 3 clusters customers according to their profitability and loyalty levels by analyzing the predictions obtained in the previous stages using clustering algorithms. Advanced machine learning and deep learning methods such as XGBoost, Gradient Boosting, LightGBM, Random Forest, Artificial Neural Networks, Deep Neural Networks, Recurrent Neural Networks, and Convolutional Neural Networks were tested during the modeling process. For segmentation, K-Means and Hierarchical Clustering algorithms were used. This integrated approach stands out as an alternative to one-dimensional classifications by addressing both CLV and churn behavior within a unified framework. The resulting segmentation reveals meaningful customer groups such as“Loyal and Strategic Customers,”“Profitable but High-Risk Customers,”“Promising Customers with Growth Potential,”and“Low-Risk and Low-Value Customers,”offering actionable insights for marketing strategies. Conducted using data obtained from the e-commerce sector, this study provides significant contributions to both academic literature and industry practices through its field-oriented structure and holistic modeling approach.
Benzer Tezler
- Anomaly detection using machine learning techniques: A comparative study on first payment default prediction in retail loans
Yapay öğrenme yöntemleriyle anomali saptanması: Bireysel kredilerde ilk ödemede batma tahmini üzerine karşılaştırmalı bir çalışma
AHMET TALHA YİĞİT
Yüksek Lisans
İngilizce
2022
Bankacılıkİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Crew recovery optimization through disruption analysis and deep learning driven column generation
Aksaklık analizi ve derin öğrenme tabanlı sütun oluşturma ile ekip kurtarma optimizasyonu
AHMET HEREKOĞLU
Doktora
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ÖZGÜR KABAK
- Gsm sektörü için müşteri merkezli bilgi yönetimi değerlendirme modeli tasarımı ve bir uygulama
The design of customer centric knowledge mangement assessment model for gsm ındustry and an aplıcatıon
ATİK KULAKLI
- Telekomünikasyon sektörü için veri madenciliği ve makine öğrenmesi teknikleri ile ayrılan müşteri analizi
Churn analysis for telecommunication sector with data mining and machine learning
FURKAN UYANIK
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA CEM KASAPBAŞI
- Makine öğrenmesi kullanarak doküman sınıflandırma
Document classification using machine learning
GÜLER ALPARSLAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. MAHİR DURSUN