Dissertation/ Thesis
Customer churn prediction for the Pay-TV sector
| Τίτλος: | Customer churn prediction for the Pay-TV sector |
|---|---|
| Συγγραφείς: | Hataş, Tuğçe Aydın, Çakar, Tuna |
| Συνεισφορές: | Çakar, Tuna, 02.02. Department of Computer Engineering, 02. Faculty of Engineering, 01. MEF University |
| Στοιχεία εκδότη: | MEF Üniversitesi, 2025. |
| Έτος έκδοσης: | 2025 |
| Θεματικοί όροι: | Computer Engineering and Computer Science and Control, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol |
| Περιγραφή: | Müşteri kaybı, şirketler için gelir kaybı ve yeni müşteri kazanımı için pazarlama maliyetleri yarattığından müşterilerin aboneliklerini neden sonlandırdıklarını anlamak, mevcut müşterileri elde tutmak açısından katma değer sağlamaktadır. Bu çalışma kapsamında Türkiye'de hizmet veren Pay-TV firmasının müşterilerinin 6 aylık geçmiş verileri kullanılmış ve veri setinin etiket bazında dengesiz olması sebebiyle aşırı örnekleme yöntemi de uygulanmıştır. Model geliştirme aşamasında farklı yapay öğrenme (Rassal Orman, Lojistik Regresyon, K-En Yakın Komşu, Karar Ağacı, AdaBoost, XGBoost, Ekstra Ağaç Sınıflandırıcı) algoritmaları kullanılmış ve model performansları karşılaştırılmıştır. Her bir model için başarı kriterleri incelenerek bu veri seti için en yüksek performans gösteren modellerin ağaç-bazlı Rassal Orman, Ekstra Ağaç Sınıflandırıcı ve XGBoost olduğu görülmüştür. Understanding the reasons for customer churn provides added value in terms of retaining existing customers, as customer attrition leads to revenue loss for companies and incurs marketing costs for acquiring new customers. In this study, the 6-month historical data of a Pay-TV company operating in Turkey was used, and due to the imbalanced nature of the dataset on a label basis, the oversampling method was applied. During the model development phase, various artificial learning algorithms (Random Forest, Logistic Regression, K-Nearest Neighbors, Decision Tree, AdaBoost, XGBoost, Extra Tree Classifier) were utilized, and their performances were compared. Based on the evaluation of success criteria for each model, it was observed that the tree-based Random Forest, Extra Tree Classifier and XGBoost achieved the highest performance for this dataset. |
| Τύπος εγγράφου: | Master thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| Σύνδεσμος πρόσβασης: | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=weFMBHaUra8rsS5wi2bmHHU5K5QfLOSh5NOk9fGVgB1sb99Z12UFr-eVLlRM7rTl https://hdl.handle.net/20.500.11779/2554 |
| Αριθμός Καταχώρησης: | edsair.od......3570..73be92f928c102e88a3724f75fd1a0f2 |
| Βάση Δεδομένων: | OpenAIRE |
| Η περιγραφή δεν είναι διαθέσιμη |