Improved churn prediction by more effective use of customer data: The case of private banking customers

Abstract

Yeni müşteri edinmenin mevcut müşterileri elde tutmaya kıyasla daha pahalıya mal olduğu ışığında, müşteriyi elde tutma günümüzün rekabetçi ortamında daha baskın bir unsurdur. Bu durum, özellikle hizmet sektöründe faaliyet gösteren firmalar için ön plana çıkmaktadır. Bunun neticesi olarak, bağlılığı azalan ve terk etmeye meyilli müşterileri tayin etmeye yönelik sınıflandırma modelleri müşteri ilişkileri yönetimi yazınında artan bir öneme sahiptirler.Bu tezde, biz sözleşme dışı koşullardaki müşteri kayıp tahmin problemi üzerinde odaklanacağız. Müşteri kaybı modelleri, genellikle belirli bir zaman dilimine ait kesitsel veride geliştirilip bu zamanı müteakip gelecek zaman dilimlerinde tahmin amacıyla kullanılmaktadırlar. Söz konusu durum, kayıp müşteri sayısının yeterli olduğu statik koşullarda uygundur, ancak müşterinin hizmet aldığı firmayı terk etmesi bir süreçtir ve müşteri davranışı çevredeki değişikliklerden etkilenmektedir. Biz, her bir müşteri için farklı zaman dilimlerine ait birden fazla sayıda gözlemin kullanıldığı boylamsal veri seti üzerinde yapılan `gelecek-dönem müşteri kaybı' modellemesinin, sentetik üst örneklemenin uygulandığı ve uygulanmadığı geleneksel kesitsel veri kullanımına kıyasla tahmin performansını artıracağını ve yöneticilerin ilave çıkarımlarda bulunmasına imkan sağlayacağını göstereceğiz. Ayrıca, müşterilerin her zaman anlık kararlar doğrultusunda terk etmediği düşüncesi altında, müşteri kaybını muhtelif zaman dilimleri öncesinden tahmin eden birden çok model önereceğiz ve bu modellerden elde edilen tahminleri, tanıtacağımız bir topluluk yönteminde kullanarak `gelecek dönem müşteri kaybı' tahminini geliştireceğiz. Bu yaklaşımlar, firmaya müşterilerin terk etme eğilimlerine ilişkin erken uyarı sistemi sağlamakta, örneklem dışı `gelecek dönem müşteri kaybı' tahmin performansını iyileştirmekte ve elde edilen birden çok sayıdaki kayıp eğilim skorlarının `gelecek dönem kayıp' tahmini ile tutarlı olmasını sağlamaktadır. Modellerimizi, oldukça dinamik olan bankacılık sektöründen elde ettiğimiz veri üzerinde değerlendireceğiz.

Based on the fact that acquiring new customers in any business is much more expensive than trying to keep the existing ones, customer retention is an increasingly pressing issue in today?s ever-competitive commercial arena. This is especially relevant for service related industries. Thus, classification models to detect churning customers have received significant attention in the customer relationship management literature.In this thesis, we focus on the churn prediction problem in the private banking industry under non-contractual settings. Churn models are typically estimated on cross-sectional data pertaining to a particular time period and used for prediction in subsequent periods. This is appropriate under static settings where the sample size of churners is sufficient; however churn is a process and customer behavior is affected by changes in the environment. We show that modeling next-period churn behavior with multiple observations per customer pertaining to different time periods yields better predictive performance when compared to traditional cross-sectional training data, with or without synthetic oversampling techniques, and provides additional managerial insights. Further, reflecting the idea that customers do not always decide on and carry out the churn action overnight; we propose to model churn with multiple models that predict churn several periods ahead, and to use these predictions in an ensemble for improved next-period churn prediction. This approach provides the company with advance notice on customer?s churn propensity, improves out-of-sample next-period churn prediction, and ensures consistency of advance propensity figures with next-period prediction. We evaluate our models with data from the highly dynamic banking industry.