Churn prediction using customers` implicit behavioral patterns and deep learning

Abstract

Günümüz pazarının küresellesme süreci, is ve finans dünyasının rekabetçi kosullarına görehızla degismektedir. Banka hizmetlerine yapılan yatırımlar ve yeni rakiplerin ortaya çıkmasıylaberaber, yakın müsteri çevresi de günümüz ekonomisinin talep etmektedir. Böylebir durumda, müsterinin hizmet saglayıcısını degistirme istegi kavramı, organizasyonlariçin rekabetçi bir çalısma alanı haline gelmistir. Bankacılık sektöründe mevcut müsterilerikoruma görevi, yönetimlerin öncelikli olarak müsteri verileri üzerinde çalısmasını ve müsterileribaglayacak ve kayıp müsteri oranını azaltacak projeler yaratmalarını mecbur halegetirmistir. Müsteri islemleri ve demografik veriler ile degerli bilgiler ortaya çıkarabilir veaynı zamanda davranıs biçimleri hakkında kanıksamalar yapılabilir. Bizim öngörü modelimizdebirlesik olarak kullanılan zaman ve yer tabanlı önergeler, kayıp müsteriyi öncedenkestirme konusunda önemli gelismeler kaydetmistir. Geçmiste gözleme dayalı çesitli modellergelistirilmistir, bizim modelimizde ise mühürlü yer ve zaman verilerden bilesik olarakelde edilmis özellikleri kullanmaktadır. Söz konusu dizgi tabanlı veriler, kayıp müsteritahmininde kullanılmaz üzere, vektörler halinde sinirsel agda kullanılmıstır. Bu çalısmada;tekrarlı sinirsel aga dayalı Uzun Süreli Bellek (USB – Ingilizce LSTM) modeliiçerisinde kullanılan zaman sıralı verinin, ilk modellere kıyasla daha hassas tahminleryaptıgı ve daha fazla deger ortaya çıkardıgı bulunmustur. USB modelinin vektörel çıktılarının,diger demografik ve müsterilerin dijitallestirilmis davranıslar modelleri ile birlestirildiginde,daha iyi tahmin sonuçları verdigi görülmüstür. Ayrıca bu çalısmada, müsteriagı baglantılarını üç boyutta kapsayan grafiksel evrisimli ag (GEA – Ingilizce GCN) kullanarak yapılan kayıp analizlerinin, müsteriler arasında bir baglantı olup olmadıgınıanlamada yardımcı olacak bir model gelistirip önerdik.

The processes of market globalization are rapidly changing the competitive conditions ofthe business and financial sectors. With the emergence of new competitors and increasinginvestments in the banking services, an environment of closer customer relationships isthe demand of today's economics. In such a scenario, the concept of customer's willingnessto change the service provider – i.e. churn, has become a competitive domain fororganizations to work on. In the banking sector, the task to retain the valuable customershas forced management to preemptively work on customers data and devise strategies toengage the customers and thereby reducing the churn rate. Valuable information can beextracted and implicit behavior patterns can be derived from the customers' transactionand demographic data. Our prediction model, which is jointly using the time and locationbased sequence features has shown significant improvement in the customer churnprediction. Various supervised models had been developed in the past to predict churningcustomers; our model is using the features which are derived jointly from location andtime stamped data. These sequenced based feature vectors are then used in the neuralnetwork for the churn prediction. In this study, we have found that time sequenceddata used in a recurrent neural network based Long Short Term Memory (LSTM) modelcan predict with better precision and recall values when compared with baseline model.The feature vector output of our LSTM model combined with other demographic andcomputed behavioral features of customers gave better prediction results. We have also proposed and developed a model to find out whether connection between the customerscan assist in the churn prediction using Graph convolutional networks (GCN); whichincorporate customer network connections defined over three dimensions.