Customer segmentation for churn management by using ant colony algorithm

Abstract

Veri madenciliği verilerin kümelenmesi ve bu kümeleme sayesinde verilerde ki benzerliklerin ortaya çıkarılması için kullanılan bir tekniktir. Veri kümeleme için bir çok teknik bulunmaktadır. Bunlardan bazıları gelişimini tamamlayan ve optimizasyon teknikleridir. Karakteristik seçimi yeni çıkmış hibrid modellemedir. Müşteri segmentasyonu; bankaları için müşterilerinin önceliklerini belirlemede önemli rol oynar.Müşteri öncelikleri belirlenmeli ve kampanyalar bu müşteri memnuniyetlerine göre düzenlenmelidir. Ant Koloni algoritması en kısa yol yaklaşımını içeren bir tekniktir. Ant Koloni algoritmasında öklit mesafe formülü kullanılmaktadır.Müşteri segmentasyonu ile ilgili sonuçlar en çok müşterinin; geliri, kaç ay o şirket ile çalıştığı, ödemiş olduğu bedeli, kullanımış olduğu servis ile ilintilidir. Bu değişkenler beklenen şekilde müşteri kaybetmemek için olan memnuniyet faktörleridir. Müşterinin şirketten ayrılması ayrılmaması halini alması için bu parametreler kullanılmaktadır. Deneysel sonuçlar bu parametrelerde ki değişimlere bağlı olarak verilerin tekrar tekrar weka anfisde naive bayes methodu ile gerçekleşmektedir.

Data mining is interested in clustering, by similarities of data. Some of clustering techniques are evolutionary and optimization techniques. Characteristic selection is used for novel hybrid modeling.Customer priorities are very important for companies. Moreover, customer priorities must be determined, and campaigns must be ordered according to these priorities. Customer segmentation was done with Ant Colony algorithm. Shortest path approach is used in Ant Colony algorithm. Moreover, clustering is done by the euclidean distance formula in Ant Colony algorithm.Customer segmentation attributes are mostly related with the satisfaction factors, but some of them were eliminated by using ranker. These results are mostly related with the customer's income, tenure, equip, callcard and reside. These attributes are the most important satisfaction factors not to lose customers as expected. There are many reasons in changing GSM operator for subscribers and it is very important for companies to predict if subscriber will change GSM operator or not. For this reason companies that gives GSM services have to monitor subscribers behavior and predict one step forward. In this study changing subscribers? GSM operator will be predicted by using data mining techniques.