Customer retention via hybrid modeling for Banking industry

Abstract

Müşteriyi elde tutmak, müşteri ilişkileri yönetiminde önemli bir iştir. Müşteriyi elde tutmanın ayrılmaz parçalarından biri müşterinin kayıp riskini tespit etmektir. Kümeleme veri madenciliğindeki önemli örüntü tanıma tekniklerindendir. Bu çalışmada kaybolan müşterileri tespit etmek için, yeni bir melez modelleme yöntemi önerilmektedir. Ayrılan müşterilerin tespiti için Karınca Kolonisi kümeleme tekniği kullanıldı. Konu dışı ve gereksiz nitelikleri veri setinden çıkarmak için Geriye doğru sıralı araştırma denetimsiz nitelik seçme tekniği uygulanmıştır. Nitelik seçme ve kümeleme algoritmaları sargı yaklaşımıyla birleştirilmiştir.Bu çalışmada bankacılık endüstrisi için YSP ve kanal kulllanım değişkenlerini içeren bir veri seti hazırlandı. Nitelik seçme ve kümeleme işlemleri eş zamanlı olarak uygulandı. Hem nitelik seçme hem de kümeleme işlemleri tek bir süreçle tamamlandı. Sonuçlar nitelik seçmeli karınca kolonisi kümeleme yaklaşımının sonuçlarının doğruluğu süzme yaklaşımlarından daha iyi olduğunu göstermiştir.

Customer retention is one of the important tasks in customer relationship management. One integral part of retention is to detect the risk of the churning customers. Clustering is one of pattern discovery techniques in data mining. In this study, a novel hybrid modelling approach proposed to detect the churning customers Ant colony clustering technique is applied to detect churning customers. To remove irrelevant or redundant features from data set for clustering, Sequential Backward Search unsupervised feature selection technique is applied. Feature selection and clustering algorithms are incorporated as Wrapper approach.For banking industry, a dataset which contains RFM and channel usage variables prepared in this study. The feature selection and clustering applied simultaneously. Both the feature selection and the clustering are completed in a single process. The results shows that, the accuracy of the FS-ACO clustering approach results are better than the filter approach.