Churn Analysis and Prediction with decision tree and artificial neural network

Abstract

Günümüzde bir çok sektörde olduğu gibi lojistik sektöründe de rekabet artmıştır. Mevcut müşterileri ikna etmek ve elde tutmak da pazardaki rekabetde ayakta kalabilmek açısından önemini arttırmıştır. Mevcut bir müşteriyi elde tutmak yeni bir müşteri bulmaktan daha avantajlıdır. Çünkü firmalar mevcut müşterileri elde tutmak için 1 birim maliyet harcarken, yeni müşteri bulmak için 5 birim maliyet harcamaktadırlar.Özellikle telekomunükasyon firmaları churn analizi ve tahmini yapmaktadırlar. Ayrıca rekabetin arttığı diğer sektörlerde churn analizine ihtiyaç duymaya başlamıştır. Türkiyedeki lojistik firmaların sayısı son yıllarda artmıştır. Dolayısıyle lojistik sektörü içinde churn yönetimi ve analizi önemli bir noktaya gelmiştir. Bazı firmalar churn için özel komiteler kurup özel olarak bu konuda çalışma yapmaktadırlar.Bu çalışmada churn analizi ve tahmini 2 farklı yöntem kullanarak yapılmıştır. Bunlar yapay sinir ağları ve karar ağaçlarıdır.Ayrıca bu 2 farklı yöntem arasındaki kıyaslamada yapılmıştır. Elde edilen sonuçlar da görülmüştür ki yapay sinir ağları churn analizi ve tahmininde daha etkili sonuç vermektedir.Bunun en temel sonucu karar ağaçları 81% doğru tahmin yaparken, yapay sinir ağları 97 doğru sonuç vermektedir.

Nowadays market competition is increased in logistic sector. Retention of customers due to the competition has gained importance. Retention of customers is more advantageous than gaining new customers. Gaining new customer has 5 units more than retention of existing customer. Especially telecommunication companies use churn analyzing and prediction. However competition increased in different sectors and they need churn analysis. In recent years logistic companies increased in Turkey, so retention of customer and churn analysis are important for logistic companies. Some logistic companies have churn committees and work on customer loyalty. This article includes churn analysis and prediction with decision tree and artificial neural network. In addition, this article includes comparison of 2 different methods for churn analysis. Article results show neural network better than decision for prediction. Because decision tree churn prediction rate is %81, Artificial Neural Networks rate is 97%.