Customer Churn Prediction with Machine Learning Methods In Telecommunication Industry
Notice bibliographique
Résumé
Abstract With the emergence of new competitors in today's globalizing world and the increase in investments in telecommunication services in an environment where change continues, the importance of marketing strategies and the conscious behavior of customers have become an important demand for companies. New regulations and technologies increase competition among mobile operators. Because acquiring a new customer is more expensive than acquiring active customers, companies seek solutions to reduce the churn rate. Therefore, telecommunications companies want to analyze the concept of the customer's desire to change the service provider and take the necessary measures to protect their existing customers. In this study, usage information, usage trends, subscription commitment, subscription age, ARPU (average revenue per user) and billing information, competitor familiarity, outgoing call information, number porting experience, etc. Loss estimation modeling was made taking into account the The data set includes 593 columns and 1826588 lines. Corporate mobile customers were analyzed by dividing into three subgroups as Single Line Mobile Customers, 2-5 Line Mobile Customers, and 6-15 Line Mobile Customers. In order to estimate customer loss, various data mining analyzes were made with machine learning techniques in the SAS application. Four different machine learning methods were used while creating loss prediction models. The machine learning methods used are random forest, logistic regression, decision tree, gradient boosting. The model was developed by modeling with 600 different variables and loss estimation was made. ROC curves and lift chart results for different corporate mobile customer groups were compared and the most suitable models were selected for each group. In this project, it is aimed to prevent loss of revenue for different corporate mobile segment groups by estimating potential customer losses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».