Credit Card Churn Prediction With Machine Learning Algorithms

Abstract

Credit card is one of the main products in banking sector and there is a big competition in credit card business. This competition makes retention of customers critical. To retain the customers, it is very important to interpret the customers that may churn. Targeting right customers with right offer is the main aim of Customer Relationship Management (CRM) in marketing. When the churn probability of customers is predicted, it is easier to retain the customers by proposing the retention offers directly to the ones with high churn probability. This will allow banks to manage their marketing budgets efficiently. In this project, a private bank’s credit card customer data is used. Data includes many different types of features of customers, such as number and type of transactions, credit card limits, feature usage, credit bureau information and demographic information. We develop a set of churn prediction models by implementing different machine learning algorithms. We compare these algorithms to find the best model with highest accuracy to be offered to the bank. We also share the main indicators that affect churn so that the bank can use them in retention activities.

Bankacılık sektöründe kredi kartı en temel ürünlerden biridir ve bankalar arasında rekabet yüksektir. Bu kadar rekabetin olduğu bir ortamda müşterilerin tutundurması kritik bir hal alıyor. Müşterileri tutundurabilmek için hangi müşterilerde kayıp yaşanacağının önden bilinmesi önemlidir. Pazarlamada müşteri ilişki yönetiminde en temel amaç doğru müşteriye doğru teklif yapılmasıdır. Müşteri kayıp ihtimali önden bilindiği taktirde, bu müşterilere ikna teklifleri sunularak gitmeleri engellenebilir. Hedef kitlenin doğru belirlenmesi pazarlama bütçelerinin etkili yönetilmesini sağlayacaktır, yanlış müşteriler hedeflenerek oluşacak ek maliyetler engellenmiş olur. Bu projede özel bir bankanın kredi kartı müşteri datası kullanılmıştır. Datada işlem bilgileri, ürün limit bilgileri, ürün kullanımları, Kredi Kayıt Bürosu bilgileri ve demografik bilgiler bulunmaktadır. Farklı makina öğrenme algoritmaları kullanılarak müşteri gitme olasılğı tahmin edilmeye çalışılmış ve modeller birbirleri ile karşılaştırılmıştır. En iyi tahmin eden algoritma seçilerek banka ile paylaşılacaktır. Ayrıca müşteri kaybını etkileyen önemli değişkenler tespit edilerek, tutundurma faaliyetlerinde kullanılması için banka ile paylaşılacaktır.