Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.11779/2364
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorÇakar, Tuna-
dc.contributor.authorHataş, Tuğçe Aydın-
dc.date.accessioned2024-10-05T18:41:07Z-
dc.date.available2024-10-05T18:41:07Z-
dc.date.issued2023-
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=weFMBHaUra8rsS5wi2bmHHU5K5QfLOSh5NOk9fGVgB1sb99Z12UFr-eVLlRM7rTl-
dc.identifier.urihttps://hdl.handle.net/20.500.11779/2364-
dc.description.abstractMüşteri kaybı, şirketler için gelir kaybı ve yeni müşteri kazanımı için pazarlama maliyetleri yarattığından müşterilerin aboneliklerini neden sonlandırdıklarını anlamak, mevcut müşterileri elde tutmak açısından katma değer sağlamaktadır. Bu çalışma kapsamında Türkiye'de hizmet veren Pay-TV firmasının müşterilerinin 6 aylık geçmiş verileri kullanılmış ve veri setinin etiket bazında dengesiz olması sebebiyle aşırı örnekleme yöntemi de uygulanmıştır. Model geliştirme aşamasında farklı yapay öğrenme (Rassal Orman, Lojistik Regresyon, K-En Yakın Komşu, Karar Ağacı, AdaBoost, XGBoost, Ekstra Ağaç Sınıflandırıcı) algoritmaları kullanılmış ve model performansları karşılaştırılmıştır. Her bir model için başarı kriterleri incelenerek bu veri seti için en yüksek performans gösteren modellerin ağaç-bazlı Rassal Orman, Ekstra Ağaç Sınıflandırıcı ve XGBoost olduğu görülmüştür.-
dc.description.abstractUnderstanding the reasons for customer churn provides added value in terms of retaining existing customers, as customer attrition leads to revenue loss for companies and incurs marketing costs for acquiring new customers. In this study, the 6-month historical data of a Pay-TV company operating in Turkey was used, and due to the imbalanced nature of the dataset on a label basis, the oversampling method was applied. During the model development phase, various artificial learning algorithms (Random Forest, Logistic Regression, K-Nearest Neighbors, Decision Tree, AdaBoost, XGBoost, Extra Tree Classifier) were utilized, and their performances were compared. Based on the evaluation of success criteria for each model, it was observed that the tree-based Random Forest, Extra Tree Classifier and XGBoost achieved the highest performance for this dataset.en
dc.language.isoen-
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol-
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleCustomer Churn Prediction for the Pay-Tv Sectoren_US
dc.title.alternativePay-tvsektöründe Müşteri Kayıp Tahminien_US
dc.typeMaster Thesis-
dc.identifier.yoktezid845946-
dc.identifier.endpage50-
dc.departmentFen Bilimleri Enstitüsü / Bilişim Teknolojileri Ana Bilim Dalı / Bilişim Teknolojileri Bilim Dalı-
item.fulltextNo Fulltext-
item.languageiso639-1en-
item.grantfulltextnone-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairetypeMaster Thesis-
item.cerifentitytypePublications-
Appears in Collections:FBE, Yüksek Lisans - Tez Koleksiyonu
Show simple item record



CORE Recommender

Page view(s)

38
checked on Dec 2, 2024

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.