Veri madenciliği teknikleri ile telekom sektöründe ayrılan müşteri analizi
| dc.contributor.advisor | Kasapbaşı, Mustafa Cem | |
| dc.contributor.author | Odabaş, Özlem | |
| dc.date.accessioned | 2017-08-01T11:56:59Z | |
| dc.date.accessioned | 2018-08-06T14:07:47Z | |
| dc.date.available | 2017-08-01T11:56:59Z | |
| dc.date.available | 2018-08-06T14:07:47Z | |
| dc.date.issued | 2017 | en_US |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description | Tez (Yüksek Lisans) -- İstanbul Ticaret Üniversitesi -- Kaynakça var. | en_US |
| dc.description.abstract | Veri madenciliği, çok büyük veri kümeleri içinden anlamlı bilgi çıkartma sürecidir. Günümüzde de hızla gelişmekte olan bir tekniktir. Bu teknikte; bir ön işlemden sonra veriler arasındaki ilişki kullanılarak bir model oluşturulur. Son aşamada ise oluşturulan model yorumlanır. Veri madenciliğinin yaygın olarak kullanıldığı alanlardan biri de ayrılma eğilimi gösteren müşterilerin analizidir. Bu tez çalışmasında, telekom sektörüne ait müşterilerden ayrılma eğilimi gösteren müşteriler analiz edilerek; ayrılma eğilimi gösteren müşteriler tahmin edilmiştir. Ayrılan müşteri analizi için sınıflandırma algoritmaları ve nitelik seçimi teknikleri kullanıldı. Karşılaştırmalar sonucunda %94.41 ile en yüksek doğruluk oranına sahip algoritma, ham dataya uygulanan J.48 algoritması olmuştur. | en_US |
| dc.description.abstract | Data mining is the process of obtaining meaningful data from vast amount and very large data sets. It is also a rapidly developing technique nowadays. In this technique; after preporcessing a model is created by using the relationship between data. In the last stage; the generated model is interpreted. One of the widely used field of data mining is the analysis of customer tending to churn. In this thesis study, the customers of telecom sector churn tendency is estimated while analysing them accordingly. Classification algorithms and attribute selection techniques are utilized for churn analysis. The algorithm which has the highest accuracy rate amongs the compared algorithm is determined as J48 with %94.41 accuracy. | en_US |
| dc.description.tableofcontents | İÇİNDEKİLER -- -- İÇİNDEKİLER, i -- ÖZET, iii -- ABSTRACT, iv -- TEŞEKKÜR, v -- ŞEKİLLER DİZİNİ, vi -- ÇİZELGELER DİZİNİ, vii -- SİMGELER VE KISALTMALAR DİZİNİ, vii -- 1. GİRİŞ, 1 -- 2. LİTERATÜR ÖZETİ, 2 -- 3. VERİ MADENCİLİĞİ TANIMI, 4 -- 3.1. Bilginin Keşfi, 5 -- 3.2. Veri Madenciliğinin Tarihi, 7 -- 3.3. Veri Madenciliğinin Gelişmesinin Nedenleri, 8 -- 3.4. Veri Madenciliğinin Yararları, 9 -- 3.5. Veri Madenciliği Sürecinde Karşılaşılan Sorunlar, 11 -- 3.6. Veri Madenciliğinde Karşılaşılan Problemler, 12 -- 3.7. Veri Madenciliğinin Çözüm Ürettiği İş Problemleri, 12 -- 3.7.1. Ayrılma analizi, 12 -- 3.7.2. Çapraz satış, 12 -- 3.7.3. Fraud algılama, 13 -- 3.7.4. Risk yönetimi, 13 -- 3.7.5. Müşteri kümeleme, 13 -- 3.7.6. Hedeflenen reklamlar, 13 -- 3.7.7. Satış tahmini, 13 -- 3.8.Veri Madenciliği Kullanım Alanları, 13 -- 3.9.Veri Madenciliğinde Kullanılan Yöntemler ve Algoritmalar, 15 -- 3.9.1. Naive bayes algoritması, 16 -- 3.9.2. Lojistik regresyon, 16 -- 3.9.3. K- Star algoritması, 17 -- 3.9.4. Ardışık minimal optimizasyon algoritması (SMO), 17 -- 3.9.5. J.48 algoritması, 17 -- 3.10. Veri Madenciliği Süreçleri, 17 -- 3.10.1. Sorunun tanımlanması, 18 -- 3.10.2. Verilerin hazırlanması, 18 -- 3.10.3. Verilerin toplanması, 19 -- 3.10.4. Verilerin birleştirilmesi ve temizlenmesi, 19 -- 3.10.5. Verilerin seçimi, 19 -- 3.10.6. Uygun modelin kurulması ve değerlendirilmesi, 19 -- 3.10.7. Modelin kullanılması, 20 -- 3.10.8. Kurulan modelin izlenmesi, 20 -- 3.11. Nitelik Seçimi, 20 -- 3.11.1. Bilgi kazancı (Information Gain), 20 -- 3.11.2. Kazanım oranı (Gain Ratio), 21 -- 3.12. Karışıklık Matrisi, 22 -- 3.12.1. Sınıflandırma Modelini Değerlendirme, 22 -- 4. MÜŞTERİ İLİŞKİLERİ YÖNETİMİ VE AYRILAN MÜŞTERİ ANALİZİ 24 -- 4.1. Ayrılan Müşteri Analizi, 24ii -- -- 4.1.1. Müşteri kayıp çeşitleri, 25 -- 4.1.1.1. Gönüllü kayıp (Voluntary Churn), 25 -- 4.1.1.2. Gönülsüz kayıp (Involuntary Churn), 25 -- 4.2. Müşteri Kaybını Engellemek İçin Yapılması Gerekenler, 25 -- 4.3. Müşteriyi Elde Tutma Yöntemleri, 26 -- 4.3.1. Çapraz satış, 26 -- 4.3.2. Müşteri yaşam ömrü değeri, 26 -- 4.3.3. Tepki modelleme, 26 -- 5. UYGULAMA, 27 -- 5.1. Problem Tanımı, 27 -- 5.2. Veri Madenciliği Süreci, 27 -- 5.3. Veri Kümesinin Tanıtımı, 27 -- 5.4. Modelleme, 37 -- 5.4.1. Ayrılan müşteri analizi, 41 -- 6. SONUÇ VE ÖNERİLER, 45 -- KAYNAKLAR, 46 -- ÖZGEÇMİŞ, | en_US |
| dc.identifier.citation | Odabaş, Özlem. (2017). Veri madenciliği teknikleri ile telekom sektöründe ayrılan müşteri analizi. (Yayımlanmamış yüksek lisans tezi). İstanbul Ticaret Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği, İstanbul | en_US |
| dc.identifier.endpage | 49 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://hdl.handle.net/11467/2273 | |
| dc.identifier.uri | http://library.ticaret.edu.tr/e-kaynak/tez/72241.pdf | |
| dc.identifier.yoktezid | 461779 | en_US |
| dc.language.iso | tr | en_US |
| dc.publisher | İstanbul Ticaret Üniversitesi | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Tüketici memnuniyeti_Araştırma_İstatistiksel metotlar | |
| dc.subject | Tüketici memnuniyeti_Değerlendirme | |
| dc.subject | Tüketiciler_Araştırma_İstatistiksel metodlar | |
| dc.subject | Tüketiciler_Araştırma_Bilgi işlem | |
| dc.subject | Örnekleme (İstatistik)_Değerlendirme | |
| dc.subject | Consumer satisfaction_Research_Statistical methods | |
| dc.subject | Consumer satisfaction_Evaluation | |
| dc.subject | Consumers_Research_Statistical methods | |
| dc.subject | Consumers_Research_Data processing | |
| dc.subject | Sampling (Statistics)_Evaluation | |
| dc.subject.lcc | HF 5415.335/O33 | |
| dc.title | Veri madenciliği teknikleri ile telekom sektöründe ayrılan müşteri analizi | en_US |
| dc.type | Master Thesis | en_US |
Dosyalar
Orijinal paket
1 - 1 / 1
