Makine Öğrenmesi Yöntemleri ile Banka Müşteri Kaybı Tahmini

Müşteri kaybı, bir müşterinin bir işletmenin sunduğu hizmetleri kullanmayı bırakmasıdır. Bankacılık sektöründe müşteri kaybının tahmini, müşteri ilişkileri yönetimi açısından büyük önem taşımaktadır. Bu çalışmada, bankaların müşteri kaybını önceden tahmin edebilmesi amacıyla makine öğrenmesi yöntemleri kullanılarak bir analiz gerçekleştirilmiştir. Kaggle\\\'dan alınan ve Fransa, Almanya, İspanya\\\'daki banka müşterilerine ait veri seti üzerinde lojistik regresyon, K-en yakın komşu, karar ağacı, rastgele orman, LightGBM ve CatBoost algoritmaları uygulanmış ve performansları karşılaştırılmıştır. Veri setinde dengesiz sınıf dağılımını dengelemek için SMOTE yöntemi kullanılmış, değişken önem analizi gerçekleştirilmiştir. Analiz sonuçlarına göre, müşteri kaybını en çok etkileyen faktör banka ürün sayısı olup, bunu müşterinin yaşı, hesap bakiyesi, coğrafi konumu, tahmini maaşı ve kredi notu takip etmiştir. Cinsiyet ve kredi kartı sahipliği gibi değişkenlerin ise müşteri kaybı üzerinde daha düşük bir etkisi olduğu tespit edilmiştir. Makine öğrenmesi modellerinin performansı doğruluk, kesinlik, duyarlılık ve F1 skoru metrikleri ile değerlendirilmiştir. En yüksek doğruluk oranı %90,43 ile CatBoost algoritması tarafından elde edilmiştir. CatBoost modelinin başarısı, kategorik değişkenleri etkili bir şekilde işlemesi ve ağaç tabanlı öğrenme süreçlerinde yüksek genelleme performansı göstermesiyle açıklanabilir. Bu çalışma, bankaların müşteri kaybını azaltmaya yönelik karar alma süreçlerinde veri odaklı modellerin önemini vurgulamakta ve müşteri bağlılığını artırmak için stratejik planlamaya katkı sağlamaktadır.