Application of machine learning methods to analyze customer migration risk in terms of corporate financial security

• Autorzy: Stoica Ramona-Monica , Vilău Radu , Voicu Daniela , Grzelak Małgorzata

Identyfikatory

DOI

10.37055/slw/186379

Warianty tytułu

PL

Zastosowanie metod uczenia maszynowego do analizy ryzyka migracji klientów w kontekście bezpieczeństwa finansowego firmy

• Języki publikacji: EN

Abstrakty

EN

Effective prediction of customer migration is only possible through knowledge of the customer life cycle, which is characterized by the length of the relationship between buyer and provider, i.e. customer retention. A concept of opposite importance is customer migration, defined as the partial or total abandonment of the products or services offered by a company. Its knowledge and ability to predict it is crucial in terms of ensuring the continued financial security of target companies. The primary objective of this article was to present a method for assessing the risk of telecom industry customer migration using machine learning methods. The main research problem was defined in the form of a question: is it possible to effectively support decision-making and marketing strategy development by using machine learning methods to minimise customer migration? The hypothesis of the research conducted was also defined: It is possible to effectively predict the risk of customer migration in the telecommunications industry based on machine learning models and using available databases.The objective was achieved through the use of research methods, theoretical deductions such as and induction, system analysis and synthesis, and mathematical modelling, which additionally allowed for a practical analysis of the migration of customers of the telecommunications industry. Predictors with the greatest impact on the phenomenon under study were selected. It should be noted that the gain chart indicates that, in the case of contacting the 20% of customers selected by the models, the target coverage would be at the following levels, respectively: 70% for the boosted tree model and the decision tree based on the CART algorithm, and 75% for the random forest model. The research niche addressed in the article is the development of methods for assessing migration risk using machine learning techniques. The tool developed in the article can support decision-making in the creation of marketing campaigns aimed at retaining the largest number of customers.

PL

Skuteczne przewidywanie migracji klientów możliwe jest jedynie dzięki znajomości cyklu życia klienta, który charakteryzuje się długością relacji pomiędzy kupującym a dostawcą, czyli utrzymaniem klienta. Pojęciem o przeciwnym znaczeniu jest migracja klientów, rozumiana jako częściowa lub całkowita rezygnacja z oferowanych przez firmę produktów lub usług. Jej wiedza i umiejętność jej przewidywania jest kluczowa z punktu widzenia zapewnienia ciągłego bezpieczeństwa finansowego przejmowanych spółek. Podstawowym celem artykułu było przedstawienie metody oceny ryzyka migracji klientów branży telekomunikacyjnej z wykorzystaniem metod uczenia maszynowego. Główny problem badawczy został zdefiniowany w formie pytania: czy można skutecznie wspierać podejmowanie decyzji i rozwój strategii marketingowej poprzez wykorzystanie metod uczenia maszynowego w celu minimalizacji migracji klientów? Postawiono także hipotezę przeprowadzonych badań: Można skutecznie przewidzieć ryzyko migracji klientów w branży telekomunikacyjnej w oparciu o modele uczenia maszynowego i wykorzystując dostępne bazy danych. Cel został osiągnięty poprzez zastosowanie metod badawczych, wniosków teoretycznych takich jak indukcja, analiza i synteza systemowa oraz modelowanie matematyczne, które dodatkowo pozwoliło na praktyczną analizę migracji klientów branży telekomunikacyjnej. Wybrano predyktory mające największy wpływ na badane zjawisko. Należy zauważyć, że wykres zysków wskazuje, że w przypadku kontaktu z 20% klientów wybranych przez modele docelowe pokrycie kształtowałoby się odpowiednio na następujących poziomach: 70% dla modelu drzewa wzmocnionego i modelu opartego na drzewie decyzyjnym na algorytmie CART i 75% na losowym modelu lasu. Niszą badawczą poruszoną w artykule jest rozwój metod oceny ryzyka migracji z wykorzystaniem technik uczenia maszynowego. Opracowane w artykule narzędzie może wspomagać podejmowanie decyzji przy tworzeniu kampanii marketingowych mających na celu utrzymanie jak największej liczby klientów.

Słowa kluczowe

EN

machine learning; churn rate; economic security; telcom services; prediction

PL

uczenie maszynowe; wskaźnik migracji; bezpieczeństwo finansowe; usługi telekomunikacyjne; prognozowanie

• Wydawca: Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
• Czasopismo: Systemy Logistyczne Wojsk
• Rocznik: 2023
• Tom: Vol. 59, no. 2
• Strony: 169--188
• Opis fizyczny: Bibliogr. 35 poz., rys., tab., wz.

Twórcy

autor

Stoica Ramona-Monica

• Faculty of Aircraft and Military Vehicles, Military Technical Academy „Ferdinand I”, Romania

• https://orcid.org/0009-0002-2539-0415

autor

Vilău Radu

• Faculty of Aircraft and Military Vehicles, Military Technical Academy „Ferdinand I”, Romania

• https://orcid.org/0000-0002-7724-0067

autor

Voicu Daniela

• Faculty of Aircraft and Military Vehicles, Military Technical Academy „Ferdinand I”, Romania

• https://orcid.org/0009-0009-4839-8162

autor

Grzelak Małgorzata

• Faculty of Security, Logistics and Management, Military University of Technology

• https://orcid.org/0000-0001-6296-7098

Bibliografia

• [1] Ahmed A., Linen D. M., 2017. A review and analysis of churn prediction methods for customer retention in telecom industries. 4th International Conference on Advanced Computing and Communication Systems (ICACCS).
• [2] AL-Najjar D., Al-Rousan N., AL-Najjar H., 2022. Machine Learning to Develop Credit Card Customer Churn Prediction. Journal of Theoretical and Applied Electronic Commerce Research, 17(4), https://doi.org/10.3390/jtaer17040077.
• [3] Alomar, I., Abdallah, N., 2022. The challenges facing the aviation industry managers in crisis. Logistics management strategies and teamwork management. Military Logistics Systems, 56(1). https://doi.org/10.37055/slw/155067.
• [4] Backiel A., Baesens B., Claeskens G., 2016. Predicting time-to-churn of prepaid mobile phone customers using social network analysis. Journal of the Operational Research Society, 1-11.
• [5] Backiel A., Verbinnen Y., Baesens B., Claeskens G., 2015. Combining local and social network classifiers to improve churn prediction. 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM).
• [6] Berry M.J.A., Linoff G.S., 2004. Data Mining Techniques for Marketing, Sales, and Customer Relationship Management, 2nd ed., New York: Wiley and Sons.
• [7] Burez J., Van den Poel D., 2009. Handling class imbalance in customer churn prediction. Expert Systems with Applications. 36(3).
• [8] Dalvi P. K., Khandge S. K., Deomore A., Bankar A., Kanade V. A., 2016. Analysis of customer churn prediction in telecom industry using decision trees and logistic regression. Symposium on Colossal Data Analysis and Networking (CDAN).
• [9] Effendy V., Abdurahman Baizal ZK, 2014. Handling imbalanced data in customer churn prediction using combined sampling and weighted random forest. 2nd International Conference on Information and Communication Technology (ICoICT).
• [10] Hajduk, I. E., Poliak, M., 2023. Proposal of methodology for customers relationships establishing in terms of transport services. The Archives of Automotive Engineering – Archiwum Motoryzacji, 101(3). https://doi.org/10.14669/AM/172917.
• [11] Hajduk, I. E., Poliak, M., Gašparík, J., 2022. Quality of transport services and customer satisfaction measurement. The Archives of Automotive Engineering – Archiwum Motoryzacji, 96(2). https://doi.org/10.14669/AM/151707.
• [12] https://www.kaggle.com/mnassrib/telecom-churn-datasets [20 June 2023].
• [13] Huang Y., Fangzhou Z., Mingxuan Y., Ke D., Yanhua L., Bing N., Wenyuan D., Qiang Y., Jia Z., 2015. Telco churn prediction with big data. Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data.
• [14] Kleinbaum D. G., Klein, M., 2010. Logistic Regression A Self-Learning Text. Berlin: Springer.
• [15] Kozłowski E, Borucka A, Świderski A, Skoczyński P., 2021. Classification Trees in the Assessment of the Road–Railway Accidents Mortality. Energies, 14(12), https://doi.org/10.3390/en14123462.
• [16] Lalwani P., Mishra M.K., Chadha J.S. et al., 2022. Customer churn prediction system: a machine learning approach. Computing, 104, https://doi.org/10.1007/s00607-021-00908-y.
• [17] Geiler L., Affeldt S., Nadif M., 2022. A survey on machine learning methods for churn prediction. International Journal of Data Science Anal, 14. https://doi.org/10.1007/s41060-022-00312-5.
• [18] Łapczyński M., 2003. Classification trees in customer satisfaction and loyalty research, Kraków: Statsoft.
• [19] Łapczyński M., 2016. Hybrid predictive models in relationship marketing, Zeszyty Naukowe/ University of Economics.
• [20] Lewlisa S., Hrudaya K. T., Tarek G., Hatem E., El-Sayed M. E., 2023. Deep Churn Prediction Method for Telecommunication Industry. Sustainability, 15(5).
• [21] Maldonado S., Álvaro F., Verbraken T., Baesens B., Weber R., 2015. Profitbased feature selection using support vector machines-General framework and an application for customer retention. Applied Soft Computing, 35.
• [22] Ning L., Hua L., Jie L., Guangquan Z., 2014. A customer churn prediction model in telecom industry using boosting. IEEE Transactions on Industrial Informatics, 10(2).
• [23] Owczarek, P., Brzeziński, M., Zelkowski, J., 2022. Evaluation of light commercial vehicles operation process in a transport company using the regression modelling method. Eksploatacja i Niezawodność – Maintenance and Reliability, 24(3), 13. https://doi.org/10.17531/ein.2022.3.13
• [24] Pınar K., Topcu Y. I., 2011. Applying Bayesian Belief Network approach to customer churn analysis: A case study on the telecom industry of Turkey. Expert Systems with Applications, 38(6).
• [25] Qiuhua S., Hong L., Qin L., Wei Z., Kone K., 2014. Improving churn prediction in telecommunications using complementary fusion of multilayer features based on factorization and construction. The 26th Chinese Control and Decision Conference.
• [26] Staniewska, E., 2022. Identification and assessment of risk components of enterprise cooperation in the supply chains. Military Logistics Systems, 56(1). https://doi.org/10.37055/slw/155070.
• [27] Sumathi T., 2016. Churn Prediction on Huge Sparse Telecom Data Using Meta-heuristic. International Journal of Advanced Research in Computer and Communication Engineering (IJARCCE), 5(7).
• [28] Sundarkumar G. G., Vadlamani R., Siddeshwar V., 2015. One-class support vector machine based undersampling: Application to churn prediction and insurance fraud detection. IEEE International Conference on Computational Intelligence and Computing Research (ICCIC).
• [29] Timofeev R., 2004. Classification and regression trees (CART) theory and applications, Berlin: Humboldt University.
• [30] Urbanek G., 2011. Competencies and enterprise value. Intangible resources in the new economy, Warsaw: Oficyna Wolters Kluwer business.
• [31] Włoszczyzna, M., 2022. Corporate social responsibility in the aspect of building corporate image on the example of Orange Polska SA (Master’s thesis).
• [32] Wu X., Sufang M., 2016. E-commerce customer churn prediction based on improved SMOTE and AdaBoost. 13th International Conference on Service Systems and Service Management (ICSSSM).
• [33] Xia G., Wei-dong J., 2008. Model of customer churn prediction on support vector machine. Systems Engineering-Theory & Practice, 28(1).
• [34] Yong L., Yongrui Z., 2015. Research Model of Churn Prediction Based on Customer Segmentation and Misclassification Cost in the Context of Big Data. Journal of Computer and Communications. 3(6).
• [35] Żółtowski, B., Simiński, P. and Kosiuczenko, K., 2022. Statistical procedures for determining of parameters for the evaluation of the condition and safety in logistic of military vehicles. Military Logistics Systems, 57(2). https://doi.org/10.37055/slw/163231