A customer churn prediction in telecom service provider using machine learning techniques
37
16
Issued Date
2022
Copyright Date
2022
Resource Type
Language
eng
File Type
application/pdf
No. of Pages/File Size
xiii, 39 leaves
Access Rights
open access
Rights
ผลงานนี้เป็นลิขสิทธิ์ของมหาวิทยาลัยมหิดล ขอสงวนไว้สำหรับเพื่อการศึกษาเท่านั้น ต้องอ้างอิงแหล่งที่มา ห้ามดัดแปลงเนื้อหา และห้ามนำไปใช้เพื่อการค้า
Rights Holder(s)
Mahidol University
Bibliographic Citation
Thematic Paper (M.Sc. (Information Technology Management))--Mahidol University, 2022)
Suggested Citation
Nattawat Moungpin A customer churn prediction in telecom service provider using machine learning techniques. Thematic Paper (M.Sc. (Information Technology Management))--Mahidol University, 2022). Retrieved from: https://repository.li.mahidol.ac.th/handle/123456789/113913
Title
A customer churn prediction in telecom service provider using machine learning techniques
Alternative Title(s)
การทำนายแนวโน้มการยกเลิกใช้บริการของลูกค้าในผู้ให้บริการโทรคมนาคมโดยวิธีการเรียนรู้ของเครื่อง
Author(s)
Advisor(s)
Abstract
With the rapid growth of digital and technology, a big amount of data is generated on a daily basis from customers, and customer churn is causing a great concern in this highly competitive service sector, especially the telecom service providers. Investment in acquiring new customers is more expensive than retaining existing ones; therefore, business analysts and customer relationship management systems need to assess customer churn based on the available data. This research proposed a churn prediction model that used classification and dataset extracted from the data warehouse of the telecom service provider in Thailand. RapidMiner software was used to implement the following techniques: the decision tree algorithm, the random forest algorithm, the gradient boosted algorithm, and the neural networks algorithm. Confusion metrics in terms of accuracy, precision, recall, and receiving operating characteristics (ROC) area were used to evaluate the suggested churn prediction model. The experiment found that neural networks had the highest prediction for new data input of AUC=0.866 and that the decision tree performed the second best with 87.58% accuracy and had the fastest speed. IMPLICATION OF THEMATIC PAPER: The results can be used to create a decision support system regarding classification approaches for turbulent customers. Further studies may include techniques such as pre-preparation with more data elements, number of algorithms, and optimization of data analysis. Configuring each algorithm to identify the model that will be optimized for more results. This can increase the efficiency of choosing the most suitable method of churn predicting and working with the company's customer retention campaign.
ด้วยการเติบโตอย่างรวดเร็วของระบบดิจิทัลและเทคโนโลยีสารสนเทศทำให้มีข้อมูลของลูกค้าจำนวนมากถูกสร้างขึ้นในทุก ๆ วัน และความปั่นป่วนของลูกค้าก็ทำให้เกิดความกังวลอย่างมากในภาคบริการที่มีการแข่งขันสูงโดยเฉพาะผู้ให้บริการโทรคมนาคม ซึ่งในเป็นจริงการลงทุนในการหาลูกค้าใหม่จะต้องใช้เงินทุนมากกว่าการรักษาลูกค้าเดิมไว้ โดยนักวิเคราะห์ธุรกิจและระบบการจัดการลูกค้าสัมพันธ์จำเป็นต้องประเมินลูกค้าที่มีแนวโน้มว่าจะเลิกใช้บริการโดยอิงจากข้อมูลที่มีอยู่ งานวิจัยนี้เสนอแบบจำลองการคาดการณ์ความปั่นป่วนที่ใช้การจำแนกประเภทของลูกค้า และใช้ชุดข้อมูลที่ดึงมาจากคลังข้อมูลของผู้ให้บริการโทรคมนาคมในประเทศไทย โดยใช้เทคนิคสร้างแบบจำลองคือ อัลกอริทึม Decision Tree, อัลกอริทึม Random Forest, อัลกอริทึม Gradient Boosted และอัลกอริทึม Neural Nets ผ่านซอฟต์แวร์ RapidMiner และแบบจำลองการคาดการณ์ความปั่นป่วนที่เสนอจะถูกประเมินโดยใช้เมตริก เช่น ความถูกต้อง ความแม่นยำ และการคำนวณพื้นที่ ROC การทดลองพบว่า Neural Networks มีการทำนายจากข้อมูลที่เข้ามาใหม่ได้ดีสูงสุดจากค่า AUC = 0.866 และ Decision Tree มีประสิทธิภาพดีเป็นอันดับสองโดยมีความแม่นยำถึง 87.58% รวมถึงมีความเร็วมากที่สุด การนำผลของสารนิพนธ์ไปใช้: ผลลัพธ์สามารถนำไปสร้างระบบสนับสนุนการตัดสินใจเกี่ยวกับแนวทางการจำแนกประเภทของลูกค้าที่มีความความปั่นป่วน โดยศึกษาเพิ่มเติมรวมถึงเทคนิคใช้ เช่น การเตรียมข้อมูลที่มีองค์ประกอบเพิ่มมากขึ้น จำนวนอัลกอริทึม และการปรับโมเดลในการวิเคราะห์ข้อมูลโดยการกำหนดค่าแต่ละอัลกอริทึมซึ่งโมเดลจะได้รับการปรับให้เหมาะสมเพื่อให้ได้ผลลัพธ์ที่ดีมากขึ้นซึ่งจะช่วยเพิ่มประสิทธิภาพในการเลือกวิธีการทำนายความปั่นป่วนที่เหมาะสมที่สุดและนำไปใช้สร้างแคมเปญในการรักษาลูกค้าของบริษัท
ด้วยการเติบโตอย่างรวดเร็วของระบบดิจิทัลและเทคโนโลยีสารสนเทศทำให้มีข้อมูลของลูกค้าจำนวนมากถูกสร้างขึ้นในทุก ๆ วัน และความปั่นป่วนของลูกค้าก็ทำให้เกิดความกังวลอย่างมากในภาคบริการที่มีการแข่งขันสูงโดยเฉพาะผู้ให้บริการโทรคมนาคม ซึ่งในเป็นจริงการลงทุนในการหาลูกค้าใหม่จะต้องใช้เงินทุนมากกว่าการรักษาลูกค้าเดิมไว้ โดยนักวิเคราะห์ธุรกิจและระบบการจัดการลูกค้าสัมพันธ์จำเป็นต้องประเมินลูกค้าที่มีแนวโน้มว่าจะเลิกใช้บริการโดยอิงจากข้อมูลที่มีอยู่ งานวิจัยนี้เสนอแบบจำลองการคาดการณ์ความปั่นป่วนที่ใช้การจำแนกประเภทของลูกค้า และใช้ชุดข้อมูลที่ดึงมาจากคลังข้อมูลของผู้ให้บริการโทรคมนาคมในประเทศไทย โดยใช้เทคนิคสร้างแบบจำลองคือ อัลกอริทึม Decision Tree, อัลกอริทึม Random Forest, อัลกอริทึม Gradient Boosted และอัลกอริทึม Neural Nets ผ่านซอฟต์แวร์ RapidMiner และแบบจำลองการคาดการณ์ความปั่นป่วนที่เสนอจะถูกประเมินโดยใช้เมตริก เช่น ความถูกต้อง ความแม่นยำ และการคำนวณพื้นที่ ROC การทดลองพบว่า Neural Networks มีการทำนายจากข้อมูลที่เข้ามาใหม่ได้ดีสูงสุดจากค่า AUC = 0.866 และ Decision Tree มีประสิทธิภาพดีเป็นอันดับสองโดยมีความแม่นยำถึง 87.58% รวมถึงมีความเร็วมากที่สุด การนำผลของสารนิพนธ์ไปใช้: ผลลัพธ์สามารถนำไปสร้างระบบสนับสนุนการตัดสินใจเกี่ยวกับแนวทางการจำแนกประเภทของลูกค้าที่มีความความปั่นป่วน โดยศึกษาเพิ่มเติมรวมถึงเทคนิคใช้ เช่น การเตรียมข้อมูลที่มีองค์ประกอบเพิ่มมากขึ้น จำนวนอัลกอริทึม และการปรับโมเดลในการวิเคราะห์ข้อมูลโดยการกำหนดค่าแต่ละอัลกอริทึมซึ่งโมเดลจะได้รับการปรับให้เหมาะสมเพื่อให้ได้ผลลัพธ์ที่ดีมากขึ้นซึ่งจะช่วยเพิ่มประสิทธิภาพในการเลือกวิธีการทำนายความปั่นป่วนที่เหมาะสมที่สุดและนำไปใช้สร้างแคมเปญในการรักษาลูกค้าของบริษัท
Degree Name
Master of Science
Degree Level
Master's degree
Degree Department
Faculty of Engineering
Degree Discipline
Information Technology Management
Degree Grantor(s)
Mahidol University