DOI: https://doi.org/10.1038/s41598-024-63750-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38849493
تاريخ النشر: 2024-06-07
المؤلف: Alisha Sikri وآخرون
الموضوع الرئيسي: تسرب العملاء والتجزئة
نظرة عامة
تتناول ورقة البحث القضية الحرجة المتعلقة بتسرب العملاء، مع التأكيد على أهمية الاحتفاظ بالعملاء الحاليين من خلال نمذجة تنبؤية فعالة. تقدم تقنية جديدة تعتمد على النسبة لتحقيق توازن البيانات تهدف إلى التخفيف من التحديات التي تطرحها توزيعات بيانات تسرب العملاء غير المتوازنة. تقيم الدراسة خوارزميات تعلم الآلة المختلفة، بما في ذلك Perceptron، وMulti-Layer Perceptron، وNaive Bayes، وLogistic Regression، وK-Nearest Neighbour، وDecision Tree، وتقنيات التجميع مثل Gradient Boosting وExtreme Gradient Boosting (XGBoost). تشير النتائج إلى أن التقنية المقترحة المعتمدة على النسبة تعزز بشكل كبير دقة التنبؤ مقارنة بأساليب Over-Sampling وUnder-Sampling التقليدية، حيث أن نسبة التدريب إلى الاختبار 75:25 تحقق أفضل النتائج عند اقترانها بمصنف XGBoost.
في الختام، بينما تقدم الدراسة نهجًا جديدًا لتنبؤ تسرب العملاء في قطاع الاتصالات، تحدد فجوتين رئيسيتين في الأدبيات الحالية: الحاجة إلى تقنية توازن بيانات تعتمد على نسبة ثابتة واستكشاف طرق تجميع إضافية. يمكن أن توسع الأبحاث المستقبلية هذا العمل من خلال تطبيق تقنيات التجميع والتعزيز المختلفة، وتجربة نسب تدريب واختبار مختلفة، ودمج استراتيجيات فعالة من حيث التكلفة للتعامل مع البيانات غير المتوازنة. بالإضافة إلى ذلك، يُوصى بإجراء تقييم أكثر شمولاً لمقاييس أداء النموذج بخلاف الدقة، مثل الاسترجاع والدقة. كما تقترح الدراسة أن تطبيق الطرق المقترحة على مجموعات بيانات السلاسل الزمنية يمكن أن يعزز من التطبيق العملي ودقة تنبؤات تسرب العملاء.
طرق
تركز المنهجية الموضحة في ورقة البحث هذه على توقع تسرب العملاء في صناعة الاتصالات باستخدام نهج منظم. في البداية، يتم استخراج مجموعة بيانات تتعلق بتسرب العملاء، تليها مرحلة معالجة مسبقة شاملة تشمل تنظيف البيانات. تستخدم الدراسة تقنيات تعلم الآلة المختلفة، سواء كانت مستقلة أو مجمعة، لتوقع التسرب على مجموعات بيانات غير متوازنة. لمعالجة التحديات التي تطرحها عدم توازن البيانات، يستخدم الباحثون طرق إعادة أخذ العينات المعروفة – Over Sampling وUnder Sampling – بالإضافة إلى تقنية جديدة تعتمد على النسبة لتحقيق توازن البيانات.
بعد ذلك، يتم تطبيق خوارزميات تعلم الآلة على مجموعة البيانات المتوازنة المستمدة من هذه التقنيات. يتم تقييم أداء نماذج التنبؤ باستخدام مقاييس تقييم متعددة، مما يسمح بإجراء تحليل مقارن للنتائج التي تم الحصول عليها من كل من مجموعات البيانات غير المتوازنة والمتوازنة. الهدف الرئيسي من هذا البحث هو التحقيق في تأثيرات عدم توازن البيانات على توقعات تسرب العملاء وتقييم فعالية طرق توازن البيانات الحالية مقارنة بالنهج المقترح.
نقاش
في هذا القسم، تناقش الدراسة القضية الحرجة لتوقع تسرب العملاء ضمن صناعة الاتصالات، مع التركيز بشكل خاص على العملاء المعتمدين على الاشتراكات. تسلط الدراسة الضوء على التحديات المتعلقة بتوقع التسرب بين العملاء المدفوعين مسبقًا، الذين يقدمون إشارات أوضح للإلغاء المحتمل مقارنة بالعملاء المدفوعين لاحقًا، الذين قد يتوقفون عن الاستخدام دون إشعار مسبق. يؤكد المؤلفون على ضرورة استفادة شركات الاتصالات من تحليلات البيانات وتقنيات تعلم الآلة لتحديد العملاء المحتملين الذين قد يتسربون بدقة في سوق تنافسية للغاية. يتم تأطير تصنيف المتسربين مقابل غير المتسربين كمشكلة تعلم آلة خاضعة للإشراف، مع استكشاف خوارزميات مختلفة في الأدبيات، بما في ذلك Logistic Regression وDecision Trees وNeural Networks.
تستعرض الورقة مجموعة من تقنيات تعلم الآلة، مشيرة إلى أنه بينما تم تطبيق العديد منها على توقع التسرب، لم يظهر أي طريقة واحدة كأفضل بشكل عالمي. يتم تسليط الضوء على طرق التجميع، وخاصة XGBoost، لفعاليتها، حيث تحقق دقة أعلى ودرجات F مقارنة بالتقنيات المستقلة. تتناول الدراسة أيضًا التحديات التي تطرحها مجموعات البيانات غير المتوازنة، الشائعة في سيناريوهات توقع التسرب، وتناقش تقنيات توازن البيانات المختلفة، بما في ذلك oversampling وundersampling. تُظهر طريقة توازن البيانات المعتمدة على النسبة المقترحة، التي تعدل المتغير المستهدف بنسب ثابتة، أنها تحقق أفضل النتائج، خاصة مع مصنف XGBoost عند نسبة 75:25. يختتم المؤلفون بتحديد الفجوات في الأبحاث الحالية واقتراح اتجاهات مستقبلية، بما في ذلك استكشاف تقنيات تجميع إضافية وتطبيق بيانات السلاسل الزمنية للحصول على توقعات أكثر دقة.
DOI: https://doi.org/10.1038/s41598-024-63750-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38849493
Publication Date: 2024-06-07
Author(s): Alisha Sikri et al.
Primary Topic: Customer churn and segmentation
Overview
The research paper addresses the critical issue of customer churn, emphasizing the importance of retaining existing customers through effective predictive modeling. It introduces a novel Ratio-based data balancing technique aimed at mitigating the challenges posed by imbalanced customer churn data distributions. The study evaluates various machine learning algorithms, including Perceptron, Multi-Layer Perceptron, Naive Bayes, Logistic Regression, K-Nearest Neighbour, Decision Tree, and ensemble techniques such as Gradient Boosting and Extreme Gradient Boosting (XGBoost). Results indicate that the proposed Ratio-based technique significantly enhances prediction accuracy compared to traditional Over-Sampling and Under-Sampling methods, with the 75:25 training-testing ratio yielding the best outcomes when paired with the XGBoost classifier.
In conclusion, while the research presents a novel approach to customer churn prediction in the telecommunications sector, it identifies two key gaps in existing literature: the need for a fixed ratio data balancing technique and the exploration of additional ensemble methods. Future research could expand on this work by applying various bagging and boosting techniques, experimenting with different training-testing ratios, and incorporating cost-effective strategies for handling imbalanced data. Additionally, a more comprehensive evaluation of model performance metrics beyond accuracy, such as recall and precision, is recommended. The study also suggests that applying the proposed methods to time series datasets could enhance the practical applicability and accuracy of customer churn predictions.
Methods
The methodology outlined in this research paper focuses on predicting customer churn in the telecommunications industry using a structured approach. Initially, a dataset related to customer churn is extracted, followed by a comprehensive preprocessing phase that includes data cleaning. The study employs various machine learning techniques, both standalone and ensemble, to predict churn on imbalanced datasets. To address the challenges posed by data imbalance, the researchers utilize established resampling methods—Over Sampling and Under Sampling—as well as a novel Ratio Based Data Balancing technique.
Subsequently, machine learning algorithms are applied to the balanced dataset derived from these techniques. The performance of the prediction models is assessed using multiple evaluation metrics, allowing for a comparative analysis of results obtained from both imbalanced and balanced datasets. The primary objective of this research is to investigate the effects of data imbalance on customer churn predictions and to evaluate the efficacy of existing data balancing methods against the proposed approach.
Discussion
In this section, the research discusses the critical issue of customer churn prediction within the telecommunications industry, focusing specifically on subscription-based customers. The study highlights the challenges of predicting churn among prepaid customers, who provide clearer signals of potential cancellation compared to post-paid customers, who may cease usage without prior indication. The authors emphasize the necessity for telecommunications companies to leverage data analytics and machine learning techniques to accurately identify potential churners amidst a highly competitive market. The classification of churners versus non-churners is framed as a supervised machine learning problem, with various algorithms previously explored in the literature, including Logistic Regression, Decision Trees, and Neural Networks.
The paper reviews a range of machine learning techniques, noting that while many have been applied to churn prediction, no single method has emerged as universally superior. Ensemble methods, particularly XGBoost, are highlighted for their effectiveness, achieving higher accuracy and F-scores compared to standalone techniques. The study also addresses the challenges posed by imbalanced datasets, common in churn prediction scenarios, and discusses various data balancing techniques, including oversampling and undersampling. The proposed ratio-based data balancing method, which adjusts the target variable in fixed ratios, is found to yield the best results, particularly with the XGBoost classifier at a 75:25 ratio. The authors conclude by identifying gaps in existing research and suggesting future directions, including the exploration of additional ensemble techniques and the application of time-series data for more accurate predictions.