Bir telekomünikasyon şirketinin müşteri hizmetleri yöneticisi düşünün: Her ay sonunda hazırlanan raporlar, hangi abonelerin hattını kapattığını gösteriyor. Ancak bu bilgi, kaybı önlemek için çok geç geliyor. Müşteri zaten gitmiş, rakip firma kazanmış. İşte tam bu noktada makine öğrenmesi tabanlı kayıp tahmin modelleri devreye giriyor. Teorik bir vaat olarak değil, bugün kurulabilir ve işletilebilir bir analitik araç olarak.
Makine öğrenmesi, tarihsel veri üzerinden örüntü bulan ve bu örüntüleri yeni gözlemler için genelleştiren bir hesaplama yaklaşımıdır. Müşteri kaybı tahmininde bu yaklaşım şu şekilde çalışır: Geçmiş dönemlerde hizmetinizi bırakan müşterilerin davranışsal ve demografik verileri — kullanım sıklığı, ödeme gecikmesi, destek talebi sayısı, ürün değişikliği gibi değişkenler — bir eğitim kümesi oluşturur. Model, bu kümedeki örüntüleri öğrenerek mevcut aktif müşteriler için bir ‘kayıp olasılığı skoru’ üretir. Lojistik regresyon, karar ağaçları ve rastgele orman (random forest) algoritmaları bu amaçla yaygın biçimde kullanılan yöntemler arasında yer alıyor.
Model kurulumu üç temel aşamadan geçiyor. Birinci aşama veri hazırlığıdır: Müşteri işlem geçmişi, CRM kayıtları ve varsa çağrı merkezi logları tek bir analitik tabloya dönüştürülür. Bu aşama genellikle toplam proje süresinin yarısını alır; ham veri tutarsızlıkları, eksik kayıtlar ve farklı sistemlerdeki format farklılıkları burada temizlenir. İkinci aşama özellik mühendisliğidir: Hangi değişkenlerin kayıpla ilişkili olduğu istatistiksel yöntemlerle sınanır. Son aşama ise model eğitimi ve doğrulamasıdır; eğitim ve test kümesi ayrımı yapılarak modelin gerçek performansı ölçülür. Doğruluk (accuracy) tek başına yeterli bir metrik değildir — özellikle kayıp vakalarının az olduğu veri setlerinde hassasiyet (precision) ve duyarlılık (recall) değerleri birlikte değerlendirilmelidir.
Bu noktada teoriden uygulamaya geçiş kritik bir eşiği temsil ediyor. Model çalışıyor olması, işe yarıyor olması anlamına gelmiyor. Yüksek kayıp riski taşıdığı belirlenen müşteri segmentine yönelik bir aksiyon planı tasarlanmadan model bir raporlama aracından öteye geçemiyor. Aksiyon tasarımı, müşterinin risk skoruna ve değerine göre farklılaştırılmış müdahale paketlerini içeriyor: Yüksek değerli ve yüksek riskli müşteri için proaktif arama ve özel teklif; düşük değerli ama yüksek riskli müşteri için otomatik e-posta kampanyası. Bu ayrımı yapmadan tüm riskli segmente aynı maliyetli müdahaleyi uygulamak, tutundurma bütçesini verimsiz kullanmak anlamına geliyor.
Elde edilen tutundurma kazanımları sektöre ve model kalitesine göre değişiyor. Genel olarak iyi tasarlanmış bir kayıp tahmin ve müdahale döngüsünde, müdahale edilmeyen kontrol grubuna kıyasla kayıp oranında anlamlı bir düşüş gözlemleniyor. Daha önemlisi, yeni müşteri kazanımının mevcut müşteriyi tutmaktan çok daha maliyetli olduğu göz önüne alındığında, ROI hesabı hızla olumlu tarafa dönüyor. Bir müşterinin yaşam boyu değeri (CLV) ile müdahale maliyeti arasındaki fark, modelin iş gerekçesini oluşturuyor. Bu hesabı yapmadan projeye başlamak, teknik başarıyı iş başarısına dönüştürme şansını azaltıyor.
Pratik zorluklar da göz ardı edilemez. Türkiye’deki pek çok orta ölçekli işletmede müşteri verisi farklı sistemlere dağılmış durumda: muhasebe yazılımı ayrı, CRM ayrı, varsa e-ticaret platformu ayrı. Bu veri silolarını birleştirmek hem teknik hem de organizasyonel bir çaba gerektiriyor. Bunun yanı sıra modeli kuracak veri analistine veya istatistikçiye erişim, şirket içi bir kaynak değilse dışarıdan temin edilmek zorunda. Proje maliyetinin önemli bir bölümü bu insan kaynağına gidiyor. Ayrıca model zamanla eskiyor; müşteri davranışları ve pazar koşulları değiştikçe modelin periyodik olarak yeniden eğitilmesi gerekiyor. Bunu sağlayacak bir süreç kurulmadan yapılan tek seferlik model çalışması, altı ay içinde geçerliliğini yitirebiliyor.
Bir KOBİ yöneticisi olarak bu projeye yatırım kararı verirken şu kriterleri göz önünde bulundurmanızı öneririm: Müşteri sayınız en az birkaç bin kayıt içeriyor mu ve geçmiş kayıp vakalarınız yeterli hacimde mi? Veri kaliteniz temel bir temizlik çalışmasıyla kullanılabilir hale gelebilecek düzeyde mi? Müdahale bütçeniz ve aksiyon alacak bir ekibiniz var mı? Bu üç soruya ‘evet’ yanıtı verebiliyorsanız, makine öğrenmesi tabanlı kayıp tahmini projeniz için somut bir iş gerekçesi kurabilirsiniz. Veremiyorsanız, önce bu altyapıyı oluşturmak daha akılcı bir başlangıç noktası olacaktır.