🚀 Telecom Customer Churn Prediction Project

Bu proje, telekomünikasyon müşterilerinin ayrılma durumlarını tahmin etmek ve müşteri kaybını azaltmaya yönelik stratejiler geliştirmek amacıyla gerçekleştirilmiştir.

🎯 Amaç ve Hedef

Projemizin temel hedefleri şunlardır:

1. Müşteri kaybını anlamak ve etkileyen faktörleri belirlemek.
2. Doğru ve güvenilir bir model oluşturarak müşteri churnünü tahmin etmek.
3. Müşteri kaybını azaltmaya yönelik stratejiler geliştirmek.

📋 Veri Seti Tanımı

Veri seti, telekomünikasyon müşterileriyle ilgili çeşitli öznitelikleri içerir. Toplamda 7043 satır ve 21 sütun içermektedir.

📊 Veri Keşfi ve Ön İşleme

1. Veri Seti İncelemesi: Yapısal analiz gerçekleştirildi.
2. Eksik Veri Kontrolü: Eksik veriler işlendi.
3. Veri Türleri ve Dağılımları: Veri tipleri incelendi ve dağılımlar görselleştirildi.
4. Aykırı Değerlerin İncelenmesi: Aykırı değerler tespit edildi ve işlendi.
5. Özellik Mühendisliği: Yeni özellikler türetildi.

📈 Veri Analizi ve Keşif (EDA)

1. Değişkenler Arası İlişkiler: Görselleştirmelerle ilişkiler analiz edildi.
2. Churn Dağılımı: Müşteri kaybının dağılımı incelendi.
3. Demografik Analiz: Cinsiyet, yaş gibi faktörlerle ilişkiler araştırıldı.
4. Hizmet Kullanımı Analizi: Hizmet kullanımı ile churn arasındaki ilişki incelendi.
5. Müşteri Memnuniyeti ve Sadakati: Müşteri memnuniyeti ile churn arasındaki ilişki değerlendirildi.

📈 Sonuçlar ve Tahminler

📊 Model Performansı

• En iyi model %92.42 doğruluk ve 0.2144 kayıp değeri ile elde edildi.
• Tenure, InternetService, OnlineSecurity gibi özellikler tahminlerde en etkili faktörler olarak belirlendi.

📉 Müşteri Kaybı Analizi

• Demografik faktörlerin (yaş, partner, bağımlılık), hizmet kullanımı ve müşteri memnuniyetinin churn üzerinde etkili olduğu görüldü.

💡 Stratejiler ve Öneriler

1. Müşteri deneyimini iyileştirme.
2. Sadakat programları ve özel teklifler sunma.
3. Müşteri geri kazanma stratejileri geliştirme.

Bu stratejilerin uygulanması, müşteri churnünü azaltabilir ve şirketin başarısını artırabilir.

📄 Dosya Yapısı

• Random_Forest_Classifier_Model.pkl: Random Forest algoritması kullanılarak eğitilen bu model, müşterilerin ayrılma olasılığını tahmin etmek için müşteri verilerini kullanır.
• neural_network_models.json: Derin öğrenme modelinin yapısal bilgileri.
• neural_network_models.h5: Derin öğrenme modelinin ağırlıkları.

🚀 Başlarken

Proje dosyalarını çalıştırmak ve modelleri tekrar eğitmek için aşağıdaki adımları izleyebilirsiniz:

1. Repoyu klonlayın: git clone https://github.com/ThecoderPinar/telecommunication-customer-churn-analysis-and-prediction.git
2. Gerekli kütüphaneleri yükleyin: pip install -r requirements.txt
3. Jupyter Notebook dosyasını çalıştırın: jupyter notebook

📝 Lisans

Bu proje, MIT lisansı altında lisanslanmıştır. Daha fazla bilgi için LICENSE dosyasına bakabilirsiniz.