Gamfed Türkiye Kaptanı Kürşat Çelik yazıyor: Churn (Müşteri Kaybı) Tahminlemede AI-Yapay Zeka : Kullanıcı Kopmadan Önce ‘Kanca’yı Nasıl Atabiliriz?

Churn Tahminlemede AI:Kullanıcı Kopmadan Önce ‘Kanca’yı Nasıl Atarız?

Bir kullanıcı seni terk etmeden önce sana bir ipucu bırakır. Çoğu zaman birden fazla ipucu. Giriş sıklığı düşer, destek talebi açar ama takip etmez, fiyatlandırma sayfasını ziyaret eder, rakiplerini araştırır. Bunların hiçbiri tesadüf değildir. Bunlar, sistemin yakalamayı öğrenebileceği sinyallerdir.

Churn tahmini tam da bu yüzden var.

Churn nedir, gerçekten?

Yüzeysel tanım şu: kullanıcının ürünü bırakması. Ama bu tanım problemi küçümser.

Akademik literatürde churn oranı, belirli bir dönemde kaybedilen müşteri sayısının başlangıçtaki müşteri sayısına oranı olarak formüle edilir. Daha işlevsel bir çerçevede ise churn yönetiminin asıl hedefi, firmayı tercih etmeyi bırakma ihtimali olan müşterilerin oranını yönetmek ve onları önceden doğru şekilde sınıflandırmaktır.

Churn bir olay değil, bir süreçtir. Kullanıcı hesabını sildiğinde karar çoktan verilmiştir, genellikle haftalar, bazen aylar önce. Yani “churn anı” dediğimiz şey aslında bir sonuç bildiriminden ibarettir. Asıl karar, sessizce başka bir yerde verilmiştir.

Bu yüzden churn tahmini, geçmişe değil o karara giden yola bakar.

Şekil 1. Sektöre Göre Ortalama Yıllık Churn Oranı

AI burada ne yapıyor?

Geleneksel yaklaşım şuydu: belirli eşikleri geçen kullanıcılara otomatik e-posta at. 30 gün giriş yapmadıysa “seni özledik” yaz. Bu hâlâ birçok yerde çalışıyor — ama kaba bir araç. Geleneksel churn tahmin modellerinin pazarlama müdahalelerinin nedensel etkilerini yakalamakta yetersiz kaldığı gösterilmiştir.

AI’ın getirdiği şey, bu eşiklerin yerine örüntülerin geçmesi.

Makine öğrenmesi modelleri özellikle gradient boosting ailesinden XGBoost ya da daha karmaşık yapılar için derin sinir ağları kullanıcı davranışını bir bütün olarak değerlendirir. Şunu sormaz: “30 gün giriş yaptı mı?” Şunu sorar: “Bu kullanıcının son 8 haftadaki davranış profili, geçmişte ayrılan kullanıcıların profiline ne kadar benziyor?”

Fark küçük görünür. Sonucu büyüktür.

Hangi sinyaller önemli?

Her sektörde farklı, ama genel olarak üç sinyal kümesi öne çıkar:

Davranışsal sinyaller: Oturum süresi, özellik kullanım derinliği, hata ile karşılaşma sıklığı, destek kanalı aktivitesi. E-ticaret müşterileri üzerinde yapılan analizde düşük etkileşim e-posta açma, uygulama kullanımı, kampanya tepkisi churn’ün en güçlü yordayıcıları arasında tespit edilmiştir. Bir kullanıcı ürünü kullanmaya devam ediyorsa ama yalnızca temel özelliklere dokunuyorsa bu da bir sinyal.

Bağlamsal sinyaller: Fatura döngüsü yaklaşımı, fiyat sayfası ziyaretleri, rakip isim aramaları, hesap ayarları değişiklikleri. Gizli ücretler ve karmaşık iade süreçleri de güçlü churn tetikleyicileri olarak öne çıkmaktadır.

İlişkisel sinyaller: Kullanıcı bir ekibin parçasıysa, ekip içi aktivite de değişkene girer. Hesap tenure süresinin churn olasılığını yaklaşık %2,5 azalttığı nedensel analiz yöntemiyle doğrulanmıştır bu bulgu, ilişkisel bağın tutma üzerindeki doğrudan etkisini göstermesi açısından dikkat çekicidir.

Bu sinyallerin tek tek anlamı sınırlıdır. Bir araya geldiklerinde örüntü oluşur.

Şekil 2. Churn Tetikleyicilerinin Normalleştirilmiş Önem Skorları

“Kanca” ne zaman atılır?

Tahmin modeli çalışıyor ve bir kullanıcı yüksek riskli olarak işaretlendi. Peki ne yapacaksınız?

Burada çoğu şirketin düştüğü tuzak şu: herkese aynı müdahaleyi uygulamak. Yüksek riskli kullanıcıya otomatik indirim teklifi göndermek. Bu iki açıdan sorunludur.

Birincisi, bazı kullanıcılar indirim nedeniyle değil, ürün sorunu nedeniyle ayrılmaktadır. İndirim bu sorunu çözmez, sadece ayrılmayı birkaç ay erteler. Müşterileri “ikna edilebilirler”, “uyuyan köpekler”, “zaten kalacaklar” ve “kayıp davalar” olmak üzere dört segmente ayırarak hedefli müdahale tasarımı yapmak mümkün; bu yöntemle genel tedavi grubuna kıyasla churn oranı 6,76 puana kadar düşürülebilmektedir.

İkincisi ve bu daha sinsi indirim beklemek için churn sinyali gösteren bir kullanıcı segmenti oluşturursunuz. Kullanıcı öğrenir: eğer ilgisiz görünürsem, teklif gelir.

Doğru müdahale, müdahaleyi kişiselleştirmekten geçer. Kullanıcı bir özelliği hiç kullanmadı mı? O zaman indirim değil, kılavuzluk. Destek talebi açık mı kaldı? O zaman proaktif iletişim. Rakip fiyat sayfası ziyaret ettiyse? O zaman değer karşılaştırması.

Model tahmin eder. İnsan (ya da iyi tasarlanmış otomasyon) müdahaleye karar verir.

Bir gerçek, açıkça

Churn tahmini sihir değil. Yüksek doğruluk oranı olan bir model bile iki şeyi garanti edemez: müdahalenin işe yarayacağını ve tüm yanlış pozitiflerin maliyetsiz olacağını.

Literatürdeki model karşılaştırmaları birbirinden farklı doğruluk eşikleri ortaya koyuyor: CNN modelleri %97,62’ye, Random Forest veri setine göre %79,94 ile %96,34 arasında, MLP tabanlı sinir ağları ise %75,7 düzeyinde doğruluk sağlayabiliyor. Ancak bu rakamları yan yana koymak tek başına bir anlam ifade etmez, hangi veri seti, hangi sektör, hangi dengesizlik oranı soruları her zaman cevaplanmayı bekler.

Şekil 3. Farklı ML Modellerinin Churn Tahmin Doğruluğu

Yanlış pozitif  yani ayrılmayacak bir kullanıcıya “churn riski yüksek” demek  müdahale maliyetine yol açar. Bazen bu maliyeti kabul etmek mantıklıdır, bazen değildir. Bu bir veri bilimi sorusu değil, iş kararıdır.

Bunun yanı sıra: model, geçmiş veriye bakar. Tahminsel modellemenin çoğu zaman nedensellikten kopuk olduğu; doğru model bakımının bu kopukluğu gidermeye dönük sürekli çalışmayı gerektirdiği vurgulanmaktadır. Bir kez kurulan churn modeli değil, sürekli bakım gerektiren bir sistem kurulur.

Sonuç yerine

Kullanıcılar sizi sessizce terk eder. Pek azı veda e-postası yazar, açıklama bırakır, geri bildirim formunu doldurur. Ayrılış genellikle bir sessizlik birikiminin sonucudur.

AI bu sessizliği okumayı öğrenebilir davranış örüntülerinden, zamanlama farklılıklarından, küçük ama anlamlı sinyallerden. Üstelik yeni bir müşteri kazanmanın mevcut bir müşteriyi tutmaktan beş ila altı kat daha pahalıya mal olabileceği düşünüldüğünde, bu okuma kapasitesinin değeri daha da netleşir.

Ama modeli kurmak işin yarısı. Asıl soru şu: o sinyal geldiğinde ne yapacaksınız?

Kancayı doğru yere, doğru zamanda atmak için önce neyi tutmaya çalıştığınızı bilmeniz gerekir.

The_Churn_Hook_Strategy (1).pdf

Gamfed Türkiye Kürşat Çelik‘in katkılarıyla yazılmıştır.

Kaynaklar

[1]  Rudd, D. H., Huo, H. ve Xu, G. (t.y.). Causal analysis of customer churn using deep learning. University of Technology Sydney.

[2]  Kaynar, O., Tuna, M. F., Görmez, Y. ve Deveci, M. A. (2017). Makine öğrenmesi yöntemleriyle müşteri kaybı analizi. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18(1), 1–19.

[3]  Vicente, M. M. (2024). Causality models for determining the impact of commercial actions [Yüksek lisans tezi]. Instituto Superior Técnico, Universidade de Lisboa.

[4]  Aksoy, C., Küçükmanisa, A. ve Kilimci, Z. H. (2025). Forecasting customer churn using machine learning and deep learning approaches. Kocaeli Journal of Science and Engineering, 8(1), 60–70. https://doi.org/10.34088/kojose.1526621

[5]  Seymen, O. F., Olmez, E., Dogan, O., Er, O. ve Hiziroglu, A. (2023). Customer churn prediction using ordinary ANN and CNN algorithms: A comparative performance assessment. Gazi University Journal of Science, 36(2), 720–733. https://doi.org/10.35378/gujs.992738

[6]  Shanthini, B., Subhashini, S., Kiruthika, S., Yamuna, S., Jothi Francina, V. ve Ramesh, V. (2025). Predicting customer churn using artificial neural networks. Journal of Information Systems Engineering and Management, 10(41s). https://www.jisem-journal.com/

[7]  Verhelst, T. (2024). Causal and predictive modeling of customer churn: Lessons learned from empirical and theoretical research [Doktora tezi]. Université Libre de Bruxelles.