Müşteri kaybı tahmini için RFM ve gömülü kümeleme kullanan yeni bir hibrit derin öğrenme çerçevesi

Çevrimiçi alışveriş yapanları elde tutmanın önemi

Her çevrimiçi mağaza aynı soruyla karşı karşıyadır: hangi müşteriler sessizce uzaklaşıyor ve hangileri geri gelme olasılığı yüksek? Erken tespit, şirketlerin yeni müşterileri kovalamaya harcadıkları kaynağı azaltıp mevcut müşterileri elde tutmaya yatırım yapmalarını sağlar. Bu çalışma, karışık tıklama ve satın alma geçmişlerini, bir kişinin alışverişi bırakmak üzere olduğuna dair net sinyallere dönüştürerek risk altındaki müşterileri tespit etmeye yönelik veri odaklı bir yöntem sunar.

İnsanların ne sıklıkta ve ne kadar satın aldıklarına bakmak

Yazarlar, birçok pazarlamacının zaten bildiği basit bir fikirden başlar: müşteriler satın alma zamanlaması, sıklığı ve harcama tutarı bakımından farklılık gösterir. Recency (son alım zamanı), frequency (sıklık) ve monetary value (harcama tutarı) olarak adlandırılan bu üç değer, her alışverişçinin temel bir resmini çizer. Sık satın alan, daha çok harcayan ve yakın zamanda alışveriş yapanlar genellikle sadıktır. Uzun zamandır alışveriş yapmayan, nadiren alan ve az harcayanlar ise ayrılma olasılığı daha yüksektir. Çalışma, daha sonra yapılacak tüm analizlerin temelini oluşturmak üzere bu üç sinyali ve birkaç ek zamana dayalı istatistiği kullanır.

Benzer alışkanlıklara sahip müşterileri gruplamak

Tüm müşterileri tek bir kitle olarak ele almak yerine araştırmacılar önce onları davranışa dayalı segmentlere ayırır. Her müşterinin satın alma profilini sıkıştırıp kompakt bir koda dönüştüren ve sonra bu kod uzayında otomatik olarak küme oluşturan bir derin öğrenme tekniği kullanırlar. Bu, düzenli düzenli alıcılar, mevsimlik müşteriler ve uzaklaşmakta olanlar arasındaki ince farklar gibi basit kurallarla zor görülen desenleri ortaya çıkarır. Oluşan kümeler gerçek iş anlamlarıyla örtüşür: bazı gruplar neredeyse tamamen sadık müşterilerden oluşurken diğerleri alışverişi bırakmak üzere olan yüksek oranda kişiyi içerir.

Sistemi müşteri yolculuklarını zaman içinde izlemeyi öğrenmeye öğretmek

Müşteriler gruplandıktan sonra çalışma, bu segmentleri ve harcama kalıplarını dizilerle iyi başa çıkan sinir ağlarına besler. Bu ağlar başlangıçta cümleleri veya sesleri okumak için tasarlanmış olsa da burada alışveriş olayları akışlarını okurlar. Haftalar veya aylar içindeki bir kişinin etkinliğinin nasıl değiştiğini ve bu değişikliklerin genellikle devam eden satın almaya mı yoksa sessizliğe mi yol açtığını öğrenirler. Araştırmacılar modellerini iki çok farklı gerçek dünya veri kümesi üzerinde eğitir ve test eder: biri geleneksel satın alma kayıtlarından, diğeri ayrıntılı tıklama ve etkinlik günlüklerinden oluşturulmuştur.

Yeni yöntemleri eski araçlarla karşılaştırmak

Ekip ardından hibrit yaklaşımlarını lojistik regresyon ve destek vektör makineleri gibi standart araçlarla karşılaştırır. Basit modeller veri zaten düzgün olduğunda iyi performans gösterir ancak davranış karmaşık veya gürültülüyse zorlanır. Buna karşılık yeni çerçeve önce verileri derin kümeleme ile yeniden şekillendirir, sonra zamanlama kalıplarını ardışık ağlarla yakalar. Her iki veri kümesinde de bu düzenek, yanlış alarmları çok artırmadan kaybedecekleri kişileri yakalamada yüksek doğruluğa yakın sonuçlar verir. Bir ablation çalışması, kümeleme adımının eklenmesinin yalnızca ardışık modeller kullanmaya kıyasla performansı belirgin şekilde artırdığını gösterir.

Çevrimiçi işletmeler için anlamı

Uzman olmayan biri için ana mesaj, insanların ne zaman ve nasıl alışveriş yaptıklarına dair verilerin daha zengin kullanımının rutin günlük kayıtları kimin ayrılacağına dair erken uyarılara dönüştürebileceğidir. Basit harcama özetlerini, akıllı müşteri gruplayıp ve zamanı takip eden modellerle birleştirerek çerçeve, risk altındaki müşterileri işaretlemede daha güvenilir bir yol sunar. Şirketler ardından sadakati tahmin etmeye dayalı veya sezgilere dayalı hareket etmek yerine, odaklanmaları gereken kişilere yönelik tutundurma teklifleri, destek veya içerik sağlayarak bağlılığı artırabilir.

Atıf: Ibrahim, S., Tawfik, B.S., Makhlouf, M.A. et al. A novel hybrid deep learning framework for customer churn prediction using RFM and embedding clustering. Sci Rep 16, 16563 (2026). https://doi.org/10.1038/s41598-026-53220-0

Anahtar kelimeler: müşteri kaybı, e-ticaret, müşteri segmentasyonu, derin öğrenme, RFM analizi