Proje Detayları

Literatürel Bağlam

Telekom sektöründe müşteri kaybı (churn), kârlılık ve sürdürülebilirlik açısından en kritik göstergelerden biridir. Çalışmalar, yeni bir müşteri kazanmanın, mevcut bir müşteriyi elde tutmaktan 5–7 kat daha maliyetli olduğunu ortaya koymaktadır. Bu nedenle churn oranının yükselmesi, doğrudan gelir kaybı anlamına gelir. Özellikle belli bir eşiğin (örneğin %30’un) üzerindeki churn oranları, hem müşteri deneyimi sorunlarına hem de hizmet/paket uyumsuzluklarına işaret edebilir. Bu oranların zamanında tespit edilmesi, hedefli aksiyon planlarıyla riskin azaltılmasını sağlar. Bu bağlamda yapılan segmentasyon bazlı churn analizleri, yüksek risk taşıyan müşteri gruplarını görünür kılarak erken müdahale fırsatları sunar. Bu proje de bu anlayışla şekillendirilmiş ve churn'ü merkeze alarak veri temelli içgörüler üretilmiştir.

Hedef

Bu proje, TelcoCustomer veri seti üzerinde müşteri davranışlarını ve sözleşme yapılarını inceleyerek, churn eğilimlerini anlamaya ve açıklamaya yönelik bir segmentasyon çalışmasıdır. Amaç, gelişmiş Excel teknikleriyle churn’u etkileyen faktörleri görünür hale getirmek, riskli müşteri gruplarını net şekilde tanımlayarak bunlara yönelik karar destek stratejileri geliştirmektir. Makine öğrenmesi yerine yorumlanabilirlik ve uygulama kolaylığı sunan bir segmentasyon modeli tercih edilmiş; analiz sonunda, bir segment için olası bir yapay zekâ stratejisi geliştirilerek projenin iş değerini somutlaştırmak hedeflenmiştir.

Github'dan indirin!

Veri Seti Bilgisi:

Kaynak: Kaggle – Telco Customer Churn Dataset
Kapsam: Telekom şirketi müşterilerinin sözleşme, hizmet kullanımı ve fatura bilgileri
Değişkenler: gender, SeniorCitizen, tenure, Contract, InternetService, MonthlyCharges, TotalCharges, Churn, vb.
Toplam işlem sayısı: 7.043 müşteri
Veri süresi: Belirtilmemiş (statik kesit veri)

Kurulum

Projeye veri temizliğiyle başlandı. Özellikle MonthlyCharges ve TotalCharges sütunları sayısal formatta olmadığı için "Text to Columns" yöntemiyle dönüştürüldü. Ardından segment oluşturma süreci başladı. Veri setinde bulunan bazı sütunlar yeniden kategorize edildi. Aşağıdaki formüller yardımıyla her müşteri, belirli segment tanımlamalarına uygun şekilde sınıflandırıldı:

Senior_Cat: Genç / Yetişkin ayrımı → =IF(SeniorCitizen=0,"J","S")
Tenure_Cat: 6 ay altı / 6–16 ay / 16 ay üzeri → =IF(tenure<7,"_6AY",IF(tenure<17,"_16AY","_16AY+"))
TechUser: Teknolojik hizmet kullanıp kullanmama → =IF(COUNTIF(OnlineSecurity:TechSupport,"Yes")>0,"_Using","_NotUsing")
Contract_Cat: Aylık / Yıllık / İki yıllık sözleşme → =IFS(Contract="Month-to-month","_MM",Contract="One year","_OY",TRUE,"_TY")
Churn_: Churn değişkeni için ikili dönüşüm → =IF(Churn="No",0,1)

Resim 1. Temizlenmiş ve segment etiketleriyle zenginleştirilmiş müşteri verisi görünümü.

Bu dört sütun birleştirilerek toplam 31 farklı segment tanımlandı. Son olarak, oluşturulan yeni sütunlar renklendirilerek görsel seçicilik artırıldı.

Analiz

Aşağıdaki iş sorularına odaklanılarak churn analizi ve segment bazlı keşifsel veri analizleri gerçekleştirilmiştir:

İş Soruları:

Hangi müşteri segmentleri en yüksek churn oranına sahiptir?
Segmentler özelinde ortalama abonelik süresi (tenure) nasıldır?
Segmentlere göre ortalama aylık gelir (Monthly Recurring Revenue - MRR) ne düzeydedir?
Müşteri sayısı en yüksek olan segmentler hangileridir?
En fazla churn eden müşteri sayısı hangi segmentlerde yoğunlaşmıştır?
Churn içindeki toplam müşteri kaybının en büyük yüzdesini oluşturan segmentler hangileridir?
Yüksek churn oranına rağmen potansiyel değeri yüksek (yüksek MRR) segmentler var mıdır?
Teknolojik hizmet (OnlineSecurity, Backup, TechSupport) kullanımı segmentlerin churn oranını nasıl etkilemektedir?
Sözleşme türüne (Contract) göre churn oranı segmentler arasında nasıl değişmektedir?
“Short tenure” segmentleriyle “long tenure” segmentleri arasında churn açısından belirgin farklar var mı?

Veri Keşfi

Veri keşfi için oluşturulan pivot tablolar aracılığıyla müşteriler, çeşitli segmentasyon kriterlerine göre analiz edilmiştir. Gerçekleştirilen veri keşfinde:

Her segmentin toplam müşteri sayısı
Segment içindeki churn oranı ve churn eden müşteri sayısı
Churn edenlerin toplam churn içindeki payı
Ortalama MRR (Monthly Charges)
Ortalama abonelik süresi (tenure)

...gibi özet metrikler detaylı şekilde hesaplanmıştır.

Ayrıca eklenen ek pivot tablolar sayesinde;
✅ Teknoloji hizmeti kullanımı,
✅ Sözleşme tipi,
✅ Abonelik süresi
gibi ana değişkenlerin churn üzerindeki etkileri ayrı ayrı analiz edilmiştir.

Resim 2. Segment dağılımı ve churn oranları – Pivot tablo görünümü.

Bu analizler sayesinde bazı segmentlerde yüksek churn oranı ama düşük müşteri ömrü (low tenure) gibi kritik risk kalıpları belirlenmiştir. Pivot tablolar, churn oranı, gelir katkısı ve müşteri kitlesi büyüklüğü arasındaki ilişkiyi görmeye yardımcı olmuş ve en öncelikli müdahale edilmesi gereken segmentlerin tespitine olanak sağlamıştır.

Bubble Chart Görselleştirmesi

Pivot tablo verisi doğrudan görselleştirme için uygun olmadığından, 03_Bubble_Chart_Data sayfasında yapı dönüştürüldü. Her segment için:

X ekseni: Ortalama MRR
Y ekseni: Ortalama tenure
Balon boyutu: Churn oranı
Balon etiketi: Segment adı ve churn yüzdesi

...şeklinde organize edilen verilerle, 04_Bubble_Chart_Visual sayfasında interaktif bir karşılaştırma grafiği oluşturuldu. Grafik üzerinde:

Düşük tenure ve yüksek churn içeren segmentler büyük ve alt konumda
Uzun süreli, yüksek MRR’li ve düşük churn segmentleri sağ üstte konumlandı

Resim 3. Churn, MRR ve sadakat odaklı segment karşılaştırma grafiği.

Bu sayede kritik segmentler tek bakışta fark edilebildi.

Temel Bulgular

Churn riski en yüksek segmentler, kısa abonelik süresine (<6 ay), teknoloji hizmeti kullanmayan profillere ve aylık sözleşmeye sahip müşterilerden oluşmaktadır. Özellikle J_6AY_NotUsing_MM segmenti, hem churn oranı (%52) hem de müşteri sayısı açısından kritik risk taşımaktadır.
En düşük churn oranları, S_16AY+_Using_TY gibi uzun süreli abonelik süresine, yıllık veya iki yıllık sözleşmeye ve teknoloji kullanımına sahip müşterilerde gözlemlenmiştir. Bu segmentlerde churn oranı %5’in altındadır.
Teknolojik hizmet kullanımı (OnlineSecurity, OnlineBackup, TechSupport) churn üzerinde belirgin bir etkiye sahiptir. Bu hizmetleri kullanan segmentlerde churn oranı ortalama %6-10 daha düşüktür.
Sözleşme tipi, müşteri sadakati üzerinde doğrudan belirleyicidir. Aylık sözleşme ile hizmet alan segmentlerde churn oranı ortalama %43 iken, yıllık ve iki yıllık sözleşmeli segmentlerde bu oran %3–11 düzeyine düşmektedir.
Bazı segmentler hem yüksek MRR (gelir) hem de yüksek churn oranı taşımaktadır. Örneğin, J_16AY+_NotUsing_MM segmenti, önemli bir gelir katkısı sağlamasına rağmen yüksek churn riski taşımaktadır. Bu segmentler “yüksek değerli ama kırılgan müşteri grubu” olarak değerlendirilmelidir.

Segment Analizi ve AI Tabanlı Strateji

Hedef Segment: J_6AY_NotUsing_MM

Profil: Genç kullanıcılar, abonelik süresi 6 ay ve altı, teknoloji hizmetlerini kullanmıyor, sözleşme tipi ay bazlı (Month-to-Month)
Segment Boyutu: 777 müşteri
Churn Oranı: %52 (çok yüksek)
Ortalama Fatura (MonthlyCharges): $47 (ortalama seviye)
Ortalama Tenure: 2 ay (sadakat gelişmemiş)

AI Perspektifiyle Stratejik Çıkarım:

Bu segment, müşteri kaybı riskini en hızlı yansıtan grubu temsil eder. Bu gruptaki müşteriler genellikle aşağıdaki profillerden bir veya daha fazlasına girer:

Deneme sürecinde olan veya
Hizmetin değerini henüz hissedememiş
Katma değerli ürünlerle tanışmamış

Resim 4. AI destekli churn tahmin ve strateji sistemlerini temsil eden kavramsal görsel.

AI Tarafından Üretilmiş Olası Stratejiler (Simülasyon Senaryosu):

Predictive Personalization (Tahmine Dayalı Kişiselleştirme):

Bu segmentte churn riski yüksek müşterilere özel, ilk ay içinde tetiklenen dinamik onboarding içerikleri sunulmalı. AI modeli, müşterinin ilk 7 gün içindeki davranışlarını izleyerek aşağıdaki segmentasyonla aksiyon öneriyor:

Aktivite Göstergesi	Önerilen Aksiyon
Giriş sayısı < 2	Mobil app kullanım eğitimi içeren push bildirimleri
Fatura ekranı ziyaret edilmemiş	"Faturanı kontrol et, avantajları öğren" kampanyası
Tech ürün kullanımı yoksa	Kişiye özel deneme kampanyası önerisi

Ürün Öneri Motoru ile Teknoloji Ürün Geçişi:
Segmentte teknolojik hizmet kullanımı yok. AI tabanlı öneri motoru, benzer profildeki kullanıcıların davranışlarına göre TechSupport ve OnlineBackup hizmetlerinin bu kullanıcıya özel bundle halinde sunulmasının churn'u azalttığını öngörüyor.
Dynamic Contract Suggestion (Akıllı Kontrat Geçişi):
ML modeli, ay bazlı müşterilerin ilk 3 ay içinde yıllık kontrata geçtiğini ve churn oranlarının azaldığını tespit etti. Bu segmentte şu strateji önerilir:
- 2. ayın sonunda, bir kullanıcının etkileşim puanı 60+ ise, kişiselleştirilmiş bir mesaj tetikleyin:
“Özel bir fiyattan yararlanın - Bugün yıllık plana geçin!”
Churn Likelihood Tracking Paneli:
Bu segmentte churn olasılığı %0.5 üzerindeki her kullanıcı için gerçek zamanlı alert sistemi ile müşteri hizmetleri devreye sokulmalı. Bu sayede proaktif müdahale ile churn azaltımı hedeflenebilir. Churn riski taşıyan müşteriler için gerçek zamanlı izleme sistemi kurularak erken müdahale yapılabilir.

Model kurmaksızın yapılan bu iş zekâsı temelli analiz, yüksek churn potansiyeli taşıyan segmentleri tanımlamada ve onlara özel stratejiler geliştirmede güçlü bir çerçeve sunmaktadır. Eğer makine öğrenmesi tabanlı bir churn tahmin modeli kurulsaydı, bu segmentler öncelikli risk alanı olarak yine öne çıkacaktı.

Sonuç

Bu proje, yalnızca Excel araçlarını etkili kullanmakla kalmayıp, müşteri segmentasyonu ve churn analizi gibi CRM alanında kritik içgörüler üretme becerimi de göstermektedir.

Teknik beceriler: Veri temizleme, segment oluşturma, formül yazma, pivot tablo oluşturma, veri görselleştirme
Analitik yetkinlik: Churn odaklı segment bazlı analiz, içgörü üretme ve veri odaklı strateji geliştirme
Stratejik yaklaşım: AI destekli çözüm önerileriyle veriden aksiyona geçiş

Bu proje, hem iş zekâsı uygulamaları hem de CRM bakış açısıyla veri analizi konusunda yetkinliğimi ortaya koymaktadır.