Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Intrusion Detection Using a Hybrid Sequential Model Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Churn Prediction and Retention in Banking, Telecom and IT Sectors Using Machine Learning Techniques

verfasst von : Himani Jain, Garima Yadav, R. Manoov

Erschienen in: Advances in Machine Learning and Computational Intelligence

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Customer churn prevention is one of the deciding factors when it comes to maximizing the revenues of any organization. Also known as customer attrition, it occurs when customers stop using the products or services of a company. Through our paper, we are predicting customer churn beforehand so that proper customer retention steps can be taken with the help of exploratory data analysis and to make customized offers for the targets. For the churn prediction, our implementation consists of comparative analysis of four algorithmic models, namely logistic regression, random forest, SVM and XGBoost, on three different domains, namely banking, telecom and IT. The purpose of doing this comparative analysis is that there are not many research works which compare the performance of various algorithms in different domains. We also develop various retention strategies with the help of exploratory data analysis.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Internet of Things Security Using Machine Learning
Nächstes Kapitel Reinforcement Learning-Based Resource Allocation for Adaptive Transmission and Retransmission Scheme for URLLC in 5G
Literatur
1.
Z. Can, E. Albey, Churn prediction for mobile prepaid subscribers, in DATA (2017), pp. 67–74
2.
S. Höppner, E. Stripling, B. Baesens, S. vanden Broucke, T. Verdonck, Profit driven decision trees for churn prediction. Eur. J. Oper. Res. (2018)
3.
H. Faris, A hybrid swarm intelligent neural network model for customer churn prediction and identifying the influencing factors. Information 9(11), 288 (2018)CrossRef
4.
A. Cotter, H. Jiang, S. Wang, T. Narayan, M. Gupta, S. You, K. Sridharan, Optimization with non-differentiable constraints with applications to fairness, recall, churn, and other goals (2018). arXiv:​1809.​04198
5.
P. Spanoudes, T. Nguyen, Deep learning in customer churn prediction: unsupervised feature learning on abstract company independent feature vectors (2017). arXiv:​1703.​03869
6.
Y. Yang, Z. Liu, C. Tan, F. Wu, Y. Zhuang, Y. Li, To stay or to leave: churn prediction for urban migrants in the initial period, in Proceedings of the 2018 World Wide Web Conference on World Wide Web (International World Wide Web Conferences Steering Committee, 2018), pp. 967–976
7.
8.
Z. Zhang, R. Wang, W. Zheng, S. Lan, D. Liang, H. Jin, Profit maximization analysis based on data mining and the exponential retention model assumption with respect to customer churn problems, in 2015 IEEE International Conference on Data Mining Workshop (ICDMW) (IEEE, 2015), pp. 1093–1097
9.
J. Semrl, A. Matei, Churn prediction model for effective gym customer retention, in 2017 International Conference on Behavioral, Economic, Socio-cultural Computing (BESC) (IEEE, 2017), pp. 1–3
10.
D.F. Benoit, D. Van den Poel, Improving customer retention in financial services using kinship network information. Expert Syst. Appl. 39(13), 11435–11442 (2012)CrossRef
11.
G. Nie, G. Wang, P. Zhang, Y. Tian, Y. Shi, Finding the hidden pattern of credit card holder’s churn: a case of china, in International Conference on Computational Science (Springer, Berlin, Heidelberg, 2009), pp. 561–569
12.
J. Zhao, X.H. Dang, Bank customer churn prediction based on support vector machine: taking a commercial bank’s VIP customer churn as the example, in 2008 4th International Conference on Wireless Communications, Networking and Mobile Computing (IEEE, 2008), pp. 1–4
13.
M. Szmydt, Predicting customer churn in electronic banking, in International Conference on Business Information Systems (Springer, Cham, 2018), pp. 687–696)
14.
Y. Chen, Y.R. Gel, V. Lyubchich, T. Winship, Deep ensemble classifiers and peer effects analysis for churn forecasting in retail banking, in Pacific-Asia Conference on Knowledge Discovery and Data Mining (Springer, Cham, 2018), pp. 373–385)
15.
D.A. Kumar, V. Ravi, Predicting credit card customer churn in banks using data mining. Int. J. Data Anal. Tech. Strat. 1(1), 4–28 (2008)CrossRef
16.
C. Abbet, M. M’hamdi, A. Giannakopoulos, R. West, A. Hossmann, M. Baeriswyl, C. Musat, Churn intent detection in multilingual chatbot conversations and social media (2018). arXiv:​1808.​08432
Metadaten
Titel
Churn Prediction and Retention in Banking, Telecom and IT Sectors Using Machine Learning Techniques
verfasst von
Himani Jain
Garima Yadav
R. Manoov
Copyright-Jahr
2021
Verlag
Springer Singapore
Buch
Advances in Machine Learning and Computational Intelligence

Print ISBN: 978-981-15-5242-7

Electronic ISBN: 978-981-15-5243-4

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-981-15-5243-4_12

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise