Predictive modeling and customer segmentation to reduce customer churn in a subscription-based business: A data-driven approach

Günümüzün rekabetçi dijital pazarlama ortamında, sadık müşteri grubu oluşturmak, özellikle abonelik tabanlı modellerde, işletmeler için oldukça kritiktir. Bu tez, LaVita GmbH firmasının Türkiye pazarında çeşitli dijital pazarlama kampanyalarını kullanarak öncelikle Google ve Meta platformları aracılığıyla edinilen multivitamin satışlarında müşteri kaybını öngörmek için tahmine dayalı modellerin doğruluk oranlarını araştırmaktadır. Çalışmada, potansiyel müşteri kaybını belirlemek için sepet değeri, ortalama okuma süresi, firma ile iletişime geçme durumu, son satın alma tarihi ve toplam sipariş sayısı gibi 14'ü aktif olmak üzere toplamda 20 parametre kullanılmıştır. Araştırma metodolojisi, geçmiş müşteri verilerinden eyleme dönüştürülebilir içgörüler elde etmek için veri madenciliği teknikleri kullanan kapsamlı bir veri analizi içerir. Bu çalışma, müşterilerin satın alma davranışlarını inceleyerek, potansiyel müşteri kaybını tahmin etme ve bu müşteri grubu ile ilgili veri odaklı stratejiler geliştirmeyi amaçlamaktadır. Araştırmanın ana hedefleri üç ana başlık altında toplanmıştır. İlk olarak, müşteri tabanı davranışsal farklılıklara göre segmente edilerek müşteriler "Kayıp Müşteriler" ve "Sadık Müşteriler" olarak sınıflandırılmıştır. İkinci olarak, mevcut veri setindeki parametrelerin müşteri kaybı üzerindeki etkisini değerlendirmek için çeşitli makine öğrenimi algoritmaları kullanılarak tahmin modelleri eğitilmiştir. Üçüncü olarak, en yüksek doğruluk oranına sahip yaklaşımı belirlemek için bu modellerin performansı karşılaştırılmıştır.

In today's competitive digital marketing environment, building a loyal customer base is particularly critical for businesses, especially in subscription-based models. This thesis investigates the accuracy rates of predictive models in forecasting customer churn in multivitamin sales acquired through Google and Meta platforms, using various digital marketing campaigns of LaVita GmbH in order to predict potential customer loss by examining customer purchasing behavior and to develop data-driven strategies for this customer group in Turkish market. The study utilizes, actively 14 in total 20 parameters, including cart value, average reading time, contact status with the company, last purchase date, and total order count, to identify potential customer churn. The research methodology includes a comprehensive data analysis that uses data mining techniques to obtain actionable insights from past customer data. The main objectives of the research are grouped under three main headings. First, by segmenting the customer base according to behavioral differences, customers were classified as "Lost Customers" and "Loyal Customers." Second, prediction models were trained using various machine learning algorithms to assess the impact of parameters in the existing data set on customer churn. Third, the performance of these models was compared to identify the approach with the highest accuracy rate.