An extended support vector machine forecasting framework for customer churn in e-commerce

Yu, Xiaobing; Guo, Sen; Guo, J.; Huang, Xiaorong

doi:10.1016/j.eswa.2010.07.049

Cited by 84 publications

(50 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Machine learning techniques have also been compared for customer churn prediction (Vafeiadis, Diamantaras, Sarigiannidis, & Chatzisavvas, 2015). Many researchers have tried to improve prediction performance and integrate different kinds of classification methods such as SVMs (Gordini & Veglio, 2017;Yu, Guo, Guo, & Huang, 2011), random forest, and neural network (NN) methods (Han et al, 2006). Tsai and Chen (2010) used association rules to select prediction factors, and then they constructed a churn prediction model by NNs and decision trees for multimedia on demand customers.…”

Section: Customer Churn Predictionmentioning

confidence: 99%

Churn prediction and social neighbour influences for different types of user groups in virtual worlds

et al. 2019

View full text Add to dashboard Cite

In virtual worlds (VWs), users have more VW games alternatives, whereas VW companies consequently suffer from high customer turnover rate and low customer loyalty. Therefore, building a churn prediction model to facilitate subsequent churn management and customer retention is important. The churn behaviours and the impact of social neighbour influences to customer churn may be different for different types of users. Accordingly, we segment users into stable, unstable, and solitary user groups according to their social contact behaviours in VWs. Novel segmentation‐based churn prediction approaches are proposed for churn prediction in VWs by building prediction models for each type of user groups and considering the effect of social neighbour influences for different user groups. The proposed approaches are evaluated by conducting experiments with a dataset collected from a VW platform. The experimental results show different churn prediction performances under different user groups. The segmentation‐based churn prediction approaches perform better than do general approaches without considering user groups. Moreover, the results also reveal that social neighbour influences have a positive impact on stable and unstable users. The proposed work contributes to investigating the social neighbour influences on churn prediction for different types of user groups in VWs.

show abstract

Section: Customer Churn Predictionmentioning

confidence: 99%

Churn prediction and social neighbour influences for different types of user groups in virtual worlds

et al. 2019

View full text Add to dashboard Cite

show abstract

“…Customer Churn didefinisikan sebagai kecenderungan pelanggan untuk berhenti melakukan bisnis dengan sebuah perusahaan [1]. Hal ini telah menjadi isu penting yang merupakan salah satu tantangan utama oleh banyak perusahaan di era global ini dan harus dihadapinya.…”

Section: Pendahuluanunclassified

“…Beberapa teknik data mining yang populer diusulkan untuk memprediksi Customer Churn adalah K-NN [2], [8], [33], Support Vector Machines [1], [2], [33][34][35] dan Logistic Regretion [2], [33][34][35].…”

Section: Pendahuluanunclassified

Ig-KNN Untuk Prediksi Customer Churn Telekomunikasi

Arifin

2015

Simet

View full text Add to dashboard Cite

ABSTRAKIG-KNN merupakan gabungan dari algotitma pemilihan fitur information gain dengan algoritma klasifikasi KNN, kedua algoritma ini diharapkan dapat meningkatkan akurasi dalam memprediksi customer churn telekomunikasi. Prediksi customer churn telekomunikasi merupakan kebutuhan yang sangat penting bagi kelangsungan hidup perusahaan telekomunikasi, dimana dengan banyaknya pelanggang yang meninggalkan perusaan maka perusahaan berpeluang untuk merugi. Mendeteksi pelanggan yang berpeluang meninggalkan perusahaan sejak dini perusahaan akan mendapatkan keuntungan 10 kali, karena biaya untuk mempertahankan pelanggan lebih murah 10 kali lipat dibanding dengan mecari pelanggan baru. Berdasarkan hasil penelitian ini prediksi customer churn telekomunikasi dengan menggunakan IG-KNN menunjukkan akurasi yang lebih baik meski dengan nilai k yang berbedabeda bila dibandingkan dengan prediksi customer churn telekomunikasi dengan menggunkan KNN tanpa fitur seleksi Information Gain, adapun peningkatan akurasi dari k1 sampai dengan k11 sebesar 1,7%.Kata kunci: information gain, KNN, customer churn telekomunikasi. ABSTRACT IG-KNN is a combination of information gain feature selection algorithm with KNN classification algorithm, the second algorithm is expected to improve the accuracy of predicting customer churn in telecommunications. Telecommunication customer churn prediction is a very important requirement PENDAHULUANCustomer Churn didefinisikan sebagai kecenderungan pelanggan untuk berhenti melakukan bisnis dengan sebuah perusahaan [1]. Hal ini telah menjadi isu penting yang merupakan salah satu tantangan utama oleh banyak perusahaan di era global ini dan harus dihadapinya.[2] mengatakan untuk memperoleh pelanggan baru memerlukan biaya hingga 10 kali lipat lebih mahal dibandingkan biaya untuk mempertahankan pelanggan yang ada. Mahalnya untuk memperoleh pelanggan baru tentunya perusahaan akan lebih memilih mempertahankan pelanggan. Berdasarkan fakta tersebut maka banyak perusahaan sekarang lebih beralih untuk mempertahankan pelanggan dan menghindari churn pelanggan.Prediksi customer churn telekomunikasi menggunakan KNN yang dilakukan [3] menghasilkan nilai akurasi 88% pada nilai K 5 keatas, dengan menggunakan algoritma fitur seleksi diharapkan akan meningkatkan akurasi prediksi selain itu dapat diketahui fitur apa saja yang tidak dibutuhkan dalam memprediksi customer churn telekomunikasi.Pemilihan Subset fitur, bersama dengan pengaturan parameter dalam prosedur pelatihan SVM secara signifikan mempengaruhi akurasi klasifikasi [4]. Jumlah fitur yang banyak (high dimensional) akan memberikan masukan yang berbeda-beda. Pada prakteknya, atribut yang berlebihan tidak akan memberikan hasil yang signifikan pada proses pelatihan tetapi justru akan menyebabkan over-fit atau irrelevan dan redundan atribut yang akan menyulitkan algoritma proses pelatihan. Masih sedikit penelitian yang berfokus pada pemilihan fitur untuk mempediksi customer churn telekomunikasi [5]. Untuk mencapai kinerja yang baik dan akurasi yang tinggi jumlah fitur yang...

show abstract

“…Finally, lift coefficient shows the precision of model where CP represents the real churn percentage in the data set. The higher the lift is, the more accurate the model is [28]. …”

Section: Evaluation Measuresmentioning

confidence: 99%

Initializing Genetic Programming using Fuzzy Clustering and its Application in Churn Prediction in the Telecom Industry

Al-Shboul

Faris

Ghatasheh

2015

MJCS

View full text Add to dashboard Cite

show abstract

An extended support vector machine forecasting framework for customer churn in e-commerce

Cited by 84 publications

References 13 publications

Churn prediction and social neighbour influences for different types of user groups in virtual worlds

Churn prediction and social neighbour influences for different types of user groups in virtual worlds

Ig-KNN Untuk Prediksi Customer Churn Telekomunikasi

Initializing Genetic Programming using Fuzzy Clustering and its Application in Churn Prediction in the Telecom Industry

Contact Info

Product

Resources

About