Müşteri skorlama modeli veriyle nasıl kurulur?

Skorlama neyi çözer: hangi müşteri için hangi karar?

Müşteri skorlama, her müşteriye belirli bir olaya yatkınlığını gösteren bir puan vermektir. Olay, müşterinin kaybı (churn), bir sonraki satın alma, kampanyaya yanıt, ödeme gecikmesi ya da müşterinin ileride getireceği değer olabilir. Skor, ham veriyi tek bir sayıya indirgeyerek ekiplerin sınırlı kaynaklarını doğru müşteriye yönlendirmesini sağlar.

İşe skordan değil, karardan başlayın. Skor ne için kullanılacak? Kaybetme riski yüksek müşterilere önce ulaşılacak mı? Yüksek değerli müşteriye özel bir kampanya mı sunulacak? Kararı belirlemeden kurulan model, doğru olsa bile kullanılmaz. Skorun ürettiği kararın bir sahibi, bir aksiyonu ve bir ölçüm yöntemi olmalıdır.

Skorlama türleri hedef değişkene göre ayrılır. Churn skoru müşterinin ayrılma olasılığını, yaşam boyu değer skoru müşterinin gelecekte yaratacağı geliri, eğilim (propensity) skoru ise belirli bir ürünü satın alma ihtimalini tahmin eder. Lead skorlama, henüz müşteri olmamış adaylara uygulanan benzer bir yaklaşımdır. Aynı veri altyapısı birden fazla skoru besleyebilir.

Hedef değişkeni ve gözlem penceresini tanımlamak

Modelin öğrenmesi için geçmişte ne olduğunu belirten bir etiket gerekir. Churn modelinde etiket, belirli bir dönemde müşterinin ayrılıp ayrılmadığıdır. Bu tanım açık ve tutarlı olmalıdır: ayrılma, hesabın kapatılması mı, belirli bir süre işlem yapmaması mı? Tanım iş kuralına göre belirlenir ve modelin her sürümünde aynı kalır.

Zaman pencerelerini belirleyin. Gözlem penceresi, özelliklerin hesaplandığı geçmiş dönemdir. Tahmin penceresi, etiketin ölçüldüğü ileri dönemdir. Özellikler yalnız gözlem penceresindeki bilgiden türetilmelidir; etiket belli olduktan sonra oluşan bir bilgiyi özelliklere katarsanız veri sızıntısı yaratırsınız. Sızıntı, modeli çevrimdışı değerlendirmede olağanüstü iyi, canlıda ise işe yaramaz hale getirir. Örneğin hesabı kapattıktan sonraki bir iptal formu bilgisini kullanmak buna örnektir.

Hedef nadir bir olaysa (az sayıda churn gibi) dengesiz sınıf sorunu doğar. Bu durumda doğruluk gibi basit ölçütler yanıltıcıdır; model hepsine ayrılmayacak dese bile yüksek doğruluk alabilir. Uygun değerlendirme ölçütleri seçin.

Veri hazırlığı ve özellik üretimi

Müşteri skorlama verisi genellikle birden çok kaynaktan gelir: işlem geçmişi, ürün kullanımı, müşteri hizmetleri kayıtları, demografik bilgiler, kampanya yanıtları. Önce müşteri düzeyinde tek bir tablo oluşturun: her satır bir müşteri, her sütun bir özellik.

Faydalı özellik aileleri şunlardır: • Yenilik, sıklık ve parasal değer: son işlem ne zaman oldu, ne sıklıkta işlem yapıyor, toplam harcaması ne kadar. RFM yaklaşımının ham maddesi bu üç boyuttur. • Eğilim özellikleri: son dönemdeki davranışın önceki döneme göre artması ya da azalması. Davranış düşüşü, churn için güçlü bir sinyaldir. • Etkileşim özellikleri: destek talebi sayısı, şikayet, uygulama kullanımı, e-posta yanıtı. • Ürün ve kanal özellikleri: kaç ürün kullanıyor, hangi kanaldan alışveriş yapıyor.

Eksik değerler, aykırı değerler ve mükerrer kayıtlar temizlenmeden modele verilmemelidir. Özellik üretimi, model seçiminden sıklıkla daha çok kazanç sağlar; basit bir model iyi tasarlanmış özelliklerle karmaşık bir modeli geçebilir.

Model seçimi, doğrulama ve skora çevirme

Başlangıç için basit ve yorumlanabilir bir modelle başlayın: lojistik regresyon ya da karar ağacı. Sonra ağaç topluluğu yöntemleri gibi daha güçlü modelleri deneyin ve karşılaştırın. Karmaşık model her zaman daha iyi değildir; yorumlanabilirlik, özellikle finans ve sağlık gibi düzenlenmiş alanlarda, bir gerekliliktir.

Doğrulamada rastgele bölmek yerine zamana göre bölün: eski dönemlerle eğitin, daha yeni bir dönemde test edin. Müşteri skorlama gelecekte uygulanacağı için gerçek kullanım koşulunu taklit eder. Çapraz doğrulama ve ayrı bir test kümesi kullanarak aşırı öğrenmeyi (overfitting) kontrol edin.

Ölçüt seçimi iş amacına bağlıdır. Sıralama kalitesi önemliyse bir sıralama ölçütü, kampanya bütçesi sınırlıysa en üstteki grubun yakalama oranı, olasılığın kendisi kullanılacaksa kalibrasyon incelenmelidir. Modelin verdiği olasılığın gerçek sıklıkla örtüşüp örtüşmediğini kontrol edin.

Son olarak çıktıyı kullanıma uygun hale getirin. Olasılığı bantlara bölün, örneğin yüksek, orta ve düşük risk, ve her bant için bir aksiyon tanımlayın. Eşik değeri, kampanya maliyeti ile kaçırılan müşterinin değeri arasındaki dengeye göre seçilir.

Örnek: abonelik hizmetinde churn skoru

Örneğin bir abonelik hizmeti, iptal etmeyi düşünen müşterileri önceden yakalamak istiyor.

Karar. Yüksek risk skorlu müşterilere müşteri başarı ekibi ulaşacak, orta risk skorlu müşterilere otomatik bir hatırlatma e-postası gidecek.

Hedef. Etiket, müşterinin belirlenen tahmin penceresi içinde aboneliğini sonlandırıp sonlandırmadığıdır. Gözlem penceresindeki bilgiler kullanılır.

Özellikler. Son kullanım tarihi, kullanım sıklığındaki düşüş, destek taleplerinin artışı, fatura gecikmeleri, kullandığı özellik çeşitliliği.

Model. Önce lojistik regresyonla temel bir sonuç alınır, sonra daha güçlü bir ağaç modeli denenir. Zamana göre ayrılmış bir test döneminde sıralama kalitesi ve en yüksek risk grubunun yakalama oranı karşılaştırılır.

Kullanım. Skor, haftalık olarak yenilenir ve müşteri başarı ekibinin CRM ekranına yüksek riskli müşteri listesi olarak düşer. Ekip aradığı müşterilerin sonuçlarını kaydeder; bu kayıt hem aksiyonun etkisini ölçmeyi hem de gelecekteki modelin eğitimini mümkün kılar.

Canlıya alma, izleme ve etik

Model üretime alındığında iş bitmez. Veri dağılımı zamanla değişir, müşteri davranışı değişir, kampanyalar sonuçları etkiler. Modeli düzenli izleyin: giriş verilerinin dağılımı, skorların dağılımı ve gerçekleşen sonuçlarla örtüşme. Performans düştüğünde modeli yeniden eğitin.

Skorun etkisini ölçmek için kontrol grubu bırakın. Yüksek risk grubuna aksiyon aldığınızda, aksiyon alınmayan benzer bir grupla karşılaştırmazsanız aksiyonun gerçekten işe yarayıp yaramadığını bilemezsiniz.

Etik ve hukuki boyut ihmal edilmemelidir. Skorlamada kullanılan veriler kişisel veri mevzuatına uygun toplanmalı, modelin belirli gruplara karşı sistematik önyargı üretip üretmediği test edilmelidir. Kredi, sigorta veya hizmet erişimini etkileyen skorlarda kararın gerekçesi açıklanabilir olmalıdır. Duyarlı özellikleri modele katarken hukuk ve uyum ekipleriyle çalışın.

Skoru operasyona entegre edin: model bir sunumda kalırsa değer üretmez. Skorun CRM, kampanya aracı ya da müşteri hizmetleri ekranına düzenli olarak akması, sürecin sahibinin belirlenmesi ve ölçülmesi gerekir.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

Yapay Zeka Destekli Müşteri Skorlama programı, skorlama modelini baştan sona kurmak isteyen analistler, veri bilimciler ve CRM ya da pazarlama analitiği ekipleri için uygundur. Modül başlıkları müşteri skorlamasına giriş ve iş değerinden veri hazırlığı ve özellik mühendisliğine, makine öğrenimi ile skorlama modeli geliştirmeden lead skorlama uygulamasına, churn ve yaşam boyu değer skorlamasından model izleme, güncelleme ve etiğe, ölçek ve entegrasyona kadar uzanır.

Müşteri Analitiği Temelleri programı ise müşteri verisi ekosistemi, temel müşteri metrikleri, davranışsal analiz, segmentasyon ve tahminsel analitiğe giriş gibi daha temel konuları işler; skorlamaya geçmeden önce zemin oluşturmak isteyen ekipler için uygundur.

Kurumsal ekipler bu programları birlikte planlayarak analitik temelden üretim entegrasyonuna giden bir yol çizebilir.