Machine Learning and Knowledge Extraction· 2025Q1· Derleme
Müşteri Kaybı Tahmini: Makine Öğrenmesi ve Derin Öğrenmedeki Son Gelişmeler, Eğilimler ve Zorlukların Sistematik Bir İncelemesi
Customer Churn Prediction: A Systematic Review of Recent Advances, Trends, and Challenges in Machine Learning and Deep Learning
- 50atıf
- Q1SCImago
- 2025yıl
Kısa özet
2020-2024 yıllarını kapsayan 240 çalışmanın sistematik bir incelemesi, XGBoost ve LightGBM gibi topluluk ML yöntemlerinin müşteri kaybı tahmini için baskınlığını sürdürdüğünü, LSTM ve CNN gibi DL tekniklerinin ise karmaşık veriler için giderek daha fazla benimsendiğini ortaya koyuyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Topluluk ML yöntemleri (XGBoost, LightGBM) kayıp tahmininde baskındır.
- Derin öğrenme yöntemleri (LSTM, CNN) karmaşık verilere giderek daha fazla uygulanmaktadır.
- Temel zorluklar arasında sınıf dengesizliği, yorumlanabilirlik ve kavram kayması yer almaktadır.
- Kâr odaklı metriklerin sınırlı kullanımı, pratik iş uygulamalarını engellemektedir.
- Açıklanabilir Yapay Zeka ve adaptif öğrenme potansiyel göstermekte ancak gerçek dünya benimsenmesinde sınırlıdır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Background: Customer churn significantly impacts business revenues. Machine Learning (ML) and Deep Learning (DL) methods are increasingly adopted to predict churn, yet a systematic synthesis of recent advancements is lacking. Objectives: This systematic review evaluates ML and DL approaches for churn prediction, identifying trends, challenges, and research gaps from 2020 to 2024. Data Sources: Six databases (Springer, IEEE, Elsevier, MDPI, ACM, Wiley) were searched via Lens.org for studies published between January 2020 and December 2024. Study Eligibility Criteria: Peer-reviewed original studies applying ML/DL techniques for churn prediction were included. Reviews, preprints, and non-peer-reviewed works were excluded. Methods: Screening followed PRISMA 2020 guidelines. A two-phase strategy identified 240 studies for bibliometric analysis and 61 for detailed qualitative synthesis. Results: Ensemble methods (e.g., XGBoost, LightGBM) remain dominant in ML, while DL approaches (e.g., LSTM, CNN) are increasingly applied to complex data. Challenges include class imbalance, interpretability, concept drift, and limited use of profit-oriented metrics. Explainable AI and adaptive learning show potential but limited real-world adoption. Limitations: No formal risk of bias or certainty assessments were conducted. Study heterogeneity prevented meta-analysis. Conclusions: ML and DL methods have matured as key tools for churn prediction, yet gaps remain in interpretability, real-world deployment, and business-aligned evaluation. Systematic Review Registration: Registered retrospectively in OSF.
Yazarların özeti; kaynağından alınmıştır. Machine Learning and Knowledge Extraction, 2025 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
MarketingBusiness, Management and Accounting