ANALYSIS OF THE CHURN PREDICTION FOR TELECOM CUSTOMERS USING MACHINE LEARNING

Abstract

The objective of this research is to study the trends of customer churn for a telecommunications company using machine learning techniques, comprising six models: (1) Logistic Regression; (2) Naive Bayes; (3) KNN; (4) Decision Tree; (5) Random Forest, and (6) XGBoost. These models are applied using a dataset collected on the behavior of customers from a telecommunications company, totaling 7,043 rows, sourced from an open dataset on https://www.kaggle.com. The researchers aimed to investigate the factors or characteristics indicating customer churn and understand the principles of machine learning for practical application in feature selection to enhance predictive accuracy. The results reveal the top three most influential factors leading to customer churn are Tenure, Total Charges, and Contract. Logistic Regression model yields the highest accuracy, followed by XGBoost, while Decision Tree model performed the least effectively. Researchers intend to utilize the data for resource management, devising marketing strategies, improving services, and developing new products to meet customer demands and enhance competitiveness in the market.

งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาแนวโน้มการขอยกเลิกใช้บริการสำหรับลูกค้าบริษัทโทรคมนาคมโดยใช้เทคนิคการเรียนรู้ของเครื่อง โดยประกอบไปด้วยแบบจำลอง 6 แบบดังนี้ 1. แบบจำลอง Logistic Regression 2. แบบจำลอง Naive Bayes 3. แบบจำลอง KNN 4. แบบจำลอง Decision Tree 5. แบบจำลอง Random Forest และ 6. แบบจำลอง XGBoost โดยใช้ชุดข้อมูลที่เก็บรวบรวมเกี่ยวกับพฤติกรรมของลูกค้าบริษัทโทรคมนาคมแห่งหนึ่ง เพื่อใช้ในการทํานายการยกเลิกใช้บริการของลูกค้า ซึ่งประกอบด้วยข้อมูลทั้งหมด 7,043 แถว จากฐานข้อมูลสาธารณะแบบเปิด https://www.kaggle.com ผู้วิจัยสนใจที่จะศึกษาปัจจัยหรือคุณลักษณะที่บ่งชี้ว่าลูกค้าจะเลิกใช้บริการของบริษัท และศึกษาหลักการการทำงานของการเรียนรู้ด้วยเครื่อง สำหรับการนำมาประยุกต์ใช้ในขั้นตอนการคัดเลือกคุณลักษณะที่ส่งผลต่อการทำนายสูง ผลที่ได้คือปัจจัยที่มีความสำคัญส่งผลถึงการยกเลิกการใช้บริการมากที่สุด 3อันดับ ได้แก่ Tenure, Total Charges และ Contract และแบบจำลอง Logistic Regression ให้ผลลัพธ์ที่ดีที่สุดในแง่ของ Accuracy แบบจำลอง XGBoost มีประสิทธิภาพรองลงมา และแบบจำลอง Decision Tree มีประสิทธิภาพต่ำสุดผู้วิจัยจะนำข้อมูลไปประยุกต์ใช้ในการบริหารจัดการทรัพยากร สร้างกลยุทธ์การตลาด ปรับปรุงการบริการและการสร้างสินค้าใหม่ เพื่อตอบสนองความต้องการของลูกค้าและเพิ่มประสิทธิภาพในการแข่งขันในตลาดต่อไป