A machine learning approach to predict customer churn in the banking sector using CRISP-DM and KNIME analytics

Abstract

Attracting new customers is more expensive than maintaining the existing ones. One way of preventing customers from churning is to develop techniques for predicting their likelihood to churn. This study aims to forecast the customer churn of a multinational bank by using one-month period data, from July 31, 2022, to August 29, 2022. We employed CRISPM-DM, in conjunction with KNIME Analytics, to build several predictive models, i.e., decision tree, random forest, logistic regression, artificial neural networks, support vector machine, and ensemble models to predict customer churn. The results show that the random forest model has the highest performance in accurately predicting the churn of bank clients by its high overall accuracy of 78.91% and AUC score of 85.3%. The decision tree model, with an overall accuracy of 71.55%, and the logistic regression model, with an overall accuracy of 71.3%, are the least-performing predictive models. The findings also show that the customer's historical record with the bank (product_number), credit score, and age have the highest predictive power for customer churn. This study offers valuable insights for financial institutions. Using reliable predictive models, banks may identify potential clients likely to switch to other financial institutions. This identification would allow banks to design innovative marketing strategies and powerful customer relationship management to prevent consumers from churning.

Bankacılık sektöründe yeni müşteri edinmenin maliyeti mevcut müşteriyi elde tutmanın maliyetinde daha fazla olup, bankalar mevcut müşterilerin ayrılmalarını önlemek için ayrılma olasılıklarını önceden tahmin etmeye çalışmakta ve bu potansiyeli taşıyan müşterilerini elde tutmaya yönelik stratejiler geliştirmektedirler. Bu çalışmanın amacı, CRISP-DM ve KNIME Analytics yöntemini birlikte kullanarak, beş farklı makine öğrenimi modeli (karar ağacı, rassal orman, lojistik regresyon, destek vektör makinası, yapay sinr ağları) ile çok uluslu ABC Bankası’nın Ağustos 2022 dönemi verilerini kullanarak bir tahminleme model oluşturmaktır. Elde edilen sonuçlar, rassal orman modelinin bankanın müşteri kaybını tahmin etmekte %78,91 genel doğruluk puanı ile en iyi sonucu verdiğini, karar ağacı ile lojistik regresyon modellerinin ise sırasıyla %71.55 ve %71.3 genel doğruluk puanı ile en düşük performansı gösteren modeller olduğunu göstermiştir. Ayrıca çalışma sonuçları, müşterinin banka ile olan geçmiş ilişkisinin, kredi notunun ve yaşının ayrılma potansiyeli taşıyan müşterileri tespit etmekte en etkin faktörler olduğunu ortaya koymuştur. Bu açılardan çalışma, finansal kuruluşlar için değerli bilgiler sunmaktadır.