Churn Prediction: Çağrı Merkezinde Müşteri Kaybı Tahmini
Bir müşteri gitmeden önce genelde üç iz bırakır. Fatura kalemini sorar. İkinci kez aynı konuda arar. Üçüncü aramada sesi düşer, "boş verin" der ve kapatır. Kimse alarm çalmaz, çünkü hiçbiri şikâyet olarak kaydedilmemiştir.
Ay sonunda o müşteri iptal listesinde görünür ve ekip nedenini tahmin etmeye çalışır. Oysa neden, çağrı kayıtlarının içinde duruyordu. Churn prediction, yani müşteri kaybı tahmini, tam olarak bu işi yapar: kaybı raporlamak yerine, kayıp gerçekleşmeden önce sinyali yakalamak. Aşağıda hangi sinyallerin gerçekten işe yaradığını, skorun nasıl kurulduğunu ve modelin en çok nerede yanıldığını anlatıyorum.
Sinyal nerede saklı?
Çoğu ekip churn modelini demografik verilerle kurmaya çalışıp hayal kırıklığına uğrar. Yaş ve şehir, gitme kararını açıklamıyor. Davranış açıklıyor.
Çağrı merkezi verisinde en çok işe yarayan sinyaller şunlar:
Aynı konunun tekrarı. Bir müşterinin on gün içinde aynı başlıkla ikinci kez araması, tek bir uzun şikâyetten daha güçlü bir sinyal.
Kanal değiştirme. Hep WhatsApp'tan yazan biri birden telefona geçiyorsa, iş ciddileşmiştir.
Kullanım düşüşü. Abonelik ya da hizmet işlerinde en erken sinyal burada; çağrıdan önce gelir.
Ödeme davranışındaki değişiklik. Otomatik ödemeyi kapatmak, gecikmeli ödeme, paket küçültme talebi.
Sözleşme yenileme tarihine yakınlık. Tek başına sinyal değil ama diğerlerinin ağırlığını artırır.
Konuşmadaki karşılaştırma dili. Rakip adı geçmesi ya da "başka yerde şu kadara varmış" cümlesi.
Bir uyarı: ses tonundan duygu çıkarımı, sanıldığı kadar güvenilir değil. Türkçede yükselen ton her zaman öfke anlamına gelmiyor; hattın kalitesi, aksan ve konuşma hızı sonucu bozuyor. Duygu skorunu tek başına karar mekanizması yapmayın, diğer sinyallerin yanına koyun.
Model kurmadan önce cevaplanacak üç soru
Teknik ekip modele koşmadan önce, iş tarafının üç şeyi netleştirmesi gerekiyor. Bu yapılmazsa ortaya çalışan ama kimsenin kullanmadığı bir skor çıkıyor.
Birincisi: "kayıp" ne demek? Aboneliği iptal eden mi, ödemeyi durduran mı, altı ay hiç işlem yapmayan mı? Tanımı yazmadan etiket üretilemez, etiket olmadan model eğitilemez.
İkincisi: tahmin ufku ne kadar? Otuz gün içinde mi, doksan gün içinde mi gidecek? Ufku uzattıkça model rahatlar, aksiyon zayıflar. Kısalttıkça sinyal keskinleşir, müdahale için vakit kalmaz. Bu bir denge kararı ve teknik ekip tek başına veremez.
Üçüncüsü: skor gelince ne yapacaksınız? En sık atlanan soru bu. Yüksek riskli listesi üretiliyor, kimse aramıyor. Aksiyonu tanımlamadan model kurmak, boşa harcanan üç ay demek.
Yanlış alarm meselesi
Churn modellerinin ana zorluğu şudur: gidenler azınlıktır. Aylık kayıp oranınız yüzde 3 ise, model "kimse gitmeyecek" dese yüzde 97 isabet tutturur. Bu yüzden "doğruluk oranı" cümlesi bu işte neredeyse anlamsız.
Asıl bakılacak iki şey var, ve ikisi birbiriyle çelişir. Listeyi genişletirseniz gerçekten gidecek müşterilerin çoğunu yakalarsınız, ama listenin büyük kısmı zaten kalacak insanlardan oluşur — ekip boşa arar, teklif boşa dağıtılır. Listeyi daraltırsanız aradıklarınız isabetli olur, ama gidenlerin çoğunu kaçırırsınız.
Kararı maliyetle verin. Bir müdahalenin maliyeti düşükse (kısa bir arama) geniş liste mantıklı. Müdahale indirim içeriyorsa dar liste tutun — yoksa gitmeyecek müşterilere indirim dağıtıp kendi marjınızı kesersiniz. Bu, churn projelerinin sessizce para kaybettiği en yaygın yer.
Skoru kime, hangi ekranda verirsiniz
Skorun bir rapor sekmesinde durması hiçbir işe yaramaz. Değerli olduğu iki yer var.
Birincisi temsilcinin ekranı: çağrı açıldığında müşterinin risk seviyesi ve son iki temasının başlığı görünüyorsa, temsilci konuşmayı farklı yönetir. Burada dikkat: skorun kendisini değil, gerekçesini gösterin. "Risk: yüksek" cümlesi temsilciye bir şey söylemez; "son 10 günde aynı konuda üçüncü arama" söyler. Bu bağlamın müşteri kaydına düşmesi için CRM tarafındaki alanların çift yönlü çalışması gerekiyor.
İkincisi haftalık operasyon toplantısı: risk skorunun hangi nedenlerle yükseldiğini toplulaştırıp bakmak, tek tek müşteri kurtarmaktan daha çok değer üretiyor. Aynı gerekçe listenin başında tekrar ediyorsa, orada bir süreç arızası vardır — kurtarılacak müşteri değil, düzeltilecek bir akış. Bu toplulaştırmayı analitik ve raporlama tarafında sabit bir görünüm olarak tutmak işe yarıyor.
Model kurmadan da çalışan bir başlangıç
Makine öğrenimi modeline geçmeden önce basit kurallarla başlamak, çoğu KOBİ için daha akıllıca. Üç dört kuralla kurulan bir uyarı listesi, altı ayda kurulan bir modelin işinin büyük kısmını görür ve yarın çalışmaya başlar.
Örnek bir kural seti — rakamlar kurgusal, kendi verinizle kalibre edin: son 30 günde iki veya daha fazla tekrar teması, artı kullanımda belirgin düşüş, artı yenileme tarihine 60 günden az kalması. Üçü birden sağlanıyorsa liste. Bu listeyi bir ay boyunca arayın, sonuçları kaydedin. Modeli sonra kurarsınız; şimdi öğrenmeniz gereken şey, müdahalenin işe yarayıp yaramadığı.
Kaybı henüz gerçekleşmiş müşteriler ise ayrı bir konu; onlar için geri kazanım akışı devreye girer. Karıştırmayın: risk skoru elde tutmaya, geri kazanım geri getirmeye çalışır ve ikisinin konuşma tonu birbirinin tersidir.
Veri tarafında dikkat edilecekler
Bu başlık genel bilgilendirmedir, hukuki değerlendirme için kendi danışmanınıza başvurun. Yine de pratikte üç nokta öne çıkıyor: çağrı kayıtlarından metin üretiyorsanız bu da kişisel veri işleme kapsamına giriyor; skorlama sonucu müşteriye farklı fiyat sunuluyorsa bunun bir gerekçesi ve iç politikası olmalı; kayıtların saklama süresi model eğitimi bahanesiyle uzatılmamalı.
Bir de şeffaflık tarafı: risk skoru müşteriye söylenmez, ama skorun ürettiği aksiyon müşteriye tuhaf gelmemeli. "Neden bana bu teklif geldi" sorusunun makul bir cevabı yoksa, kurgu fazla ileri gitmiştir.
Ne zaman kurmalı, ne zaman değil
Müşteri sayınız az ve her müşteriyi zaten tanıyorsanız skora ihtiyacınız yok; toplantıda konuşarak aynı listeyi çıkarırsınız. Kayıp oranınız çok düşükse model öğrenecek örnek bulamaz. Bir de şu var: müdahale edecek kapasiteniz yoksa, riski bilmek sadece moral bozar.
Buna karşılık binlerce müşteriniz, düzenli çağrı trafiğiniz ve elde tutma için ayrılmış bir bütçeniz varsa, erken sinyal yakalamak yatırımını çıkarır.
AI Agent TR tarafında bu genelde basit kural setiyle başlıyor, üçüncü ayda skora dönüşüyor. Kendi çağrı verinizde hangi sinyallerin çalıştığına birlikte bakmak isterseniz demo talebi bırakın.
Sıkça Sorulan Sorular
Churn tahmini için ne kadar geçmiş veri gerekir?
Kural setiyle başlamak için birkaç aylık temas geçmişi yeter. Model eğitimi için hem yeterli sayıda ayrılmış müşteri hem de temiz bir "ayrıldı" etiketi gerekir; ikincisi genelde birincisinden zor bulunur.
Duygu analizi churn tahmininde ne kadar güvenilir?
Destekleyici bir sinyal olarak faydalı, tek başına karar verdirecek kadar değil. Türkçede ton ve hız kaynaklı yanılma payı yüksek; metin içeriğiyle birlikte okunmalı.
Yüksek riskli müşteriye ne teklif etmeli?
Önce hiçbir şey — sorunun ne olduğunu sorun. Doğrudan indirime geçmek, sorunu çözülmemiş müşteride güveni daha da düşürüyor ve marjı gereksiz yere azaltıyor.
Model kurduk ama kimse listeyi kullanmıyor, ne yapmalı?
Genelde sorun listede değil, sahibinin belirsizliğinde. Listeyi kimin, hangi gün, hangi süre içinde işleyeceğini yazın; işlenmeyen liste birkaç hafta içinde güvenilirliğini kaybediyor.
