Modelling customer churn with private electricity customer data

Abstract

The objective of this thesis is to study customer churn problem in a Finnish electricity company. First, the theory of customer churn, logistic regression, and decision tree methodology is studied and then that information is utilized in building models that could predict customer churn. The methods used to build the models are logistic regression and decision trees. The study is based on the data from a Finnish electricity company. The research questions are what are the features that can be used to identify churning customers and can we predict which customers are likely to leave next. The modelling is done by dividing the data into training and testing datasets with ten times cross validation. Imbalances in the data are treated by removing customers who had been with the company for over five years. The findings suggest that the product category was a common feature that can be used to identify churning customers. It was found that the decision tree model gives better results than the logistic regression. The accuracy of the models is measured with ROC-curve, confusion matrix and F-score.

Tämän pro gradu – tutkielman tavoite on tutkia tutkimaan asiakaspoistumaa suomalaisessa sähköyrityksessä. Ensiksi käydään läpi asiakaspoistuman teoriaa, logistisen regression ja päätöspuumallien metodologiaa ja sitten sitä tietoa hyödynnetään mallien rakentamisessa, jotka voisivat ennustaa asiakaspoistumaa. Mallien rakentamiseen käytetty metodologia on logistinen regressio ja päätöspuut. Tutkimus perustuu dataan suomalaisesta sähköalan yrityksestä. Tutkimuskysymykset ovat mitä ominaisuuksia voidaan käyttää poistuvien asiakkaiden tunnistamiseen ja voimmeko ennustaa mitkä asiakkaat lähtevät todennäköisesti seuraavaksi. Mallinnus tehtiin jakamalla data harjoitus- ja testidataan kymmenenkertaisella ristiinvalidoinnilla. Dataluokkien epätasapainoa vähennettiin poistamalla asiakkaat, jotka olivat olleet asiakkaina yli viisi vuotta. Löydöt osoittavat, että tuotekategorian havaittiin olevan yhteinen ominaisuus, jolla voidaan tunnistaa lähteviä asiakkaita. Löydettiin että päätöspuumalli antoi parempia tuloksia kuin logistinen regressio. Mallien tarkkuutta mitattiin ROC-käyrän, sekaannusmatriisin ja F-pisteiden avulla.