- Churn analizi, hangi müşterinin önümüzdeki dönemde alışverişi bırakacağını geçmiş sipariş davranışından tahmin etme işidir; müşteri segmentasyonundan farkı tek bir soruya odaklanmasıdır.
- Abonelik modelinde churn gözlenebilir bir iptal olayıdır; bayi ağında ve e-ticarette müşteri haber vermeden sessizce ayrılır, bu yüzden churn tanımını işletmenin kendisi yazmak zorundadır.
- Çekirdek veri üç sütundur: son sipariş tarihi, sipariş sayısı ve tutar. TÜİK'in 2025 araştırmasına göre girişimlerin yalnızca %12,0'ı CRM yazılımı kullanıyor.
- Belirleyici olan doğruluk değil zamanlamadır: çoktan gitmiş müşteriyi kusursuz isabetle işaretleyen bir modelin ticari değeri sıfırdır.
- Başarı ölçüsü model metriği değil, risk listesine yapılan müdahaleden kurtarılan cirodur.
Churn analizi, mevcut müşteriler arasından hangilerinin yakın gelecekte alışverişi bırakacağını geçmiş davranış verisine bakarak önceden tahmin etme çalışmasıdır. Türkçede "müşteri kaybı analizi" ya da "terk analizi" olarak da geçer. Kritik ayrım şudur: churn analizi geçen çeyrekte kaç müşteri kaybedildiğini raporlamaz; henüz gitmemiş ama gitme yolunda olan müşteriyi bugünün arama listesine düşürür. Raporlama geçmişe, churn analizi önümüzdeki 60 güne bakar.
Bu ayrım işletmeler için doğrudan para demektir. Yeni müşteri arayan bir satış ekibi, sessizce seyrelen mevcut müşteriyi çoğu zaman fark etmez. Abonelik, bayi ve düzenli sipariş modellerinde müşteri kapıyı çarparak gitmez; sipariş aralığı yavaşça uzar, tutar küçülür ve alarmı kimse duymaz.
Churn analizi tam olarak hangi soruyu yanıtlar?
Churn analizi tek bir soruya odaklanır: "Mevcut müşterilerimden hangisi önümüzdeki 60 günde alışverişi bırakacak?" Çıktısı müşteri başına bir risk skoru ve bu skora bağlı bir aksiyon listesidir. Kaç grup müşterim var, hangi gruba hangi teklifi sunmalıyım gibi sorular bu çalışmanın kapsamı dışındadır.
Sınırın net çizilmesi önemlidir, çünkü iki çalışma sık sık birbirine karıştırılır. Müşteri gruplarını davranışa göre ayırmak ve her gruba uygun teklifi kurgulamak ayrı bir disiplindir; bunu yapay zeka ile müşteri segmentasyonu ve satış tahmini yazısında ele almıştık. Segmentasyon "bu müşteri kim" sorusunu, churn analizi "bu müşteri gidiyor mu" sorusunu yanıtlar. Biri portföyü tanımlar, diğeri alarm üretir.
Abonelikte, bayide ve e-ticarette churn nasıl tanımlanır?
Churn tanımı iş modeline göre tamamen değişir ve bu akademik bir ayrıntı değildir. Peter Fader ve Bruce Hardie'nin Journal of Interactive Marketing dergisinde yayımlanan müşteri tabanı analizi modelleri üzerine çalışması, müşteri ilişkilerini sözleşmeli ve sözleşmesiz olmak üzere ikiye ayırır ve bu sınırın aşılamayacağını, sözleşmeli ortam için kurulan bir modelin sözleşmesiz ortamda kullanılmasının tamamen yanlış olduğunu belirtir.
Sözleşmeli ortamda müşteri gittiğini firmaya bildirir; iptal tarihi kayıtlıdır. Sözleşmesiz ortamda ise müşterinin pasifleştiği an firma tarafından hiçbir zaman gözlenmez. Aynı çalışmanın verdiği örnek çarpıcıdır: Amazon "aktif müşteri" tanımını son bir yıl içinde sipariş vermiş kişiler olarak kullanır, ancak 366 gün önce sipariş veren birinin artık müşteri olmadığını ya da 364 gün önce sipariş verenin hâlâ müşteri olduğunu varsaymak için bir gerekçe yoktur. Eşik 9 aya çekilseydi müşteri tabanı küçülmüş görünürdü; gerçek büyüklük ise değişmemiş olurdu. Kesme noktası keyfîdir.
| İş modeli | Churn olayı | Doğrudan gözlenebilir mi? | Pratik tanım |
|---|---|---|---|
| Abonelik, bakım sözleşmesi | İptal veya yenilememe | Evet | Sözleşme bitiş tarihi |
| Bayi, düzenli sipariş | Sipariş ritminin kırılması | Hayır | Müşterinin kendi normaline göre eşik |
| E-ticaret, perakende | Sessizlik | Hayır | Seçilmiş sessizlik eşiği |
| Servis, yedek parça | Periyodik bakımın atlanması | Kısmen | Bakım takviminden sapma |
Sözleşmesiz modelde işletmenin kendi churn tanımını yazması zorunludur. Buradaki en yaygın hata, tüm müşterilere tek bir eşik uygulamaktır. Her hafta sipariş veren bir bayi için 45 günlük sessizlik ciddi bir alarmdır; yılda üç kez alan bir müşteri için aynı süre tamamen normaldir. Eşik, müşterinin kendi geçmiş ritmine göre belirlenmelidir.
Churn tahmini için hangi veri gerekir ve ne kadar geçmiş yeterlidir?
Churn modelinin çekirdek verisi şaşırtıcı ölçüde sadedir: her müşteri için son işlem tarihi, dönem içindeki işlem sayısı ve işlem tutarı. Fader ve Hardie, alanın 1987'de tanıtılan Pareto/NBD modelinde bireysel tahmin için yeterli bilginin yalnızca güncellik ve sıklık olduğunu vurgular; yazarlara göre bu sonuç modelin veri gereksinimini belirgin biçimde basitleştirir.
Pratikte şu alanlar bir araya getirilir: müşteri kimliği, sipariş tarihleri, sipariş tutarları, ürün kategorisi, satış kanalı, ödeme gecikmesi ve varsa destek veya şikâyet kaydı. Anlamlı bir ritim çıkarmak için müşteri başına en az 12 ay, mevsimsellik güçlüyse 24 aylık geçmiş gerekir; toplam iki sipariş vermiş bir müşteri için ritim hesaplanamaz.
Asıl darboğaz Türkiye'de model değil, verinin nerede durduğudur. TÜİK'in Girişimlerde Bilişim Teknolojileri Kullanım Araştırması (11 Eylül 2025, Sayı 54012) sonuçlarına göre girişimlerin %28,3'ü kurumsal kaynak planlaması (ERP) yazılımı kullanırken müşteri ilişkileri yönetimi (CRM) yazılımı kullananların oranı yalnızca %12,0'da kalıyor. 10-49 çalışanı olan girişimlerde CRM oranı %9,9'a iniyor. Yani pek çok işletmede üretim ve stok sistemli biçimde kayıt altındayken müşteri ilişkisi sistemsizdir. Bu tabloda churn analizinin ilk adımı model kurmak değil, sipariş geçmişini tek bir tabloda toplamaktır; hazırlık adımlarını yapay zeka için veri hazırlığı kontrol listesi yazısında maddelemiştik.
Risk skoru nasıl hesaplanır ve neden 60 günlük pencere seçilir?
Risk skoru, bir müşterinin seçilen pencere içinde alışverişi bırakma olasılığını 0 ile 100 arasında ifade eden bir sayıdır. Model, geçmişte gitmiş müşterilerin ayrılmadan önceki davranışını öğrenir ve bugünkü müşterileri bu örüntüye benzerlik derecesine göre puanlar. Başlangıç için gelişmiş bir algoritma şart değildir.
Elle kurulabilecek bir başlangıç skoru dört sinyalden oluşabilir:
| Sinyal | Ne ölçer | Örnek ağırlık |
|---|---|---|
| Sessizlik oranı | Son siparişten geçen süre / normal sipariş aralığı | 40 puan |
| Tutar daralması | Son 3 siparişin ortalaması / önceki 3 siparişin ortalaması | 25 puan |
| Kategori daralması | Alınan ürün çeşidindeki azalma | 20 puan |
| Olumsuz temas | Çözülmemiş şikâyet, iade, ödeme gecikmesi | 15 puan |
Pencere seçimi ticari bir karardır, teknik bir tercih değil. 60 gün, satış ekibinin müdahale etmeye vakit bulabileceği kadar uzun; müşteri henüz rakibe yerleşmemişken yakalanabilecek kadar kısa bir aralıktır. Sipariş döngüsü uzun olan sektörlerde pencere 90 hatta 180 güne çıkarılır. Benzer bir puanlama mantığını gelen talepler için yapay zeka ile lead skorlama yazısında kurmuştuk; fark şudur: orada henüz müşteri olmamış bir aday, burada elde tutulmaya çalışılan mevcut bir müşteri puanlanır.
Model neden doğru değil, zamanında olmalı?
Zamanlama, churn modellerinde doğruluk oranından daha belirleyici bir ölçüttür. Bir müşteri altı ay sessiz kaldıktan sonra onu "gitmiş" diye işaretleyen model neredeyse hatasız çalışır, çünkü kararı olay gerçekleştikten sonra verir. Ticari değeri ise sıfırdır: kurtarılabilecek bir şey kalmamıştır.
Churn modeli bu yüzden iki eksende birden değerlendirilir. Birincisi isabet: işaretlenen müşterilerin gerçekten ne kadarı gidiyor. İkincisi öncülük süresi: alarm, müşteri gitmeden kaç gün önce üretiliyor. Öncülük süresi sıfıra yaklaştıkça modelin isabeti yükselir ama faydası düşer. Pratik kural, bir miktar fazladan yanlış alarmı kabul edip uyarıyı öne çekmektir; yanlış alarmın maliyeti bir telefon görüşmesi, kaçırılan müşterinin maliyeti yıllık cironun bir dilimidir.
Risk skoru hangi otomatik aksiyona bağlanmalı?
Risk skoru bir panoda durduğu sürece işe yaramaz; değeri bağlandığı aksiyondan gelir. Skor üretildiği anda bir görev tetiklenmelidir, aksi hâlde liste haftalık toplantıda okunup unutulur. Otomasyonun görevi karar vermek değil, doğru kişiyi doğru müşteriye doğru gün yönlendirmektir.
Sahada işleyen kurgu genellikle üç kademelidir. Yüksek riskli müşteriler doğrudan bölge sorumlusunun günlük arama listesine düşer. Orta risk grubuna kampanya veya stok hatırlatması gibi otomatik bir temas gönderilir. Düşük riskli müşteriler izlemede bırakılır. Her temasın sonucu sisteme geri yazılır; bu geri bildirim bir sonraki eğitim turunun verisidir ve model ancak bu döngüyle keskinleşir.
Churn çalışmasının başarısı nasıl ölçülür?
Başarı ölçütü kurtarılan cirodur: risk listesine girip müdahale edilen ve sonrasında alışverişe devam eden müşterilerin getirdiği tutar. Ölçümün tek sağlıklı yolu karşılaştırmadır; risk listesindeki müşterilerin küçük bir bölümü bilinçli olarak müdahalesiz bırakılır ve iki grubun sonraki dönem cirosu karşılaştırılır. Aradaki fark, çalışmanın gerçek katkısıdır.
Bu noktada yaygın bir alıntı hatasını düzeltmek gerekir. "Müşteri elde tutma oranını %5 artırmak kârı %25 ile %95 arasında yükseltir" cümlesi Türkçe kaynaklarda sıkça dolaşır. Bain & Company'nin Fred Reichheld imzalı maliyet düşürme üzerine yayınında yazan ifade ise çok daha dardır: finansal hizmetlerde müşteri elde tutma oranındaki %5'lik bir artış, kârda %25'ten fazla artış üretir. Bain'in kendi yayınındaki bulgu tek bir sektöre özgüdür ve %95'lik bir üst sınır içermez. Kendi işletmenizin kazancını hesaplarken bu oranı ithal etmek yerine kendi kurtarılan ciro rakamınızı kullanın; yatırımın geri dönüşünü kurma yöntemini yapay zeka ROI hesaplama yazısında adım adım anlatmıştık.
Konya'da bayi ağı olan bir üretici nereden başlamalı?
Bayi ağı yöneten bir üretici için churn analizi, yeni bir yazılım satın almadan mevcut sipariş kayıtlarıyla başlar. Konya sanayisinde tarım makinesi, otomotiv yan sanayi ve gıda ekipmanı üreten firmaların çoğunda son 24 ayın sipariş verisi ERP içinde zaten durur; eksik olan, bu veriyi müşteri bazında ritme çevirecek katmandır.
Gerçekçi bir başlangıç şöyledir: ilk 30 günde sipariş geçmişi tek tabloya çıkarılır ve her bayi için normal sipariş aralığı hesaplanır. Sonraki 30 günde sessizlik oranına dayalı basit bir skor üretilir ve ilk risk listesi satış ekibine verilir. Son 30 günde aramaların sonucu geri yazılır ve skor kalibre edilir. Bu 90 günlük akışın nasıl kurgulanacağını yapay zeka pilot proje planı yazısında fazlara ayırmıştık. Pilotun sonunda elinizde bir model değil, bir sayı olmalıdır: müdahale edilen listeden kurtarılan ciro.
TecnoNest olarak 90 günlük churn tahmin pilotu ve risk skorunun CRM'e akıtılması üzerine çalışıyoruz; mevcut sipariş verinizle nereden başlanabileceğini konuşmak için iletişime geçebilirsiniz.