<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>Vinctum</title><link>https://vinctum.studio/</link><description>Vinctum is an independent product studio founded by Emir Hüseyin İnci. It writes its own decision and data engines and builds its products on top of them. Its flagship product is Vinctum Aegis, a churn decision system.</description><item><title>Hava tahmini ne kadar doğru? 30 şehirde 7,3 milyon tahmin</title><link>https://vinctum.studio/yazilar/hava-tahmini-ne-kadar-dogru/</link><guid>https://vinctum.studio/yazilar/hava-tahmini-ne-kadar-dogru/</guid><pubDate>Mon, 02 Nov 2026 00:00:00 GMT</pubDate><description>7.358.400 arşiv tahminini 30 Türkiye şehrinde ücretsiz tahminle karşılaştırdık. Sekiz şehirde saatlik yağmur tahmini "yağmur yağmaz" demeyi hiçbir günde geçemedi.</description><content:encoded>Hava tahmininin ne kadar işe yaradığı şehre ve soruya göre değişir. 30 Türkiye şehrinde 7.358.400 arşiv tahminini ücretsiz bir tahminle karşılaştırdık. Saatlik yağmur tahmini Rize'de 5,74 gün boyunca işe yaradı. Ankara, Konya ve Kayseri'nin de aralarında olduğu sekiz şehirde ise 1-7 günün hiçbirinde "yağmur yağmaz" demeyi geçemedi.

#### Neyi ölçtük?

Bir tahminin iyi olup olmadığı, neyle karşılaştırıldığına bağlıdır. Biz her tahmini, hiçbir model gerektirmeyen bir rakiple karşılaştırdık. Yağmurda rakip "yağmur yağmaz" cümlesi, sıcaklıkta "yarın da bugünkü gibi olur" cümlesi.

Güven ufku, tahminin bu ücretsiz rakibi geçmeyi bıraktığı gündür. Beceri = 1 − tahminin ortalama hatası / rakibin ortalama hatası. Beceri sıfırın altına indiğinde tahmin, rakipten kötü demektir. Ölçüm iki yılı ve 1-7 gün öncesini kapsar.

#### Ana sonuçlar

- Sekiz şehirde yağmur tahmini ölçülen tüm günlerde rakibin gerisinde kaldı: Ankara, Konya, Kayseri, Eskişehir, Denizli, Isparta, Kars ve Van.
- En uzun yağmur ufku Rize'de: 5,74 gün.
- Sıcaklık tahmini iki şehirde dünü geçemedi: Antalya ve Mersin.
- Trabzon'da sıcaklık tahmini, arşivdeki son gün olan 7. günde bile önde.
- Ankara'da sıcaklık ufku 5,92 gün, yağmur ufku sıfır. Aynı şehirde cevap, sorulan soruya göre değişiyor.

#### Kurak şehirde yağmur tahmini neden geride kalıyor?

Ankara'da yaklaşık yirmi saatin birinde yağmur yağıyor. Bu yüzden "yağmur yağmaz" demek zamanın yaklaşık %95'inde doğru çıkıyor. Tahminin bu çıtayı geçmesi için, boşa yaptığı yağmur uyarılarını karşılayacak kadar gerçek yağmur yakalaması gerekir. Sonuç, modelin kötü olduğunu söylemez. Ücretsiz tahminin o şehirde ne kadar güçlü olduğunu söyler.

#### 30 şehrin tablosu

Şehir | Yağmur ufku (gün) | %95 aralık | Sıcaklık ufku (gün) | %95 aralık
Ankara | 0,00 | 0,00-1,00 | 5,92 | 5,58-6,26
Denizli | 0,00 | 0,00-1,29 | 4,27 | 4,11-4,44
Eskişehir | 0,00 | 0,00-1,32 | 6,25 | 5,88-6,64
Isparta | 0,00 | 0,00-0,00 | 4,23 | 4,11-4,34
Kars | 0,00 | 0,00-0,00 | 4,35 | 3,74-4,91
Kayseri | 0,00 | 0,00-1,21 | 4,97 | 4,62-5,35
Konya | 0,00 | 0,00-1,37 | 6,13 | 5,88-6,31
Van | 0,00 | 0,00-1,41 | 4,15 | 3,88-4,32
Şanlıurfa | 1,18 | 0,00-2,47 | 5,99 | 5,55-6,21
Erzurum | 1,39 | 0,00-2,25 | 3,97 | 3,32-5,43
Diyarbakır | 1,72 | 0,00-2,84 | 5,02 | 4,51-5,52
Mersin | 1,75 | 0,00-3,71 | 0,00 | 0,00-2,33
Sivas | 1,81 | 0,00-2,91 | 5,55 | 5,15-5,97
Balıkesir | 2,03 | 1,30-2,70 | 5,50 | 5,08-5,94
Çanakkale | 2,22 | 1,66-2,89 | 5,68 | 5,08-7,00
Antalya | 2,28 | 0,00-4,18 | 0,00 | 0,00-0,00
Tokat | 2,63 | 1,52-3,40 | 5,77 | 5,34-6,31
Gaziantep | 2,64 | 1,44-3,71 | 6,17 | 5,80-6,51
Aydın | 2,71 | 1,84-3,42 | 4,16 | 4,04-4,28
Malatya | 2,71 | 1,80-4,09 | 4,80 | 4,56-5,09
İstanbul | 2,82 | 1,78-3,59 | 5,51 | 4,99-6,13
İzmir | 2,86 | 1,72-4,11 | 5,73 | 5,39-6,50
Samsun | 3,18 | 1,96-3,57 | 4,72 | 4,51-4,96
Adana | 3,36 | 1,45-4,06 | 4,97 | 4,69-5,40
Bursa | 3,43 | 2,89-3,99 | 5,98 | 5,62-6,55
Zonguldak | 4,40 | 3,90-4,90 | 4,84 | 4,69-5,01
Trabzon | 4,45 | 3,95-4,88 | 7,00 | 5,75-7,00
Ordu | 4,59 | 4,14-5,06 | 4,90 | 4,74-5,19
Muğla | 5,61 | 4,55-6,55 | 4,50 | 4,35-4,66
Rize | 5,74 | 5,11-6,71 | 4,17 | 4,06-4,28

7,00, arşivin son günüdür; ölçüm orada biter, gerçek ufuk daha uzun olabilir. 0,00 ölçülen tüm günlerde rakibin gerisinde kalındığını gösterir. Aralığı 0,00-0,00 olmayan şehirlerde "kesinlikle hiç geçemez" diyemeyiz.

#### Bu ölçüm neyi göstermez?

- Hangi hava uygulamasının daha iyi olduğunu göstermez. Uygulamaları tek tek test etmedik.
- Gerçek yağmur ölçer verisi kullanmaz. Doğru kabul edilen değer ERA5 yeniden analizidir, yani o da bir modeldir.
- Şehrin her noktasını temsil etmez. Her şehir tek ızgara noktasıyla ölçüldü, yağmur ise yereldir.
- Modelin genel kalitesini ölçmez. Soru yalnızca saatlik düzeyde, yağmur yağıp yağmayacağıdır.

#### Tahmini nasıl okumalısınız?

1. Kurak bir şehirdeyseniz saatlik yağmur simgesine tek başına güvenmeyin. Yakın saatleri ve yağış olasılığını birlikte okuyun.
2. Sıcaklık tahmini çoğu şehirde daha uzun süre işe yarar. Yağmur ve sıcaklık için aynı güveni beklemeyin.
3. Bir tahmin sisteminin başarısını her zaman ücretsiz bir rakiple karşılaştırın.

#### Kaynaklar

- ForecastEdge: kaynak kod, yöntem ve şehir sonuçları: https://github.com/vinctum-studio/forecastedge
- Şehir sonuçları (results.json): https://github.com/vinctum-studio/forecastedge/blob/main/data/results.json</content:encoded></item><item><title>How accurate are weather forecasts? 7.3M forecasts, 30 cities</title><link>https://vinctum.studio/en/writing/how-accurate-are-weather-forecasts-turkey/</link><guid>https://vinctum.studio/en/writing/how-accurate-are-weather-forecasts-turkey/</guid><pubDate>Mon, 02 Nov 2026 00:00:00 GMT</pubDate><description>We scored 7,358,400 archived forecasts in 30 Turkish cities against a free guess. In eight cities the hourly rain forecast never beat "it will not rain".</description><content:encoded>How useful a weather forecast is depends on the city and the question. We scored 7,358,400 archived forecasts in 30 Turkish cities against a free guess. The hourly rain forecast stayed useful for 5.74 days in Rize. In eight cities, including Ankara, Konya and Kayseri, it never beat "it will not rain" at any lead from 1 to 7 days.

#### What we measured

Whether a forecast is good depends on what it is compared with. We scored each forecast against a competitor that needs no model. For rain the competitor is "it will not rain". For temperature it is "tomorrow will be like today".

The trust horizon is the lead time at which a forecast stops beating that free competitor. Skill = 1 − forecast mean error / competitor mean error. Below zero, the forecast is worse than the competitor. The study covers two years and leads of 1 to 7 days.

#### Main results

- In eight cities the rain forecast scored below the competitor at every measured lead: Ankara, Konya, Kayseri, Eskişehir, Denizli, Isparta, Kars and Van.
- The longest rain horizon is in Rize: 5.74 days.
- In two cities the temperature forecast never beat yesterday: Antalya and Mersin.
- In Trabzon the temperature forecast is still ahead at day 7, the last lead in the archive.
- Ankara's temperature horizon is 5.92 days and its rain horizon is zero. In one city, the answer changes with the question.

#### Why rain forecasts fall behind in dry cities

It rains in Ankara about one hour in twenty, so "it will not rain" is right roughly 95% of the time. To clear that bar, a forecast must catch enough real rain to pay for its false alarms. The result does not say the model is bad. It says how strong the free guess already is in that city.

#### All 30 cities

City | Rain horizon (days) | 95% interval | Temperature horizon (days) | 95% interval
Ankara | 0.00 | 0.00-1.00 | 5.92 | 5.58-6.26
Denizli | 0.00 | 0.00-1.29 | 4.27 | 4.11-4.44
Eskişehir | 0.00 | 0.00-1.32 | 6.25 | 5.88-6.64
Isparta | 0.00 | 0.00-0.00 | 4.23 | 4.11-4.34
Kars | 0.00 | 0.00-0.00 | 4.35 | 3.74-4.91
Kayseri | 0.00 | 0.00-1.21 | 4.97 | 4.62-5.35
Konya | 0.00 | 0.00-1.37 | 6.13 | 5.88-6.31
Van | 0.00 | 0.00-1.41 | 4.15 | 3.88-4.32
Şanlıurfa | 1.18 | 0.00-2.47 | 5.99 | 5.55-6.21
Erzurum | 1.39 | 0.00-2.25 | 3.97 | 3.32-5.43
Diyarbakır | 1.72 | 0.00-2.84 | 5.02 | 4.51-5.52
Mersin | 1.75 | 0.00-3.71 | 0.00 | 0.00-2.33
Sivas | 1.81 | 0.00-2.91 | 5.55 | 5.15-5.97
Balıkesir | 2.03 | 1.30-2.70 | 5.50 | 5.08-5.94
Çanakkale | 2.22 | 1.66-2.89 | 5.68 | 5.08-7.00
Antalya | 2.28 | 0.00-4.18 | 0.00 | 0.00-0.00
Tokat | 2.63 | 1.52-3.40 | 5.77 | 5.34-6.31
Gaziantep | 2.64 | 1.44-3.71 | 6.17 | 5.80-6.51
Aydın | 2.71 | 1.84-3.42 | 4.16 | 4.04-4.28
Malatya | 2.71 | 1.80-4.09 | 4.80 | 4.56-5.09
İstanbul | 2.82 | 1.78-3.59 | 5.51 | 4.99-6.13
İzmir | 2.86 | 1.72-4.11 | 5.73 | 5.39-6.50
Samsun | 3.18 | 1.96-3.57 | 4.72 | 4.51-4.96
Adana | 3.36 | 1.45-4.06 | 4.97 | 4.69-5.40
Bursa | 3.43 | 2.89-3.99 | 5.98 | 5.62-6.55
Zonguldak | 4.40 | 3.90-4.90 | 4.84 | 4.69-5.01
Trabzon | 4.45 | 3.95-4.88 | 7.00 | 5.75-7.00
Ordu | 4.59 | 4.14-5.06 | 4.90 | 4.74-5.19
Muğla | 5.61 | 4.55-6.55 | 4.50 | 4.35-4.66
Rize | 5.74 | 5.11-6.71 | 4.17 | 4.06-4.28

7.00 is the archive's last lead; measurement stops there and the true horizon may be longer. 0.00 means the forecast scored below the competitor at every measured lead. Where the interval is not 0.00-0.00, "can never win" is not a claim we can make.

#### What this does not show

- It does not rank weather apps. We did not test apps one by one.
- It does not use rain gauges. The reference truth is ERA5 reanalysis, which is also a model.
- It does not represent every part of a city. Each city is one grid point, and rain is local.
- It does not measure overall model quality. The question is only whether it rains in a given hour.

#### How to read a forecast

1. In a dry city, do not rely on the hourly rain icon alone. Read nearby hours and the probability together.
2. Temperature forecasts stay useful longer in most cities. Do not expect the same trust for rain.
3. Always score a forecasting system against a free competitor.

#### Sources

- ForecastEdge: source code, method and city results: https://github.com/vinctum-studio/forecastedge
- City results (results.json): https://github.com/vinctum-studio/forecastedge/blob/main/data/results.json</content:encoded></item><item><title>Churn oranı nedir, nasıl hesaplanır? Formül ve örnekler</title><link>https://vinctum.studio/yazilar/churn-orani-nasil-hesaplanir/</link><guid>https://vinctum.studio/yazilar/churn-orani-nasil-hesaplanir/</guid><pubDate>Mon, 02 Nov 2026 00:00:00 GMT</pubDate><description>Churn oranı, bir dönemde kaybedilen müşterilerin dönem başındaki müşterilere oranıdır. Müşteri ve gelir churn'ü formülleri, yıllığa çevirme ve sık yapılan hatalar.</description><content:encoded>Churn oranı, bir dönemde kaybedilen müşteri sayısının dönem başındaki müşteri sayısına oranıdır. Formül: churn oranı = dönemde ayrılan müşteri / dönem başındaki müşteri × 100. Ay başında 1.000 müşteriniz varsa ve bunların 50'si ay içinde ayrıldıysa aylık churn oranınız %5'tir.

#### Müşteri churn oranı

Müşteri churn oranı = dönemde ayrılan müşteri / dönem başındaki müşteri × 100

Dönem içinde yeni gelen müşteriler bu hesaba girmez. Ay içinde 200 yeni müşteri kazanmanız, 1.000 müşteriden 50'sini kaybettiğiniz gerçeğini değiştirmez.

Gerçek veriden örnek: IBM Telco verisinde 7.043 müşterinin 1.869'u ayrılmış olarak işaretli. 1.869 / 7.043 = %26,5. Bu veri tek bir kesittir, bu yüzden sonuç aylık oran gibi okunmamalıdır.

#### Gelir churn oranı

Müşteri sayısı her müşteriye aynı ağırlığı verir. Gelir churn'ü ise kaybedilen parayı gösterir. Aşağıdaki sayılar örnektir.

Kalem | Tutar
Dönem başı aylık yinelenen gelir | 100.000
Ayrılan müşterilerden kayıp | 8.000
Paket düşürmelerden kayıp | 2.000
Mevcut müşterilerden ek gelir | 3.000
Brüt gelir churn'ü | %10
Net gelir churn'ü | %7

Brüt gelir churn'ü = (kayıp + düşüş) / dönem başı gelir × 100
Net gelir churn'ü = (kayıp + düşüş − ek gelir) / dönem başı gelir × 100

#### Aylık oranı yıllığa çevirme

Aylık oranı 12 ile çarpmak yanlıştır, çünkü her ay kalan daha küçük bir müşteri grubu üzerinden kayıp yaşanır. Sabit oran varsayımıyla doğru hesap şudur:

Yıllık churn = 1 − (1 − aylık churn)^12
1 − (1 − 0,05)^12 = %46

Aylık %5, yılda %60 değil, yaklaşık %46 eder.

#### Sık yapılan hatalar

- Dönem içinde gelen yeni müşterileri paydaya eklemek. Oran olduğundan düşük görünür.
- "Ayrıldı" tanımını yazmamak. Sözleşmesiz işlerde kaç gün işlem yapmayan müşterinin ayrılmış sayılacağı önceden belirlenmelidir.
- Aylık ve yıllık oranları karşılaştırmak.
- Tek bir ortalamaya bakmak. Yeni ve eski müşterilerin oranları çok farklı olabilir.
- Başka sektörün oranını hedef almak. Her iş için geçerli tek bir "iyi churn oranı" yoktur.

#### Oranı bildikten sonra ne yapmalı?

Churn oranı ne kadar kaybettiğinizi söyler, kime ne yapacağınızı söylemez. Bunun için müşteri düzeyinde risk, müşteri değeri, müdahale maliyeti ve müdahalenin etkisi gerekir.

#### Kaynaklar

- IBM Telco Customer Churn verisi: https://github.com/IBM/telco-customer-churn-on-icp4d</content:encoded></item><item><title>Yüksek AUC karar demek değil: beş churn verisiyle test</title><link>https://vinctum.studio/yazilar/yuksek-auc-karar-demek-degil/</link><guid>https://vinctum.studio/yazilar/yuksek-auc-karar-demek-degil/</guid><pubDate>Mon, 02 Nov 2026 00:00:00 GMT</pubDate><description>Vinctum Aegis'i beş herkese açık churn verisinde çalıştırdık. Dört veride AUC 0,76-0,93 arasındaydı, müdahale kararı çıkmadı. Sebep kararın girdilerindeydi.</description><content:encoded>Yüksek AUC, modelin müşterileri riske göre iyi sıraladığını gösterir; kime para harcanacağını göstermez. Vinctum Aegis'i beş herkese açık veride çalıştırdık. Sabit müşteri değeri varsaydığımız dört veride AUC 0,763 ile 0,932 arasındaydı, ama hiçbir müşteri için "müdahale et" kararı çıkmadı.

#### Ne ölçtük?

Her veriyi ürünün aynı yolundan geçirdik. Test payı verinin %25'i, rastgele ve katmanlı ayrıldı. Karar yalnızca henüz ayrılmamış müşteriler için üretildi.

Veri | Satır | AUC (%95 aralık) | Karar verilen | Müdahale et | İncele | Aylık değer
IBM Telco (kontrol) | 7.043 | 0,845 (0,825-0,863) | 5.174 | 549 | 439 | Veride var
Banka müşterileri | 10.000 | 0,763 (0,739-0,786) | 7.963 | 0 | 8 | 30, varsayım
Kredi kartı | 10.127 | 0,931 (0,919-0,943) | 8.500 | 0 | 0 | 20, varsayım
İran telekom | 3.150 | 0,932 (0,910-0,952) | 2.655 | 0 | 0 | 20, varsayım
E-ticaret | 3.941 | 0,902 (0,875-0,925) | 3.267 | 0 | 67 | 40, varsayım

Eylem varsayımları (maliyet / başarı oranı): 15 / 0,22, 30 / 0,30, 45 / 0,38. Değerler her verinin kendi para biriminde ya da birimsizdir, veriler arasında karşılaştırılmaz.

#### Neden sıfır çıktı?

Sade hâliyle beklenen değer = korunacak değer × risk × müdahalenin etkisi − maliyet. Motor buna marj, 12 aylık ufuk ve indirgeme de ekler; bu yüzden net değer bu sade formülle birebir çıkmaz.

Banka verisindeki en riskli müşteriye bakalım: risk %89,5, varsayılan değer ayda 30. En uygun eylemin net değeri yalnızca 1,95 çıktı. Harcamayı taşıyacak kadar değer yok. Karar "müdahale et" değil, "incele" oldu.

#### Değer sütunu değişince ne oldu?

Aynı verileri, değer olarak bir para sütunu gösterip yeniden çalıştırdık. Bu sütunlar gerçek müşteri kârı değildir; yalnızca kararın bu girdiye ne kadar duyarlı olduğunu gösterir.

Veri | Değer sütunu | AUC | Müdahale et
Banka | Sabit 30 | 0,763 | 0
Banka | Bakiye | 0,758 | 2.405
Banka | Tahmini maaş | 0,779 | 3.599
Kredi kartı | Sabit 20 | 0,931 | 0
Kredi kartı | Yıllık harcama | 0,899 | 1.032
E-ticaret | Sabit 40 | 0,902 | 0
E-ticaret | Nakit iade tutarı | 0,863 | 439

Kredi kartı ve e-ticarette AUC düştü, müdahale kararı sayısı ise sıfırdan yükseldi. Bu testte kararı model başarısından çok değer girdisi değiştirdi.

#### Bu test neyi göstermez?

- Müdahalelerin müşteriyi gerçekten tuttuğunu göstermez. Etki oranları varsayımdır.
- Müdahale sayılarının doğru olduğunu göstermez. Bakiye ya da maaş, bankanın o müşteriden kazandığı para değildir.
- Nedensel etkiyi ölçmez. Bunun için rastgele kontrol grubu gerekir, bu verilerde yoktur.
- Zaman içindeki kaymayı ölçmez. Ayrım rastgeleydi, çünkü bu verilerde müşterileri sıralayacak bir başlangıç tarihi yoktu.

#### Siz ne yapmalısınız?

1. Model raporunda AUC'nin yanına kararı koyun: kaç müşteriye, hangi maliyetle?
2. Müşteri değerini veriden alın, tek sayı varsaymayın. Mümkünse ciro değil marj kullanın.
3. Müdahale etkisini rastgele kontrol grubuyla ölçün.

İran ve e-ticaret verisinde kimlik sütunu yoktu, satır numarası ekledik. E-ticarette nakit iade tutarını iki ondalığa yuvarladık. Kredi kartı verisinde iki hazır tahmin sütununu modele sokmadık.

#### Kaynaklar

- IBM Telco Customer Churn: https://github.com/IBM/telco-customer-churn-on-icp4d
- Banka: Kaggle Churn Modelling, GitHub kopyası (sameerkatija/MachineLearningNotes): https://github.com/sameerkatija/MachineLearningNotes
- Kredi kartı: BankChurners, GitHub kopyası (amejiasp/kaggle): https://github.com/amejiasp/kaggle
- İran telekom: UCI Machine Learning Repository, veri 563: https://archive.ics.uci.edu/dataset/563
- E-ticaret: Kaggle e-ticaret churn verisi, GitHub kopyası (Camila20197): https://github.com/Camila20197/S11-25-Equipo-70-DataScience</content:encoded></item><item><title>High AUC is not a decision: one churn system, five datasets</title><link>https://vinctum.studio/en/writing/high-auc-is-not-a-decision/</link><guid>https://vinctum.studio/en/writing/high-auc-is-not-a-decision/</guid><pubDate>Mon, 02 Nov 2026 00:00:00 GMT</pubDate><description>We ran Vinctum Aegis on five public churn datasets. On four, AUC was 0.76-0.93 and no customer got an intervene decision. The cause sat in the decision's inputs.</description><content:encoded>A high AUC shows that a model ranks customers well by risk. It does not show who to spend money on. We ran Vinctum Aegis on five public datasets. On the four where we assumed one fixed customer value, AUC ranged from 0.763 to 0.932, yet no customer received an "intervene" decision.

#### What we measured

Every dataset went through the same product path. The test share was 25% of the data, split at random and stratified. Decisions were produced only for customers who had not yet left.

Dataset | Rows | AUC (95% interval) | Decided | Intervene | Review | Monthly value
IBM Telco (control) | 7,043 | 0.845 (0.825-0.863) | 5,174 | 549 | 439 | In the data
Bank customers | 10,000 | 0.763 (0.739-0.786) | 7,963 | 0 | 8 | 30, assumed
Credit card | 10,127 | 0.931 (0.919-0.943) | 8,500 | 0 | 0 | 20, assumed
Iranian telecom | 3,150 | 0.932 (0.910-0.952) | 2,655 | 0 | 0 | 20, assumed
E-commerce | 3,941 | 0.902 (0.875-0.925) | 3,267 | 0 | 67 | 40, assumed

Action assumptions (cost / success rate): 15 / 0.22, 30 / 0.30, 45 / 0.38. Values are in each dataset's own currency or unitless and are not comparable across datasets.

#### Why zero?

In simple form, expected value = protected value × risk × intervention effect − cost. The engine also applies margin, a 12-month horizon and discounting, so its net value does not match this simple formula exactly.

Take the riskiest customer in the bank data: 89.5% risk, an assumed value of 30 a month. The best action's net value was only 1.95. There is not enough value to carry the spend. The decision was "review", not "intervene".

#### What happened when the value column changed

We reran the same data with a money column declared as the value. These columns are not real customer profit. They only show how sensitive the decision is to this input.

Dataset | Value column | AUC | Intervene
Bank | Fixed 30 | 0.763 | 0
Bank | Balance | 0.758 | 2,405
Bank | Estimated salary | 0.779 | 3,599
Credit card | Fixed 20 | 0.931 | 0
Credit card | Annual spend | 0.899 | 1,032
E-commerce | Fixed 40 | 0.902 | 0
E-commerce | Cashback amount | 0.863 | 439

On credit card and e-commerce, AUC fell while intervene decisions rose from zero. In this test, the value input moved the decision more than model performance did.

#### What this test does not show

- It does not show that interventions keep customers. The effect rates are assumptions.
- It does not show that the intervention counts are right. A balance or salary is not what the bank earns from that customer.
- It does not measure causal effect. That needs a randomised control group, which these datasets lack.
- It does not measure drift over time. The split was random because these datasets had no start date to order customers by.

#### What to do

1. Put the decision next to AUC in the model report: how many customers, at what cost?
2. Take customer value from the data instead of assuming one number. Use margin rather than revenue where you can.
3. Measure intervention effect with a randomised control group.

The Iranian and e-commerce data had no ID column, so we added row numbers. We rounded the e-commerce cashback amount to two decimals. In the credit card data we kept two ready-made prediction columns out of the model.

#### Sources

- IBM Telco Customer Churn: https://github.com/IBM/telco-customer-churn-on-icp4d
- Bank: Kaggle Churn Modelling, GitHub copy (sameerkatija/MachineLearningNotes): https://github.com/sameerkatija/MachineLearningNotes
- Credit card: BankChurners, GitHub copy (amejiasp/kaggle): https://github.com/amejiasp/kaggle
- Iranian telecom: UCI Machine Learning Repository, dataset 563: https://archive.ics.uci.edu/dataset/563
- E-commerce: Kaggle e-commerce churn data, GitHub copy (Camila20197): https://github.com/Camila20197/S11-25-Equipo-70-DataScience</content:encoded></item><item><title>Churn tahmini karar değildir: risk skorundan müdahale kararına</title><link>https://vinctum.studio/yazilar/churn-tahmini-ve-churn-karari/</link><guid>https://vinctum.studio/yazilar/churn-tahmini-ve-churn-karari/</guid><pubDate>Sun, 04 Oct 2026 00:00:00 GMT</pubDate><description>Bir churn modeli kimin gideceğini söyler, kime ne kadar harcayacağınızı söylemez. Aynı %78 riskin iki müşteride neden iki farklı karar olduğunu örnekle anlatıyoruz.</description><content:encoded>Churn tahmini, bir müşterinin ayrılma olasılığıdır. Churn kararı ise o müşteriye müdahale edip etmeyeceğinize, hangi müdahaleyle ve ne kadar harcayarak karar vermektir. Karar için risk tek başına yetmez: müşterinin değeri, müdahalenin maliyeti ve müdahalenin gerçek etkisi de gerekir.

#### Skor nerede durur?

Tipik bir churn panelinde müşteriler riske göre sıralanır ve en riskli dilime aynı teklif gönderilir: çoğu zaman bir indirim. Bu iki yerden para kaybettirir.

- Zaten kalacak olan müşteriye de indirim gider. Teklif, davranışı değiştirmediği yerde sadece maliyettir.
- Değeri düşük müşteri için, kurtarılacak gelirden fazlası harcanır. Risk yüksek diye her müşteri kurtarılmaya değmez.

Model doğru çalışıyor olabilir. Sorun, olasılığın kendisinin bir eylem söylememesidir.

#### Aynı %78, iki farklı karar

İki müşteri düşünelim. İkisinin de kayıp riski %78. Biri ayda ₺400, diğeri ayda ₺20 ödüyor. Üç müdahale seçeneği var: hatırlatma e-postası (₺10), kişisel temas (₺150) ve üç ay %40 indirim (aylık değerin 1,2 katı). Her müdahalenin beklenen değeri şöyle hesaplanır: risk × müdahalenin etkisi × 12 aylık değer − maliyet.

Müdahale | Müşteri A (₺400/ay) | Müşteri B (₺20/ay)
Hatırlatma e-postası | +₺140 | −₺3
Kişisel temas | +₺786 | −₺103
3 ay %40 indirim | −₺31 | −₺2
Karar | Kişisel temas | Kaybı kabul et

Etki ve maliyetler temsili varsayımdır: e-posta riski %4, kişisel temas %25, indirim %12 düşürür. Gerçek etki ancak kontrol gruplu ölçümle bilinir.

Müşteri A için en pahalı seçenek olan indirim bile en iyisi değil: daha ucuz bir kişisel temas daha fazla değer koruyor. Müşteri B için ise hiçbir müdahale maliyetini karşılamıyor. Bu müşteriye para harcamak, kaybetmekten daha pahalı.

#### Karar için gereken dört girdi

1. Kalibre risk: model %78 diyorsa, bu müşterilerin gerçekten yaklaşık %78'i gitmeli.
2. Müşteri değeri: korunacak gelir ya da tercihen marj. Uzun vadeli değer, sermaye maliyetiyle (WACC) bugüne indirgenir.
3. Müdahale maliyeti: doğrudan maliyet artı indirim gibi vazgeçilen gelir.
4. Müdahalenin etkisi (uplift): bu müdahale, bu tür müşteride riski ne kadar düşürüyor?

#### Kalibrasyon neden bu kadar önemli?

Beklenen değer riskle doğru orantılıdır. Model %78 dediği müşterilerin aslında %50'si gidiyorsa, her müdahalenin beklenen faydası %56 şişik hesaplanır. Sonuç: kâr etmeyen müdahaleler kârlı görünür ve bütçe yanlış yere gider. Bu yüzden olasılıklar ham model çıktısı olarak değil, ölçülerek ayarlanmış hâlleriyle kullanılmalıdır.

#### Pratikte nereden başlanır?

Müşteri düzeyinde tek bir tablo yeterli: müşteri anahtarı, kayıp sonucu ve gözlem penceresi. Geçmiş kampanya kayıtları varsa müdahale etkisi de modellenebilir. Doğrudan kimlik bilgisi gerekmez. Ardından kararlar, mevcut yaklaşımla aynı dönemde ve bir kontrol grubuyla karşılaştırılır.

Vinctum Aegis bu akışı uçtan uca yapar: kalibre risk, gerekçe, beklenen değer ve karar kaydı. Aynı hesabı kendi değerlerinizle /aegis sayfasındaki simülatörde deneyebilirsiniz.</content:encoded></item><item><title>Müşteri tutma müdahalesinin beklenen değeri nasıl hesaplanır?</title><link>https://vinctum.studio/yazilar/musteri-tutma-mudahalesinin-beklenen-degeri/</link><guid>https://vinctum.studio/yazilar/musteri-tutma-mudahalesinin-beklenen-degeri/</guid><pubDate>Sun, 04 Oct 2026 00:00:00 GMT</pubDate><description>Bir indirimin ya da aramanın para kazandırıp kazandırmadığını tek formülle hesaplayın: risk × etki × korunacak değer − maliyet. Örnek hesap ve sık yapılan hatalar.</description><content:encoded>Bir müşteri tutma müdahalesinin beklenen değeri = kayıp riski × müdahalenin riski düşürme etkisi × korunacak değer − müdahalenin maliyeti. Sonuç pozitifse müdahale ortalamada para kazandırır, negatifse kaybettirir. En pahalı müdahale çoğu zaman en iyisi değildir.

#### Formüldeki dört terim

- Risk: müşterinin gözlem penceresinde ayrılma olasılığı. Kalibre edilmiş olmalı.
- Etki: müdahalenin bu riski düşürdüğü pay. Örneğin %25 etki, %78 riski %58,5'e indirir. Bu sayı varsayılmamalı, ölçülmeli (uplift).
- Korunacak değer: müşteri kalırsa elde tutulan değer. Örneklerde 12 aylık gelir kullanıyoruz; gerçekte marj ve sermaye maliyetiyle indirgenmiş yaşam boyu değer daha doğrudur.
- Maliyet: müdahalenin doğrudan maliyeti. İndirimde maliyet, vazgeçilen gelirdir.

#### Örnek hesap

Kayıp riski %78, aylık değeri ₺400 olan bir müşteri. 12 aylık korunacak değer ₺4.800.

Müdahale | Hesap | Beklenen değer
Hatırlatma e-postası | 0,78 × 0,04 × 4.800 − 10 | +₺140
Kişisel temas | 0,78 × 0,25 × 4.800 − 150 | +₺786
3 ay %40 indirim | 0,78 × 0,12 × 4.800 − 480 | −₺31

Etki ve maliyetler temsili varsayımdır. Hesap, Vinctum Aegis demosundaki kuralla aynıdır.

Sezgiye ters olan sonuç: en pahalı müdahale olan indirim zarar ettiriyor, ucuz bir kişisel temas en fazla değeri koruyor.

#### İndirim ne zaman kâr ettirir?

Bu varsayımlarda indirimin maliyeti aylık değerin 1,2 katı, etkisi %12. Beklenen değer = aylık değer × (12 × risk × 0,12 − 1,2). Bu ifade yalnızca risk %83'ün üzerindeyse pozitif olur. İlginç olan, eşiğin müşterinin değerinden bağımsız olması: maliyet de değerle birlikte büyüdüğü için, pahalı müşteriye indirim vermek bu eşiği değiştirmez.

#### Kişisel temas ne zaman kâr ettirir?

Sabit ₺150 maliyet ve %25 etkiyle, risk × aylık değer ₺50'yi geçtiğinde kişisel temas pozitif değer üretir. Aylık ₺400'lük müşteride bunun için %12,5 risk yeter. Aylık ₺40'lık müşteride ise risk %100 bile olsa yetmez: bu müşteri için arama hiçbir zaman kâr ettirmez.

#### Sık yapılan beş hata

1. Kalibre edilmemiş olasılık kullanmak. Şişik risk, şişik beklenen değer demektir.
2. Etkiyi ölçmek yerine varsaymak. 'Kampanyadan sonra churn düştü' bir etki ölçümü değildir.
3. Gelir ile marjı karıştırmak. Korunan gelirin maliyeti de vardır.
4. Gelecek değeri bugüne indirgememek. 12 ay sonraki lira bugünkü liraya eşit değildir.
5. Herkese aynı müdahaleyi uygulamak. Formülün asıl değeri, her müşteri için ayrı hesaplanmasındadır.

#### Etki rakamı nereden gelir?

Formülün en zayıf halkası etkidir. Doğru tahmin için geçmişte müdahale alan ve almayan benzer müşterilerin sonuçlarını karşılaştıran bir uplift modeli ve ideal olarak rastgele bir kontrol grubu gerekir. Bunu ayrı bir yazıda anlattık: uplift modelleme ve kontrol grubu.</content:encoded></item><item><title>Uplift modelleme: kontrol grubu olmadan etki iddia etmeyin</title><link>https://vinctum.studio/yazilar/uplift-modelleme-kontrol-grubu/</link><guid>https://vinctum.studio/yazilar/uplift-modelleme-kontrol-grubu/</guid><pubDate>Sun, 04 Oct 2026 00:00:00 GMT</pubDate><description>Churn kampanyanız gerçekten işe yaradı mı? T-learner ile uplift tahmini, gereken veri, kamuya açık uplift veri setleri ve neden kontrol grubunun şart olduğu.</description><content:encoded>Uplift, bir müdahalenin aynı tür müşteride sonucu ne kadar değiştirdiğidir: müdahale alanlarla almayanların kayıp oranları arasındaki fark. Müdahaleyi kime vereceğinizi siz seçtiyseniz ve karşılaştıracak bir kontrol grubunuz yoksa, ölçtüğünüz şey müdahalenin etkisi değil, seçiminizin kendisidir.

#### 'Kampanyadan sonra churn düştü' neden yetmez?

- Seçim yanlılığı: kampanyayı zaten ilgili, ulaşılabilir müşterilere gönderdiyseniz, onlar kampanya olmasa da daha az ayrılacaktı.
- Mevsimsellik: kayıp oranları dönemden döneme kendiliğinden değişir.
- Ortalamaya dönüş: en riskli görünen grup, bir sonraki dönemde müdahale olmasa da ortalamaya yaklaşır.

#### T-learner nasıl çalışır?

En sade uplift yöntemlerinden biri. İki ayrı model eğitilir: biri müdahale alan müşterilerde kayıp olasılığını, diğeri müdahale almayanlarda kayıp olasılığını öğrenir. Bir müşteri için iki modelin tahmini arasındaki fark, o müşteri için tahmini müdahale etkisidir (CATE).

CATE = P(kayıp | müdahale, x) − P(kayıp | kontrol, x)

Negatif CATE, müdahalenin kaybı azalttığını gösterir. Beklenen değer hesabındaki 'etki' terimi buradan gelir.

#### Gereken veri

- Müdahale bayrağı: müşteri müdahale aldı mı?
- Sonuç: gözlem penceresinde ayrıldı mı?
- Müdahaleden önceki özellikler: kullanım, ödeme, destek geçmişi.
- Her kolda yeterli satır ve her kolda hem ayrılan hem kalan müşteri.
- Sızıntı yok: müdahale, sonuç ya da müşteri kimliği özelliklere karışmamalı.

#### Kamuya açık veri setleri ne söyler?

Churn çalışmalarında sık kullanılan IBM Telco veri setinde müdahale/kontrol ataması yoktur. Bu veriyle uplift kanıtlanamaz; ancak simülasyon yapılabilir. Hillstrom e-posta veri seti ve Criteo uplift veri seti gibi kaynaklarda ise rastgele müdahale ataması vardır ve uplift yöntemlerini sınamak için daha uygundur.

#### Bir pilotta etki nasıl ölçülür?

1. Kararların uygulanacağı müşterilerden rastgele bir kontrol grubu ayrılır.
2. İki grup aynı dönemde izlenir.
3. Ölçüt baştan yazılır: korunan değer eksi harcanan bütçe.
4. Sonuç ne çıkarsa raporlanır.

Vinctum Aegis, gerçek müdahale/kontrol verisi olmadan üretilen uplift sonuçlarını 'simülasyon' olarak işaretler ve kanıt gibi sunmaz. Bu, bugün henüz doğrulanmış bir müşteri sonucu iddia etmememizin de sebebidir.</content:encoded></item><item><title>A churn prediction is not a decision: from risk score to action</title><link>https://vinctum.studio/en/writing/churn-prediction-vs-churn-decision/</link><guid>https://vinctum.studio/en/writing/churn-prediction-vs-churn-decision/</guid><pubDate>Sun, 04 Oct 2026 00:00:00 GMT</pubDate><description>A churn model tells you who is likely to leave, not whom to spend on. A worked example of why the same 78% risk means two different decisions for two customers.</description><content:encoded>A churn prediction is the probability that a customer leaves. A churn decision is whether to intervene, with which intervention and at what cost. Risk alone cannot make that decision: you also need the customer's value, the cost of the intervention and its real effect on that kind of customer.

#### Where the score stops

A typical churn dashboard ranks customers by risk and sends the top segment the same offer, usually a discount. That loses money in two places.

- Customers who would have stayed anyway get the discount too. Where the offer does not change behaviour, it is pure cost.
- Low-value customers cost more to save than they are worth. High risk does not make every customer worth saving.

#### Same 78%, two different decisions

Two customers, both at 78% churn risk. One pays ₺400 a month, the other ₺20. Three options: a reminder email (₺10), personal outreach (₺150) and 40% off for three months (1.2× the monthly value). Expected value = risk × effect × 12-month value − cost.

Intervention | Customer A (₺400/mo) | Customer B (₺20/mo)
Reminder email | +₺140 | −₺3
Personal outreach | +₺786 | −₺103
40% off for 3 months | −₺31 | −₺2
Decision | Personal outreach | Accept the loss

Effects and costs are representative assumptions: the email lowers risk by 4%, outreach by 25%, the discount by 12%. The real effect is only known from a controlled measurement.

For customer A the discount is not the best option even though it is the most expensive: cheaper outreach protects more value. For customer B no intervention covers its cost; spending money is worse than losing the customer.

#### The four inputs a decision needs

1. Calibrated risk: if the model says 78%, about 78% of those customers should actually leave.
2. Customer value: protected revenue, ideally margin, discounted by the cost of capital (WACC).
3. Intervention cost: direct cost plus forgone revenue such as a discount.
4. Effect (uplift): how much this intervention lowers risk for this kind of customer.

#### Why calibration matters

Expected value is proportional to risk. If only 50% of the customers a model scores at 78% actually leave, every intervention's expected benefit is overstated by 56%, and unprofitable actions look profitable.

#### Where to start

One customer-level table is enough: a customer key, the churn outcome and an observation window. Past campaign records let you model intervention effects. No direct identifiers are needed. Decisions are then compared with the current approach over the same period, with a control group.

Vinctum Aegis runs this end to end: calibrated risk, explanations, expected value and a decision log. You can try the same calculation with your own values in the simulator on the Aegis page.</content:encoded></item></channel></rss>
