Literatürde, Makine Öğrenimi, Veri Madenciliği ve Hibrit teknikleri gibi farklı teknikler kullanılarak Ayrılma/Çalkalanma Tahmini gerçekleştirilmiştir. Bu teknikler, şirketleri ve işletmeleri, hizmetlerini kullanarak şirketlerinde kalabilmeleri için müşterileri belirleme ve tahmin etme ayrıca ayrılan müşteri konusunda destekler. Üst düzey yöneticilerin ve karar vericilerin güvenilir kararlar almasına ve Müşteri İlişkileri Yönetimi (CRM ) departmanına da yardımcı olur. Bu çalışmada, müşteri kaybını tahmin etmek için Orange adlı bir telekom sektörü ayrılan müşteri veri seti kullanılmıştır. Topluluk sınıflandırıcıları AdaBoostM1, PCA, InfoGain, Gain Ratio, Bagging ile birlikte J4.8, Naive Bayes, Lojistik Regresyon, Rastgele Orman, KNN, LMT (Lojistik model Ağacı) sınıflandırıcıları kombinasyonları ile birlikte kullanılır. Torbalama ve J4.8 kombinasyonu ile en yüksek% 94 doğruluk elde edilir. Sonuçlar diğer çalışmalarla da karşılaştırılmış ve bu çalışma araştırılan literatür kadar iyi performans göstermiş ve bazı vakalarda daha başarılı olduğu görülmüştür.

Churn Prediction has been performed in the literature using different techniques including Machine Learning, Data Mining, and Hybrid techniques. These techniques support companies and businesses to identify and predict and churning customers to be able to retaining them to stay with their company using their services. Also helps top managers and decision makers to take reliable decisions and Customer Relation Management CRM department too. In this study a telecom sector churn dataset named Orange is used for prediction of churn of the customer. Ensemble classifiers are used AdaBoostM1, PCA, Gain Ratio, Info Gain, Bagging in combination with J4.8, Naïve Bayes, Logistic Regression, Random Forest, KNN, LMT (Logistic model Tree). Highest accuracy of %94 is obtained by combination of bagging and J4.8. The results are compared with other studies as well and this study performed as good as the surveyed literature and surpassed in same cases.