Makine Öğrenmesi Tabanlı Potansiyel Müşteri Tahmini: Tasarruf Finansmanı Sektöründen Bir Uygulama
Abstract views: 6
/ 
PDF downloads: 2
Keywords:
Tasarruf Finansmanı, Müşteri Veri Analizi, Potansiyel Müşteri Tahmini, Yapay Zekâ, Random ForestAbstract
Finansal hizmetler sektörü, dijital dönüşüm ve veri temelli karar destek sistemlerinin
yaygınlaşmasıyla birlikte hızlı bir evrim geçirmektedir. Bu dönüşüm, müşteri ilişkileri yönetiminden
pazarlama stratejilerine kadar pek çok alanda yapay zekâ ve makine öğrenimi tabanlı yaklaşımların önemini
artırmıştır. Türkiye’de son yıllarda büyüme gösteren tasarruf finansmanı sektörü de bu teknolojik
gelişmelere adapte olarak, müşteri kazanım süreçlerini daha etkin yönetme ihtiyacı duymaktadır. Mevcut
müşteri kayıtlarından (kişi kartları) elde edilen demografik, sosyoekonomik ve davranışsal verilerin analizi,
potansiyel müşteri öngörüsü açısından önemli fırsatlar sunmaktadır.
Bu çalışmada, tasarruf finansmanı sektöründe faaliyet gösteren bir firmanın mevcut müşteri verilerine
dayanarak potansiyel müşterileri tahmin edebilecek bir sınıflandırma modeli geliştirilmiştir. Bu amaçla,
makine öğrenimi algoritmalarından Random Forest yöntemi tercih edilmiştir. Random Forest, yüksek
doğruluk oranı, değişken önem düzeylerini belirleyebilme yeteneği ve aşırı öğrenmeye karşı dayanıklılığı
sayesinde müşteri tahmin modellerinde etkin bir çözüm sunmaktadır. Çalışma sonucunda geliştirilen
modelin, hedefli pazarlama faaliyetlerinde kullanılabilir olduğu ve sektörün dijitalleşme sürecine katkı
sağlayacağı düşünülmektedir.
Downloads
References
E. W. T. Ngai, L. Xiu, and D. C. K. Chau, “Application of data mining techniques in customer relationship management: A literature review and classification,” Expert Syst. Appl., vol. 36, no. 2, pp. 2592–2602, 2009.
I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4th ed. Morgan Kaufmann, 2016.
M. A. Yülek, “Türkiye’de Alternatif Finansal Sistemler: Katılım Bankacılığı ve Tasarruf Finansman Modelleri,” Finans. Araştırmalar ve Çalışmalar Derg., vol. 12, no. 23, pp. 45–62, 2020.
S. G. Akın, “Türkiye’de Alternatif Finansal Modellerin Gelişimi: Katılım Finans ve Tasarruf Finansman Şirketleri,” Finans. Araştırmalar ve Çalışmalar Derg., vol. 13, no. 25, pp. 55–74, 2021.
V. Kumar and A. Petersen, Statistical Methods in Customer Relationship Management. Hoboken, NJ: John Wiley & Sons, 2012.
B. Baesens, T. Van Gestel, S. Viaene, M. Stepanova, J. Suykens, and J. Vanthienen, “Benchmarking state-of-the-art classification algorithms for credit scoring,” J. Oper. Res. Soc., vol. 54, no. 6, pp. 627–635, 2009.
K. Tsiptsis and A. Chorianopoulos, Data Mining Techniques in CRM: Inside Customer Segmentation. Wiley, 2009.
P. C. Verhoef, W. J. Reinartz, and M. Krafft, “Customer Engagement as a New Perspective in Customer Management,” J. Serv. Res., vol. 13, no. 3, pp. 247–252, 2010.
S. Chatterjee, N. P. Rana, K. Tamilmani, and A. Sharma, “Exploring the roles of customers in sustainable banking: A systematic literature review,” Int. J. Bank Mark., vol. 37, no. 6, pp. 1361–1389, 2019.
E. Brynjolfsson and A. McAfee, The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. W.W. Norton & Company, 2014.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, 2nd ed. O’Reilly Media, 2019.
A. Verikas, A. Gelzinis, and M. Bacauskiene, “Mining data with random forests: A survey and results of new tests,” Pattern Recognit., vol. 44, no. 2, pp. 330–349, 2011.
V. Kotu and B. Deshpande, Data Science: Concepts and Practice, 2nd ed. Morgan Kaufmann, 2019.
P. Kotler and K. L. Keller, Marketing Management, 15th ed. Pearson, 2015.
Ö. Küçük and G. Özer, “Katılım Bankacılığı ve Tasarruf Finansman Şirketleri: Yeni Finansal Araçlara İhtiyacın Bir Yansıması,” Katılım Ekon. ve Finans Derg., vol. 7, no. 1, pp. 55–68, 2021.
S. Kotsiantis, D. Kanellopoulos, and P. Pintelas, “Data Preprocessing for Supervised Learning,” Int. J. Comput. Sci., vol. 1, no. 2, pp. 111–117, 2006.
J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Morgan Kaufmann, 2011.
S. Chawla and A. Gionis, “k-means--: A unified approach to clustering and outlier detection,” in Proceedings of the 2013 SIAM International Conference on Data Mining, 2013, pp. 189–197.
C. C. Aggarwal, Outlier Analysis. Springer, 2017.
P. D. Allison, Missing Data. Sage Publications, 2001.
P. Refaeilzadeh, L. Tang, and H. Liu, “Cross-Validation,” in Encyclopedia of Database Systems, Springer, 2018, pp. 532–538. doi: 10.1007/978-1-4899-7993-3_191.
L. Breiman, “Random forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001.
A. Liaw and M. Wiener, “Classification and regression by randomForest,” R News, vol. 2, no. 3, pp. 18–22, 2002.
R. Genuer, J.-M. Poggi, and C. Tuleau-Malot, “Variable selection using random forests,” Pattern Recognit. Lett., vol. 31, no. 14, pp. 2225–2236, 2010.
M. Hall, E. Frank, G. Holmes, B. Pfahringer, P. Reutemann, and I. H. Witten, “The WEKA data mining software: An update,” ACM SIGKDD Explor. Newsl., vol. 11, no. 1, pp. 10–18, 2009.
F. Provost and T. Fawcett, Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O’Reilly Media, 2013.
M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf. Process. & Manag., vol. 45, no. 4, pp. 427–437, 2009.
L. Yin, R. Zhang, and Y. Guo, “Predictive analytics for e-commerce customer retention using ensemble learning,” J. Bus. Res., vol. 158, p. 113647, 2023.
S. Choudhury and R. Singh, “Comparative performance of machine learning classifiers in FinTech applications,” Appl. Soft Comput., vol. 125, p. 109278, 2022.
Y. Li, Q. Wang, and S. Li, “Feature importance in credit scoring using RF and SHAP,” Expert Syst. Appl., vol. 237, p. 119011, 2024.
M. A. Siddiqui and M. Farooq, “Socioeconomic determinants of conversion in digital finance,” Inf. Syst. Front., vol. 25, no. 1, pp. 45–60, 2023.
L. Zhou, Y. Fang, and Y. Wu, “Enhancing marketing decisions with AI: The case of customer acquisition,” Decis. Support Syst., vol. 157, p. 113790, 2022.
M. Ghasemaghaei, “Big data analytics capability and firm performance: The mediating role of customer relationship management,” Inf. & Manag., vol. 58, no. 6, p. 103478, 2021.
C. Molnar, Interpretable Machine Learning, 2nd ed. Leanpub, 2022.
V. Singh, A. Jaiswal, and N. Kumar, “A benchmarking study on XGBoost and RF in marketing analytics,” Comput. Econ., vol. 62, no. 1, pp. 155–170, 2023.
M. Nasir, M. A. Qureshi, and A. Ali, “Time-aware prediction of customer behavior using temporal machine learning,” J. Retail. Consum. Serv., vol. 75, p. 103510, 2023.
