Bankacılıkta Müşteri Verilerini Anlama: CRISP-DM Yaklaşımı ve Makine Öğrenimi Uygulamaları
Bu çalışma, günümüzde işletmeler için müşteri bilgilerinin önemini vurgulamakta ve özellikle finansal işlemlerle uğraşan bankaların bu bilgileri işleyip analiz ederek yönetim stratejilerinde kullanmasını ele almaktadır. Moro ve diğerleri tarafından sağlanan anonimleştirilmiş ve amaca uygun revize ed...
Saved in:
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Akademik Bilişim Araştırmaları Derneği
2025-02-01
|
| Series: | Online Academic Journal of Information Technology |
| Subjects: | |
| Online Access: | https://dergipark.org.tr/tr/download/article-file/4383206 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1849309596664987648 |
|---|---|
| author | Sezai Tunca |
| author_facet | Sezai Tunca |
| author_sort | Sezai Tunca |
| collection | DOAJ |
| description | Bu çalışma, günümüzde işletmeler için müşteri bilgilerinin önemini vurgulamakta ve özellikle finansal işlemlerle uğraşan bankaların bu bilgileri işleyip analiz ederek yönetim stratejilerinde kullanmasını ele almaktadır. Moro ve diğerleri tarafından sağlanan anonimleştirilmiş ve amaca uygun revize edilmiş veri seti kullanılarak, banka müşterilerinin vadeli mevduata abone olma olasılığını etkileyen faktörler incelenmiş ve pazarlama stratejilerine yönelik veri destekli öneriler sunulmuştur. Çalışma, müşteri davranışını etkileyen değişkenleri belirlemek için Lojistik Regresyon, Karar Ağaçları (Decision Tree), Rastgele Orman (Random Forest), Destek Vektör Makineleri (SVM) ve XGBoost gibi çeşitli makine öğrenimi tekniklerini kullanarak, CRISP-DM metodolojisini altı aşamada yapılmıştır. En iyi performansı gösteren Lojistik Regresyon modeli olmuştur. Bulgularda “emekli, öğrenci, yüksek eğitim seviyesi, önceki kampanya başarısı, ve Mart ayı gibi değişkenler”, müşterinin vadeli mevduat aboneliğine daha yatkın olduğunu göstermektedir. “Konut kredisi ve kredi borcu” gibi finansal yükümlülükler. Müşterinin vadeli mevduat aboneliği yapma olasılığını azaltmaktadır. Önerilerden bazıları arasında anlamlı değişkenlere (ör. meslek, eğitim seviyesi, medeni durum) odaklanarak stratejiler geliştirilmesinin yanı sıra eğitim seviyesi yüksek bireyleri hedefleyen pazarlama stratejileri geliştirilebilir. Finansal durumu zorlayıcı olan bireylerin hedef olay üzerinde olumsuz etkileri olduğundan, bu gruplara yönelik uygun öneriler sunulabilir. Çalışmanın sınırlamaları arasında veri setinin güncelliği ve sınıf dengesizliğini gidermek için kullanılan aşırı örnekleme tekniği yer almaktadır. Gelecekte yapılacak araştırmalarda farklı makine öğrenimi modelleri ve daha geniş veri setleri kullanılarak kapsamlı analizler gerçekleştirilebilir. |
| format | Article |
| id | doaj-art-69533ae2561d46db9c874008045cb49d |
| institution | Kabale University |
| issn | 1309-1581 |
| language | English |
| publishDate | 2025-02-01 |
| publisher | Akademik Bilişim Araştırmaları Derneği |
| record_format | Article |
| series | Online Academic Journal of Information Technology |
| spelling | doaj-art-69533ae2561d46db9c874008045cb49d2025-08-20T03:54:02ZengAkademik Bilişim Araştırmaları DerneğiOnline Academic Journal of Information Technology1309-15812025-02-01161688710.5824/ajite.2025.01.004.x2039Bankacılıkta Müşteri Verilerini Anlama: CRISP-DM Yaklaşımı ve Makine Öğrenimi UygulamalarıSezai Tunca0https://orcid.org/0000-0001-9404-9005ALANYA HAMDULLAH EMİN PAŞA ÜNİVERSİTESİBu çalışma, günümüzde işletmeler için müşteri bilgilerinin önemini vurgulamakta ve özellikle finansal işlemlerle uğraşan bankaların bu bilgileri işleyip analiz ederek yönetim stratejilerinde kullanmasını ele almaktadır. Moro ve diğerleri tarafından sağlanan anonimleştirilmiş ve amaca uygun revize edilmiş veri seti kullanılarak, banka müşterilerinin vadeli mevduata abone olma olasılığını etkileyen faktörler incelenmiş ve pazarlama stratejilerine yönelik veri destekli öneriler sunulmuştur. Çalışma, müşteri davranışını etkileyen değişkenleri belirlemek için Lojistik Regresyon, Karar Ağaçları (Decision Tree), Rastgele Orman (Random Forest), Destek Vektör Makineleri (SVM) ve XGBoost gibi çeşitli makine öğrenimi tekniklerini kullanarak, CRISP-DM metodolojisini altı aşamada yapılmıştır. En iyi performansı gösteren Lojistik Regresyon modeli olmuştur. Bulgularda “emekli, öğrenci, yüksek eğitim seviyesi, önceki kampanya başarısı, ve Mart ayı gibi değişkenler”, müşterinin vadeli mevduat aboneliğine daha yatkın olduğunu göstermektedir. “Konut kredisi ve kredi borcu” gibi finansal yükümlülükler. Müşterinin vadeli mevduat aboneliği yapma olasılığını azaltmaktadır. Önerilerden bazıları arasında anlamlı değişkenlere (ör. meslek, eğitim seviyesi, medeni durum) odaklanarak stratejiler geliştirilmesinin yanı sıra eğitim seviyesi yüksek bireyleri hedefleyen pazarlama stratejileri geliştirilebilir. Finansal durumu zorlayıcı olan bireylerin hedef olay üzerinde olumsuz etkileri olduğundan, bu gruplara yönelik uygun öneriler sunulabilir. Çalışmanın sınırlamaları arasında veri setinin güncelliği ve sınıf dengesizliğini gidermek için kullanılan aşırı örnekleme tekniği yer almaktadır. Gelecekte yapılacak araştırmalarda farklı makine öğrenimi modelleri ve daha geniş veri setleri kullanılarak kapsamlı analizler gerçekleştirilebilir.https://dergipark.org.tr/tr/download/article-file/4383206banking analyticscrisp-dm methodologydata analysisterm deposit subscriptionbankacılık analitiğicrisp-dm metodolojisiveri analizivadeli mevduat aboneliği |
| spellingShingle | Sezai Tunca Bankacılıkta Müşteri Verilerini Anlama: CRISP-DM Yaklaşımı ve Makine Öğrenimi Uygulamaları Online Academic Journal of Information Technology banking analytics crisp-dm methodology data analysis term deposit subscription bankacılık analitiği crisp-dm metodolojisi veri analizi vadeli mevduat aboneliği |
| title | Bankacılıkta Müşteri Verilerini Anlama: CRISP-DM Yaklaşımı ve Makine Öğrenimi Uygulamaları |
| title_full | Bankacılıkta Müşteri Verilerini Anlama: CRISP-DM Yaklaşımı ve Makine Öğrenimi Uygulamaları |
| title_fullStr | Bankacılıkta Müşteri Verilerini Anlama: CRISP-DM Yaklaşımı ve Makine Öğrenimi Uygulamaları |
| title_full_unstemmed | Bankacılıkta Müşteri Verilerini Anlama: CRISP-DM Yaklaşımı ve Makine Öğrenimi Uygulamaları |
| title_short | Bankacılıkta Müşteri Verilerini Anlama: CRISP-DM Yaklaşımı ve Makine Öğrenimi Uygulamaları |
| title_sort | bankacilikta musteri verilerini anlama crisp dm yaklasimi ve makine ogrenimi uygulamalari |
| topic | banking analytics crisp-dm methodology data analysis term deposit subscription bankacılık analitiği crisp-dm metodolojisi veri analizi vadeli mevduat aboneliği |
| url | https://dergipark.org.tr/tr/download/article-file/4383206 |
| work_keys_str_mv | AT sezaitunca bankacılıktamusteriverilerinianlamacrispdmyaklasımıvemakineogrenimiuygulamaları |