Geri Dön

Veri madenciliği teknikleri ile kredi hedef kitlesi stratejilerinin belirlenmesi

Data mining techniques and determining the credit target group strategies

  1. Tez No: 685774
  2. Yazar: NESLİHAN GÜLTEKİN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ YÜCEL BATU SALMAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 84

Özet

Günümüz piyasalarında rekabetin agresif olması sebebi ile işletmeler kendilerini ön plana çıkarabilmek, rakiplerinden bir adım ötede olabilmek ve elbette kar edebilmek için değişik ve etkili rekabetin yeni yollarını aramaktadırlar. Hızla gelişen teknolojiye ayak uyduran ve teknolojinin nimetlerinden faydalanan şirketler mevcut ve potansiyel müşterilerilerinin ihtiyaçları ile yüksek memnuniyetlerini de ön planda tutuklarında rakiplerinden bir parça da olsa öne çıkmayı başarabilmektedir. Piyasada aynı müşteri kitlesine hizmet veren çok sayıda şirketten bir adım öne çıkabilmenin en önemli yolu, şirketlerin hitap ettikleri mevcut ve potansiyel müşterilerini iyi tanımaları, onlara sunulacak olan kampanyaları ve fiyatlandırmaları da doğru planlanlayarak doğru hedef kitlesine ulaşmaktır. Doğru kitleye doğru zamanda ulaşabilmek isteyen şirketler, gelişen teknolojiyi de kullanarak bir fark yaratabilmek, müşterileri ile iletişime geçtikleri her aşamada topladıkları verileri anlamlı hale getirebilmek ve bu verileri kullanabilmek için depolamaktadırlar. Sürekli depolanan bu veriler, teknolojinin en önemli keşiflerinden biri olan Veri Madenciliği uygulamaları ile anlamlı hale getirilerek şirketlerin piyasada önemli bir yer edinebilecekleri, yüksek kar edebilecekleri fırsatlara sahip olmalarına olanak sağlar. Bu tez çalışması ile özel bir bankanın 27.794 kayıttan oluşan ve bireysel kredi ürünü tavsiye edilip“kabul”ya da“red”durumuna göre sınıflandırılan veri kümesine, veri madenciliği teknikleri ve sınıflandırma algoritmaları kullanılarak belirli bir örüntü elde edilmesi ve en uygun modellemenin oluşturulması amaçlanmıştır. Bu veri kümesinin modellemesinde, Mevcut müşterinin kredi kullanıp kullanmama durumu, son 3 ay içerisinde toplam kredi ürünü başvuru sayısı, toplam kredi kayıt sayısı, KKB skoru, son 2 yıl içerisinde kapattığı kredi sayısı, toplam kapalı kredi ürünü sayısı, açık kredi kartı toplam borcu, açık kredi kartları toplam limiti, açık ihtiyaç kredileri toplam taksit sayısı, açık KMH toplam risk tutarı, en yüksek açık olan bireysel ihtiyaç kredisi borç tutarı gibi hem KKB'den alınan hem de bankanın sahip olduğu 11 farklı değişken bulunmaktadır. Ortaya çıkan model bankanın farklı ürünlere sahip olan müşterilerine de uygulanarak, bireysel kredi ürününü kabul edebilecek doğru hedef kitlenin belirlenmesi ve bu hedef kitleye uygun Müşteri İlişkileri Yönetimi faaliyetlerinin kurgulanması konusunda yeni bir yömtem olabilecektir.

Özet (Çeviri)

In today's business world, difficult market conditions force companies to seek and find more different and more effective ways to compete. Globally intense competition and advancing technological developments without slowing down have become one of the features that companies must achieve in order to meet customer needs at the highest level and to maximize customer satisfaction. As a result of these technological advances, companies store the data they collect during their sales processes in an uninterrupted and increasing variety. Data mining applications help us to find previously undiscovered valuable information and obtain high value-added results from these constantly stored data in order to enable companies to reach their goals faster and more accurately. With this thesis, it is aimed to obtain a certain pattern and create the most appropriate modeling by using data mining techniques and classification algorithms for the dataset of a private bank, which consists of 27.794 records and classified according to the“acceptance”or“rejection”status of the loan product. In the modeling of this data set, whether the current customer uses a loan or not, the total number of credit product applications in the last 3 months, the total number of loan records, KKB score, the number of loans closed in the last 2 years, the total number of closed loan products, total open credit card debt, There are 11 different variables both borrowed from KKB and owned by the bank, such as the total limit of open credit cards, the total number of installments of open consumer loans, the total risk amount of open overdraft loans, and the loan amount with the highest deficit. By applying the resulting model to the customers of the bank with different products, it will be possible to determine the right target audience that can accept the loan product and to set up Customer Relations Management activities suitable for this target audience.

Benzer Tezler

  1. Fintech lending characteristics and loan repayment performance analyses

    Finansal teknoloji şirketleri aracılığıyla kullandırılan kredilerin karakteristik özellikleri ve kredi geri ödeme performans analizleri

    HAKKI DENİZ KARAMAN

    Doktora

    İngilizce

    İngilizce

    2021

    BankacılıkKadir Has Üniversitesi

    Finans ve Bankacılık Ana Bilim Dalı

    PROF. DR. ÖMER LÜTFİ GEBİZLİOĞLU

  2. Veri madenciliği teknikleri ile mobil telekom sektöründe müşterilerın kredi skorlamasına ilişkin istatistiksel bir analiz

    Statistical analysis based on data mining techniques concerning credit scoring of customers in mobile telecommunications industry

    KUBİLAY KARAKUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    İstatistikMarmara Üniversitesi

    İstatistik Bölümü

    YRD. DOÇ. DR. ESEN YILDIRIM (ZEREN)

  3. Data mining techiniques and a banking application

    Veri madenciliği teknikleri ve bir bankacılık uygulaması

    ECEHAN ÇETİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2011

    Endüstri ve Endüstri MühendisliğiBahçeşehir Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET MUTLU YENİSEY

  4. Finansal veri madenciliği

    Financial data mining

    ÜNAL ARAS

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    BankacılıkYıldız Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. NİLGÜN GÜLER BAYAZIT

  5. The server-based automatic fare collection and management system in public transport and analysis with data mining techniques

    Toplu taşımada sunucu tabanlı otomatik ücret toplama ve yönetim sistemi ve veri madenciliği teknikleri ile analizi

    UFUK DEMİR ALAN

    Doktora

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DERYA BİRANT