Customer lifetime value prediction and segmentation analysis for commercial customers in the banking industry
Bankacılık sektöründeki tüzel müşteriler için müşteri yaşam boyu değeri tahmini ve segmentasyon analizi
- Tez No: 895526
- Danışmanlar: DR. ÖĞR. ÜYESİ SÜHA TUNA
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri ve Veri Analitiği Ana Bilim Dalı
- Bilim Dalı: Büyük Veri ve İş Analitiği Bilim Dalı
- Sayfa Sayısı: 87
Özet
Türkiye'de bankacılık sektörü, ülkenin ekonomik büyümesinde ve finansal istikrarın sağlanmasında kritik bir rol oynamaktadır. Bankalar, bireysel ve kurumsal müşterilere sağladıkları hizmetlerle ekonomik aktivitelerin canlanmasına katkıda bulunurken, aynı zamanda tasarrufların yatırıma dönüşmesini ve finansal piyasalardaki likiditenin sağlanmasını temin eder. Bankacılık sektöründe analitik çalışmalar, karar alma süreçlerini optimize ederek, müşteri memnuniyetini artırma ve risk yönetimini iyileştirme açısından büyük önem taşır. Bu çalışmalar, veriye dayalı stratejik kararların alınmasını sağlar ve bankaların rekabet avantajını artırır. Örneğin, kredi risk değerlendirmeleri, müşteri segmentasyonu, dolandırıcılık tespiti ve operasyonel verimlilik analizleri gibi konular, analitik yaklaşımların etkin kullanımıyla daha sağlıklı ve hızlı bir şekilde yönetilebilir. Müşteri Yaşam Boyu Değeri modeli, bankacılık sektöründe müşteri ilişkileri yönetimi ve pazarlama stratejilerinde önemli avantajlar sağlar. Bu model, müşterilerin gelecekteki değerine göre segmentlere ayrılmasına olanak tanıyarak pazarlama ve satış stratejilerinin daha etkili bir şekilde planlanmasına yardımcı olur. Ayrıca, sınırlı pazarlama ve müşteri hizmetleri kaynaklarının en değerli müşterilere tahsis edilmesini sağlayarak yatırım getirilerini maksimize eder. Bu çalışmada, Türkiye'de bir katılım bankası olarak hizmet veren şirketin tüzel müşterilerinin verileri kullanılarak, çeşitli analitik tekniklerle yaşam boyu değer skorları oluşturulmuştur. Aynı zamanda, müşterilerin geçmiş işlem ve davranış verileri detaylı olarak analiz edilerek, oluşturulan her bir müşteri segmentinin ihtiyaçlarına ve potansiyeline yönelik stratejiler belirlenmiştir. Bu skorlar ile müşterilerin gelecekteki skorları tahmin edilip gruplandırılarak faizsiz bankacılık prensiplerine dayalı hizmetlerin müşteri odaklı geliştirilmesi amaçlanmıştır.
Özet (Çeviri)
In Türkiye, the banking sector plays a pivotal role in the growth of the national economy and maintenance of financial stability. Understanding and evaluating the behavior of corporate customers in the banking sector requires an accurate and comprehensive analysis. Customer Lifetime Value is a critical metric for understanding customer attitudes, therefore its accurate calculation is crucial. In this thesis, data on corporate customers from a company operating as a participation bank in Türkiye were used to create Customer Lifetime Value scores using various analytical techniques. In the first stage of the study, data from the past two years for each customer were collected from relevant databases and organized on a quarterly basis to calculate Customer Lifetime Value scores. The dataset was checked for missing values, inconsistencies, and errors. Outliers were identified using the z-score method during the data-cleaning process. In this study, data points with an absolute z-score greater than 3 were considered outliers. This threshold is a commonly used rule when assessing whether data conform to a normal distribution and helps minimize the impact of extreme values. These outliers are typically data points that could distort the overall structure of the dataset and negatively affect the model performance; thus, they were removed from the dataset. Before proceeding to the modeling phase, a standard scaling process was implemented to standardize the data. Scaling is a preprocessing step performed to eliminate problems arising from data with different units of measurement and to ensure that all data are on the same scale. Following the scaling process, the Customer Lifetime Value was predicted using five distinct machine learning algorithms. In this process, the outcomes of the Random Forest, Light Gradient-Boosting Machine, Extreme Gradient Boosting, Elastic-Net, and Linear Regression algorithms were assessed. To assess the model results, the values of Mean Absolute Error, Mean Squared Error, Root Mean Squared Error, R2, and the Adjusted R2 were used. These metrics were employed to utilized how well the model predictions aligned with the target variable. Upon analyzing the results, the highest R2 score was found to be 0.55 with the Random Forest algorithm, with Light Gradient-Boosting Machine being the second-best algorithm. Following the evaluation of the results, parameter optimization was performed using the Grid Search Cross Validation model to enhance the model performance and achieve the best possible results. Grid Search Cross Validation is a technique that explores all possible combinations within a specified parameter set to identify hyperparameters that deliver the best performance. After parameter optimization, the highest R2 value was calculated to be 0.68 using the Random Forest algorithm, and the second-highest R2 value was 0.56 using the Extreme Gradient Boosting algorithm. In this study, the results of the Random Forest algorithm, which provided the highest prediction accuracy, were adopted as the basis for the clustering analysis. The K-means clustering algorithm was used to partition the data into meaningful clusters. Graphical analysis using the elbow method and a detailed examination of cluster properties led to the conclusion that 5 clusters best represented customer segments and were the optimal number of clusters. The aim is to increase satisfaction and loyalty among high value customers by offering special deals and by activating low value customers through incentives and promotions.
Benzer Tezler
- Pazar bölümlendirmede GSP analizine dayalı bir modelleme çalışması
A modeling study based on RFM analysis for market segmentation
NERGİS KİRİŞÇİOĞLU
Yüksek Lisans
Türkçe
2020
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. HURİYE ŞEBNEM BURNAZ
- Interacting of descriptive and predictive analytics with product networks: The case of Sam's club
Ürün ağlarında betimleyici ve ön görücü analitiklerin etkileşimi: Sam's club vakası
BERNA ÜNVER
Yüksek Lisans
İngilizce
2019
İşletmeSabancı ÜniversitesiYönetim Bilimleri Ana Bilim Dalı
PROF. DR. FÜSUN ÜLENGİN
- E-ticaret sektöründe müşteri segmentasyonu ve müşteri yaşam boyu değeri tahmini problemine bir çözüm yaklaşımı
A solution approach to the customer segmentation and customer lifetime value prediction problem in the e-commerce sector
ASLINUR DURMUŞ
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SELİN SONER KARA
- Müşteri ilişkileri yönetiminde iş zekası ve veri madenciliği yantemleri
Business intelligence and data mining techniques for customer relationship management
HANDERİS SELDAN ÇERKEZ
Yüksek Lisans
Türkçe
2003
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPASLAN FIĞLALI
- A 360° customer lifetime value prediction method using machine learning for multi category e-commerce companies
Çok kategorili e-ticaret şirketleri için makine öğrenimi kullanarak 360° müşteri yaşam boyu değer tahmini
GÜLŞAH YILMAZ BENK
Doktora
İngilizce
2023
Yönetim Bilişim SistemleriBoğaziçi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. BERTAN YILMAZ BADUR
PROF. DR. SONA MARDİKYAN