Dergiler / Sosyoekonomi / 2021 / Cilt: 29 - Sayı: 50

Makina Öğrenmesi Yöntemleri ile Türk Mevduat Bankalarının Müşteri Tahminine Yönelik Bir Uygulama

An Analysis of Turkish Deposit Banks’ Customer Forecasting with Machine Learning Methods

Sayfa
413–432
Yayın Tarihi
2021-10-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmanın bankaların hizmet sunmayı hedeflediği hedef müşterileri belirleme aşamasında bankalara yol göstereceği düşünülmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bankalar, sektördeki pazar paylarını artırmak için pazarlama faaliyetlerini mevcut müşteriyi koruma ve yeni müşteri kazanma konusunda genişletmişlerdir.
📊
Temel Bulgular & Veri:Çalışmanın amacı, müşteri sayısı tahmininin önemini vurgulamak ve müşteri sayısı tahmini belirlemede etkili olan etmenleri araştırmaktır.
💡
Sonuç & Katkı:Bu çalışmanın bankaların hizmet sunmayı hedeflediği hedef müşterileri belirleme aşamasında bankalara yol göstereceği düşünülmektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:2011-2020 Verileri
⚙️Değişkenler:Bankacılık · Müşteri ilişkileri · Müşteri Memnuniyeti

Özet

Bankalar, sektördeki pazar paylarını artırmak için pazarlama faaliyetlerini mevcut müşteriyi koruma ve yeni müşteri kazanma konusunda genişletmişlerdir. Çalışmanın amacı, müşteri sayısı tahmininin önemini vurgulamak ve müşteri sayısı tahmini belirlemede etkili olan etmenleri araştırmaktır. Çalışmada makine öğrenmesi yöntemlerinden yapay sinir ağları ve destek vektör makineleri kullanılmıştır. Çalışmada, Türk Bankacılık sektöründeki mevduat bankaların 2011-2020 dönemi aylık verileri kullanılarak şube sayısı, çalışan sayısı, toplam mevduat, toplam krediler gibi literatürde kullanılan değişkenler müşteri tahminini tespit etmede seçilmiştir. Analiz sonucunda, Türkiye’deki mevduat bankalarının müşteri sayısı tahminleri başarılı bir şekilde elde edilmiştir. Bu çalışmanın bankaların hizmet sunmayı hedeflediği hedef müşterileri belirleme aşamasında bankalara yol göstereceği düşünülmektedir.

Abstract

Banks have expanded their marketing activities to uphold their existing customers and gain new customers to accentuate their market share in the sector. This study aims to emphasize the importance of customer forecasting and investigate the factors that are effective in determining the number of customer forecasting. Machine learning, artificial neural networks, and support vector machines methods are used. The variables commonly used in the literature, such as number of branches, number of employees, total deposits, total loans, were selected to determine customer estimates by considering the monthly data of deposit banks in the Turkish banking sector for the period 2011-2020. As a result of the analysis, the number of customers estimates of deposit banks in Turkey was successfully obtained. In light of these estimates, it is thought that banks can facilitate the creation of targets for identifying target customers they aim to provide services to in the future.

🔖

Bu Makaleye Atıf Yap

YETİZ, F., TERZİOĞLU, M., KAYAKUŞ, M. (2021). Makina Öğrenmesi Yöntemleri ile Türk Mevduat Bankalarının Müşteri Tahminine Yönelik Bir Uygulama. Sosyoekonomi, Cilt: 29 - Sayı: 50, 413–432. https://ajindex.com/articles/400446

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Altuğ, N. & Ş. Özhan (2018),
  2. Pazarlamada Güncel Gelişmeler, Nobel. Altunöz, U. (2013), “Bankaların Finansal Başarısızlıklarının Yapay Sinir Ağları Modeli Çerçevesinde Tahmin Edilebilirliği”, DEÜ İİBF Dergisi, 28(2), 189-217.
  3. Arasli, H. et al. (2005), “A comparison of service quality in the banking industry”, International Journal of Bank Marketing, 23(7), 508-526.
  4. Aydın, S. & A. Tavukçu (2019), “İlişkisel pazarlama uygulamalarının müşteri sadakati, müşteri memnuniyeti ve müşterilerin tavsiye etme eğilimi üzerine etkisi: Türk katılım bankacılığı sektöründe bir araştırma”, Proceedings of the International Congress on Business and Marketing, İstanbul,
  5. Türkiye. Azamathulla, H.M. et al. (2010), “Machine learning approach to predict sediment load-a case study”, CLEAN-Soil, Air, Water, 38(10), 969-976.
  6. Balcioglu, Y. & B. Sezen (2019), “Yapay Sinir Ağları ile Banka Müşterilerinin Bankadan Ayrılma Olasılığının Tahmini”, Business and Organization Research, Izmir. Başar, A. vd. (2015), “Banka Şubeleri İçin Uygun Yer Seçiminin Belirlenmesine Yönelik Tabu Arama Yaklaşımı: Bir Türk Bankası Uygulaması”, Endüstri Mühendisliği Dergisi, 26(3), 2-22. Bilal-Zorić, A. (2016), “Predicting customer churn in banking industry using neural networks”, Interdisciplinary Description of Complex Systems: INDECS, 14(2), 116-124.
  7. Bülbül, S. (2019), “Türk bankacılık sektöründe müşteri memnuniyetinin katılım ve mevduat bankalarında karşılaştırmalı olarak değerlendirilmesi”, Yüksek Lisans Tezi, Gebze Teknik Üniversitesi,
  8. Gebze. Chang, T.-C. & R.-J. Chao (2006), “Application of back-propagation networks in debris flow prediction”, Engineering Geology, 85(3-4), 270-280.
  9. Colgate, M. & R. Hedge (2001), “An investigation into the switching process in retail banking services”, International Journal of Bank Marketing, 19(5), 201-212.
  10. Colgate, M. et al. (1996), “Customer defection: a study of the student market in Ireland”, International Journal of Bank Marketing, 14(3), 23-29.
  11. Cortes, C. & V. Vapnik (1995), “Support-vector networks”, Machine Learning, 20(3), 273-297.
  12. Demir, F.O. & Y. Kırdar (2007), “Müşteri ilişkileri yönetimi: CRM. Review of Social”, Economic & Business Studies, 8, 293-308.
  13. Farquad, M.A.H. et al. (2014), “Churn prediction using comprehensible support vector machine: An analytical CRM application”, Applied Soft Computing, 19, 31-40.
  14. Fornell, C. & B. Wernerfelt (1987), “Defensive marketing strategy by customer complaint management: a theoretical analysis”, Journal of Marketing Resea