Doğrudan Pazarlama Stratejilerinin Belirlenmesinde Veri Madenciliği Yöntemlerinin Kullanımı

Year 2014, Volume: 7 Issue: 1, 1 - 13, 25.05.2014

Muhsin Özgür Dolgun Derya Ersel

Abstract

Doğrudan pazarlama, ürünlerin olası müsterilerinin belirlenmesi ve belirlenen müsteri kitlesine bu ürünlerin

tanıtımının yapılması sürecidir. Son zamanlarda, genel kitlelere yönelik pazarlama kampanyalarının çok

basarılı olmaması nedeniyle firmalar kitle pazarlama yöntemleri yerine hedef kitleye yönelik doğrudan

pazarlama yöntemlerine daha çok önem vermektedir. Özellikle baskı ve rekabetin yoğun bir sekilde yasandığı

bankacılık sektöründe doğrudan pazarlama yöntemlerinin basarı oranının daha yüksek olduğu görülmüstür.

Veri madenciliği yöntemleri, doğrudan pazarlama kampanyalarına etki eden faktörleri belirleyerek

kampanyaların basarısının arttırılmasında kullanılır. Böylece, mevcut kaynakların daha iyi yönlendirilmesini

ve potansiyel müsterilerin makul ve doğru bir kümesinin olusturulmasını sağlar. Bu çalısmada, karar ağaçları,

lojistik regresyon, Bayesci ağlar ve destek vektör makineleri gibi veri madenciliği yöntemleri kullanılarak

bankacılık sektöründe doğrudan pazarlama kampanyalarının nasıl yönlendirilebileceği üzerinde durulmustur.

Ayrıca, bu tür verinin çözümlenmesinde sıkça karsılasılan bir durum olan “dengesizlik” problemi

incelenmistir. Çalısmanın sonucunda, genel basarı ölçütüne göre sırasıyla, SVM linear, lojistik regresyon ve

SVM RBF, F ölçütüne göre sırasıyla, Lojistik regresyon, SVM RBF ve CHAID ve matthews korelasyon

katsayısına göre sırasıyla, SVM linear, lojistik regresyon ve CHAID yöntemleri en basarılı yöntemler olarak

tespit edilmistir.

Keywords

Doğrudan pazarlama, Veri madenciliği, Sınıflandırma; Dengesizlik.

Use of Data Mining Methods in Determining Direct Marketing Strategies

Abstract

Direct marketing is the process of identifying possible customers of products and promoting these products to

this specified customer mass. Recently, due to the fact that mass marketing campaigns targeting general public

are not successful, firms give more importance to direct marketing campaigns targeting a specific set of

customers. Direct marketing methods are more successful escpecially in banking sector where there is more

pressure and competition according to other sectors. Data mining methods are used to increase the success of

direct marketing campaigns by identifying the factors that effect these campaigns. Thus, these methods provide

to direct available resorces and to create a reasonable and true set of potential customers. In this study, we

focus on how direct marketing campaigns can be directed in banking sector by using data mining methods

such as decision trees, logistic regression, Bayesian networks and support vector machines. Also, we examine

class imbalance problem which frequently encountered in the analysis of this kind of data. As a result, SVM

linear, logistic regression and SVM RBF methods were the most successful methods according to the overall

accuracy metric. Moreover, according to the F measure, logistic regression, SVM RBF and CHAID, and

according to the matthews correlation coefficient, SVM linear, logistic regression and CHAID methods have

been identified as the most successful methods, respectively.

Keywords

Direct marketing, Data mining, Classification; Imbalance

References

• A. Agresti, Categorical Data Analysis, Wiley, 744p.
• I. Ben-Gal, 2007, Bayesian Networks, Encyclopedia of Statistics in Quality &Reliability,F. Ruggeri, F.Faltin, R. Kenett, R. (eds), Wiley & Sons.
• [3] S.G. Boettcher and C. Dethlefsen, 2003, Deal: A package for learning Bayesian networks, Journal of Statistical Software, 8(20), 1-40.
• D. Boswell, 2002, Introduction to Support Vector Machines, http://www.work.caltech.edu/~boswell/IntroToSVM.pdf.
• J. Cheng and R. Greiner, 2001, Learning Bayesian Belief Network Classifiers: Algorithm and System, Proceedings of the Fourteenth Canadian Conference on Artificial Intelligence (AI’2001).
• M.Ö. Dolgun, 2014, Veri Madenciliği Sınıflama Yöntemlerinin Basarılarının; Bağımlı Değisken Prevelansı, Örneklem Büyüklüğü ve Bağımsız Değiskenler Arası Đliski Yapısına Göre Karsılastırılması, Doktora Tezi, Sağlık Bilimleri Enstitüsü, Hacettepe Üniversitesi.
• D. Hand, H. Mannila, P. Smyth, 2001, Principles of Data Mining, The MIT Press, Cambridge, 546p.
• IBM, 2012, IBM DB2 version 9.5 manual, http://publib.boulder.ibm.com/infocenter/db2luw/v9r5/index.jsp?topic=%2Fcom.ibm.datatools.datamining.d oc%2Fc_decision_tree_calssification.html.
• F.V. Jensen, 2001, Bayesian Networks and Decision Graphs, Springer-Verlag, New York, 268p.
• D.T. Larose, 2004, Discovering Knowledge in Data: An Introduction to Data Mining, Wiley Interscience, New York, 222p.
• C.X. Ling and C. Li, 1998, Data mining for direct marketing: problems and solutions, Proceedings of KDD’98, 217-225.
• S. Moro, R.M:S: Laureano, P. Cortez, 2000, Using data mining for bank direct marketing: an application of the CRISP-DM methodology, Proceedings of the European Simulation and Modelling Conference (ESM’2011), Guimares, Portugal, October 2011, s.117-121.
• P.V. Putten, 1999, Data mining in direct ;marketing databases, Complexity and Management: A Collection of Essay, World Scientific.
• E. Simoudis , B. Livezey, R. Kerber, 1996, Integrating inductive and deductive reasoning for data mining. Advances in Knowledge Discovery and Data Mining. Fayyad, U.M., Piatetsky-Shapiro, G., Smyth, P., Uthurusamy,R. (eds), The MIT Press, Cambridge, s.353-374.
• P. Tan, M. Steinbach, V. Kumar, 2006, Introduction to Data Mining, Addison-Wesley, Boston, 769p.