Veri Madenciliği Tekniklerini Kullanarak Banka Müşterileri Bölümlendirmesi ve Kredi Skorlama Modeli

Year 2003, Volume: 2 Issue: 2, 135 - 150, 17.08.2003

Pelin Biçen Ümit Oktay Fırat

Abstract

İşletme ve bilimsel içerikli veri tabanlarının gün geçtikçe büyümesi, veri tabanlarında bulunan verinin analiz edilmesini ve yorumlanmasını zorlaştırdı. Bu noktada, veri tabanı analiz sürecini otomatikleştirecek yeni nesil tekniklere ve araçlara ihtiyaç duyulmaya başlandı. Bu anlamda, bu teknikler ve araçlar veri tabanlarında bilgi keşfi ve veri madenciliği teknikleri olarak bilinen ve çok hızlı gelişen bir alana konu oldular.

Bu çalışmada, ilk olarak veri tabanlarında bilgi keşfi madenciliği kavramları daha sonra da veri madenciliği modelleri açıklanmıştır. Uygulama aşamasında, günümüz işletme dünyasında çok sık karşılaşılan müşterilerin kredi taleplerinin değerlendirilmesi ve karlılık durumlarına göre müşterilerin bölümlendirilmesi problemi, veri madenciliği sınıflandırma ve tahmin modelleri uygulanarak çözümlenmiştir. Çözüm sürecinde, SAS Enterprise Miner madenciliği paketi kullanılmıştır.

Keywords

Veri Tabanlarında Bilgi Keşfi, Veri Madenciliği, Tahmin Modelleri, Sınıflandırma, Regresyon Analizi, Karar Ağaçları, Kümeleme Analizi, K- Ortalamalar Algoritması, Multinomial Regresyon Analizi

Customer Segmentation and Credit Scoring Model in Banking Sector by Using Data Mining Techniques

Abstract

The explosive growth of many business and scientific databases has far exceeded the ability to interpret the data. At this point, there was a creating need for a new generation of tools and techniques for automated databases analysis. The tools and techniques are the subject of the rapidly emerging field of knowledge discovery in databases and data mining Techniques. In this research, first of all data mining and knowledge discovery in databases concepts and then data mining models were explained. In the second part, credit scoring and customer segmentation problem that was steadily encountered in current business world was solved with predictive and classification data mining modeling techniques in the solution period, SAS Enterprise Miner data mining package was used.

Keywords

Knowledge Discovery in Databases, Data Mining, Predictive Modeling, Classification, Regression Analysis, Decision Trees, Clustering, K-Means Algorithm, Multinomial Regression Analysis

References

• AKPINAR, Haldun. (2000). "Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği.” www.isletme.edu.tr/dergi/nisan2000 (24.01.2002)
• ALPAYDIN, Ethem. (2000). Zeki Veri Madenciligi: Ham Veriden Altın Bilgiye Ulaşma Yöntemleri, Bilişim 2000 Veri Madenciliği Eğitim Semineri.
• BİÇEN, Pelin (2002), Veri Madenciliği: Sınıflandırma ve Tahmin Yöntemlerini kullanarak Bir Uygulama, Basılmamış Yüksek Lisans Tezi.
• FAYYAD, Usama, PIATESKY-SHAPIRO Gregory, PADHRIC, Symtih ve UTHURUSAMY. Ramasomy (1996). Advances in Knowledge Discover and Data Mining. USA: MIT Press.
• FIRAT, Ümit Oktay ve BİÇEN, Pelin. (2002), Veri Madenciliği Teknikleri, XXIII, Yöneylem Araştırması ve Endüstri Mühendisliği Ulusal Kongresi Bildiri Özetleri, s: 62.
• POOTS, William J. E. (2000) Data Mining Primer: Overview of Applications and Methods. USA: SAS Inst.
• WIELENGA. Doug. LUCAS, Bob ve GEORGES Jim (1999), Enterprise Miner: Applying Data Mining Techniques Course Notes. USA: SAS Inst.