Telepazarlama Çağrılarının Başarısını Tahmin Etmek Üzere Veriye Dayalı Bir Yaklaşım

Yıl 2023, Cilt: 57 Sayı: 4, 735 - 746, 27.10.2023

Özge Cömert , Mesut Toğaçar

https://doi.org/10.51551/verimlilik.1136023

Öz

Amaç: Telepazarlama, telefon aracılığı ile satış yapmak üzere kullanılan pazarlama yöntemlerinden biridir ve günümüzde yaygın olarak kullanılmaktadır. Bu çalışma, bankaların uzun vadeli mevduatlarını telefon aracılığıyla satmak için kullandıkları telepazarlama çağrılarının başarısını tahmin etmek amacıyla hesaplamalı bir model önermektedir.
Yöntem: Toplamda 45.211 adet telepazarlama çağrısı 16 öznitelikle birlikte dikkate alınmıştır. Veriler %70 eğitim ve %30 test veri seti olmak üzere iki ayrı sete ayrılmıştır. Model için k-en yakın komşu (k-EK) makine öğrenmesi kullanılmış ve ilgili modelin hiperparametrelerinin Bayes optimizasyon yöntemi ile otomatik olarak belirlenmesi sağlanmıştır.
Bulgular: Gerçekleştirilen analizler sonucunda; %94,68 doğruluk, %62,96 hassasiyet ve %99,01 özgüllük değeri elde edilmiştir. Önerilen hesaplamalı yöntem sayesinde daha başarılı telepazarlama aramalarının yapılması sağlanarak, uzaktan satış oranının artırılması ve amaca yönelik olarak daha uygun potansiyel müşterilerin saptanması sağlanabilir.
Özgünlük: Bu çalışma kapsamında k-EK algoritmasına ve hesaplamalı modelin yapılandırılması için Bayes algoritmasına odaklanılmıştır. Literatürde benzer çalışmalarda manuel olarak belirlen hiper-parametre değerlerinin mevcut çalışma kapsamında otomatik olarak saptanması sağlanmıştır. Sonuç olarak, telepazarlama alanında kullanılabilecek yeni bir hesaplamalı model önerisi gerçekleştirilmiş ve ümit verici sonuçlar elde edilmiştir.

Anahtar Kelimeler

Telepazarlama, Karar Destek Sistemi, Sınıflandırma, k-En Yakın Komşu Algoritması

A Data-Driven Approach Estimating the Success of Telemarketing Calls

Öz

Purpose: Telemarketing is one of the marketing methods commonly used for sales over the phone and is widely employed today. This study aims to propose a computational model to predict the success of telemarketing calls used by banks to sell long-term deposits over the phone.
Methodology: A total of 45,211 telemarketing calls, along with 16 features, were considered. The data was divided into two separate sets: a 70% training set and a 30% test set. The k-Nearest Neighbors (k-NN) machine learning algorithm was utilized for the model, and the hyperparameters of the relevant model were automatically determined through Bayesian optimization.
Findings: As a result of the conducted analyses, an accuracy rate of 94.68%, precision of 62.96%, and specificity of 99.01% were achieved. The proposed computational method enables more successful telemarketing calls, leading to an increase in remote sales rates and the identification of more suitable potential customers for the purpose.
Originality: Within the scope of this study, the focus has been on the k-NN algorithm and the use of the Bayesian algorithm to configure the computational model. In contrast to similar studies in the literature where hyperparameter values were manually determined, this study has ensured the automatic determination of hyperparameter values within its scope. As a result, a novel computational model proposal for telemarketing has been presented, yielding promising results.

Anahtar Kelimeler

Telemarketing, Decision Support System, Classification, k-Nearest Neighbor Algorithm

Kaynakça

• Akbulut, Y., Sengur, A., Guo, Y. Smarandache, F. (2017) “NS-k-NN: Neutrosophic Set-Based k-Nearest Neighbors Classifier”, Symmetry, 9(179), 1-10.
• Akçetin, E. ve Çetin, U. (2015). “Karınca Kolonisi Optimizasyonu Sınıflandırma Algoritması Yöntemi İle Telefon Bankacılığında Doğrudan Pazarlama Kampanyası Üzerine Bir Sınıflandırma Analizi”, International Journal of Internet, 6(1), 5-19.
• Akın, M. (2008). “Doğrudan Pazarlama.”, Güncel Pazarlama Yaklaşımından Seçmeler, Detay Yayıncılık, Ankara.
• Algorabi, Ö. ve Namlı, E. (2022). “Banka Telepazarlama Başarısının Tahmini için Bir Birleşik Makine Öğrenme Tabanlı Karar Destek Modeli”, Verimlilik Dergisi, 1, 94-109.
• Alickovic, E., Kevric, J. ve Subasi, A. (2018). “Performance Evaluation of Empirical Mode Decomposition, Discrete Wavelet Transform, and Wavelet Packed Decomposition for Automated Epileptic Seizure Detection and Prediction”, Biomedical Signal Processing and Control, 39, 94-102.
• Aytaç, B. (2013). “Doğrudan Pazarlama Aracı Olarak Telepazarlama için Veri Madenciliği Çözümleri: Banka Müşterileri Üzerine Bir Uygulama”, Yüksek Lisans Tezi, Gazi Üniversitesi, Bilişim Enstitüsü, Ankara.
• Aytaç, B. ve Bilge H. (2013). “Telepazarlama Verilerinin Birliktelik Kurallarıyla ve CRISP-DM Yöntemiyle Analiz Edilmesi”, Aksaray Üniversitesi İİBF Dergisi, 2(5), 25-39.
• Balsöz, M. F. (2004). “Bankacılıkta Değişen Pazarlama Anlayışı”, Yüksek Lisans Tezi, Ankara Üniversitesi, Sosyal Bilimler Enstitüsü, Ankara.
• Chopra, P. (2023). “A Systematic Literature Review on Network Marketing: What Do We Know and Where Should We Be Heading?”, Industrial Marketing Management, 113, 180-201.
• Cömert, Z, Kocamaz, A.F. ve Velappan, S. (2018). “Prognostic Model Based on Image-Based Time-Frequency Features and Genetic Algorithm for Fetal Hypoxia Assessment”, Computers in Biology and Medicine, 99, 85-97.
• Cömert, Z. (2020). “Fusing Fine-Tuned Deep Features for Recognizing Different Tympanic Membranes”, Biocybernetics and Biomedical Engineering, 40(1), 40-51.
• Dolgun, M. Ö. ve Ersel, D. (2014). “Doğrudan Pazarlama Stratejilerinin Belirlenmesinde Veri Madenciliği Yöntemlerinin Kullanımı”, İstatistikçiler Dergisi, 7, 1-13.
• Gelibolu, L. ve Özsoy, T. (2013). “Çağrı Merkezlerinin Satış Amaçlı Kullanılması: Doğrudan Pazarlamanın Bir Unsuru Olarak Telepazarlama”, Ç.Ü. Sosyal Bilimler Enstitüsü Dergisi, 22(1), 481-500.
• Hagan, M.T., Demuth, H. B., Beale, M. H. (1996). “Neural Network Design”, Thomson Learning, Singapur. He, H. ve Garcia, E. (2009). “Learning from Imbalanced Data”, IEEE Transactions on Knowledge and Data Engineering, 21(9), 63-84.
• Kara, M. ve Hacıhasanoğlu, P. (2015). “Bankacılıkta Mobil Pazarlama ve Tüketici Satın Alma Kararı Üzerine Etkisi: Yozgat Örneği”, KTÜ Sosyal Bilimler Dergisi, 10, 181-205.
• Karakuş, M. (2021). “A Multi-Layer Neural Network Approach to Predict The Success of Bank Telemarketing”, Artificial Intelligence Theory and Applications, 1, 69-75.
• Moro, S., Cortez, P. ve Rita, P. (2014). “A Data-Driven Approach to Predict the Success of Bank Telemarketing”, Decision Support Systems, 62, 22-31.
• Nour, M., Cömert, Z. ve Polat, K. (2020). “A Novel Medical Diagnosis Model for COVID-19 Infection Detection Based on Deep Features and Bayesian Optimization”, Applied Soft Computing, 106580.
• Pappa, T. (2018). “As Study on Consumer Preference on Telemarketing in Tirunelveli City”, International Journal of Commerce, 6, 112-116.
• Sarıyer, N. (2007). “Banka Çağrı Merkezi Pazarının Bölümlendirilmesi -Yozgat İl Merkezi’nde Bir Uygulama”, ZKÜ Sosyal Bilimler Dergisi, 3(6), 149-62.
• Sevindik, T. ve Cömert, Z. (2010). “Using Algorithms for Evaluation in Web Based Distance Education.” Procedi -Social and Behavioral Sciences, 77-80.
• Yılmaz, Ö. (2021). “Dijital ve Doğrudan Pazarlamanın Marka Değeri Üzerindeki Etkisinin Değerlendirilmesi”, Yüksek Lisans Tezi, Bahçeşehir Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul.
• Zengin, M. (2010) “Doğrudan Pazarlama Araci Olarak Cep Telefonu Kullanımı ve Tüketici Tutumları”, Yüsek Lisans Tezi, Selçuk Üniversitesi Sosyal Bilimler Fakültesi, Konya.