Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu

Fatih Kutlu; Kübra Göleli; Hanım Demir; Gülcan Erdiz

doi:10.53433/yyufbed.1735602

EN TR

Customer Behavior Segmentation Using Fuzzy Clustering and Classification Techniques

Öz

This study focuses on the classification of customer response behavior toward marketing campaign offers. The analysis utilizes the Customer Personality Analysis (CPA) dataset, which is publicly available on the Kaggle online data-sharing platform. The target variable, Response, indicates whether the customer accepted the most recent campaign offer (1 = accepted, 0 = not accepted). Since the proportion of positive responses is approximately 15% of all observations, the dataset exhibits a pronounced class imbalance. For this reason, performance evaluation prioritizes the macro-F1 metric rather than overall accuracy, as macro-F1 provides a more balanced representation of the minority class. The methodological framework involves the application of the Fuzzy C-Means (FCM) clustering algorithm to obtain membership degrees for each instance. These membership values are subsequently integrated into two classification models. In the FCM+FSVM model, the membership degrees are utilized as instance weights influencing the decision boundary. In the FCM+FKNN model, the same membership degrees are incorporated as adaptive weighting factors in the neighborhood-based voting mechanism. FCM hyperparameters are optimized using a genetic algorithm, while classifier hyperparameters are determined through random search. Comparative experiments including logistic regression, KNN, RBF-SVM, random forest, and gradient boosting demonstrate that the FCM+FSVM model achieves the highest performance in both overall classification accuracy and minority class recognition.

Anahtar Kelimeler

Fuzzy clustering, Machine learning, Customer behavior, Classification algorithms, Data analysis

Proje Numarası

1919B012424159

Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu

Öz

Bu çalışmada, pazarlama kampanyalarına yönelik müşteri yanıt davranışlarının sınıflandırılması ele alınmıştır. Analizlerde, Kaggle çevrimiçi veri paylaşım platformunda açık erişimli olarak sunulan Customer Personality Analysis (CPA) veri seti kullanılmıştır. Veri setindeki hedef değişken Response, müşterinin son kampanya teklifini kabul etme durumunu ifade etmektedir (1 = kabul etti, 0 = kabul etmedi). Pozitif sınıfın toplam gözlem sayısına oranının yaklaşık %15 düzeyinde olması, belirgin bir sınıf dengesizliği problemine işaret etmektedir. Bu nedenle, model başarımının değerlendirilmesinde yalnızca doğruluk ölçütü yerine, azınlık sınıfını daha dengeli biçimde temsil eden makro-F1 metriği dikkate alınmıştır. Yöntemsel çerçevede ilk olarak bulanık c-Ortalamalar (FCM) algoritması uygulanarak her örnek için kümelere ilişkin üyelik dereceleri elde edilmiştir. Daha sonra bu üyelik dereceleri, FCM+FSVM yapısında örnek ağırlığı olarak sınıflandırma sürecine dahil edilmiş; FCM+FKNN yapısında ise komşuluk katkı katsayısı olarak kullanılmıştır. FCM hiperparametreleri genetik algoritma ile optimize edilirken, sınıflandırıcılara ilişkin hiperparametreler rastgele arama yöntemiyle belirlenmiştir. Deneysel çalışmalarda lojistik regresyon, KNN, RBF-SVM, rastgele orman ve gradyan artırma gibi yöntemlerle karşılaştırma yapılmış ve FCM+FSVM modelinin hem genel sınıflandırma başarımı hem de azınlık sınıfını tanıma yeteneği açısından en yüksek performansı sergilediği görülmüştür.

Anahtar Kelimeler

Bulanık kümeleme, Makine öğrenmesi, Müşteri davranışları, Sınıflandırma algoritmaları, Veri analizi

Destekleyen Kurum

Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) tarafından 2209-A Üniversite Öğrencileri Araştırma Projeleri Destekleme Programı kapsamında, 1919B012424159 başvuru numarası ile desteklenmiştir.

Proje Numarası

1919B012424159

Etik Beyan

Bu makalenin yazarları çalışmalarında araştırma ve yayın etiğine uyduklarını beyan ederler.

Teşekkür

Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) tarafından 2209-A Üniversite Öğrencileri Araştırma Projeleri Destekleme Programı kapsamında, 1919B012424159 başvuru numarası ile desteklenmiştir. Sağladığı değerli katkılardan ötürü TÜBİTAK’a teşekkür ederiz.

Kaynakça

Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281–305.
Bezdek, J. C., Ehrlich, R., & Full, W. (1984). FCM: The fuzzy c-means clustering algorithm. Computers & Geosciences, 10(2–3), 191–203. https://doi.org/10.1016/0098-3004(84)90020-7
Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992). Training algorithm for optimal margin classifiers. In Proceedings of the Fifth Annual ACM Workshop on Computational Learning Theory (pp. 144–152). https://doi.org/10.1145/130385.130401
Chen, W., Yang, K., Yu, Z., et al. (2024). A survey on imbalanced learning: Latest research, applications and future directions. Artificial Intelligence Review, 57, 137. https://doi.org/10.1007/s10462-024-10759-6
Chowdhary, C. L., Mittal, M., Kumaresan, P., Pattanaik, P. A., & Marszalek, Z. (2020). An efficient segmentation and classification system in medical images using intuitionist possibilistic fuzzy C-mean clustering and fuzzy SVM algorithm. Sensors, 20(14), 3903. https://doi.org/10.3390/s20143903
Cover, T. M., & Hart, P. E. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27. https://doi.org/10.1109/TIT.1967.1053964
Dolatabadian, A., Neik, T. X., Danilevicz, M. F., et al. (2024). Image-based crop disease detection using machine learning. Plant Pathology. https://doi.org/10.1111/ppa.14006
Fathi, M., Kianfar, K., Hasanzadeh, A., & Sadeghi, A. (2009). Customers fuzzy clustering and catalog segmentation in customer relationship management. In Proceedings of the 2009 IEEE International Conference on Industrial Engineering and Engineering Management (pp. 1234–1238). https://doi.org/10.1109/IEEM.2009.5372997
Gu, X., Ni, T., & Wang, H. (2014). New fuzzy support vector machine for the class imbalance problem in medical datasets classification. The Scientific World Journal, 2014, 536434. https://doi.org/10.1155/2014/536434
Gupta, S., Nagar, N., Nasirul, M., & Shabani, M. (2024). Improving market segmentation via customer personality prediction using deep AI analysis. Journal of Informatics Education and Research, 4(2), 2299. https://doi.org/10.52783/jier.v4i2.1062

Hassanat, A., Almohammadi, K., Alkafaween, E., Abunawas, E., Hammouri, A., & Prasath, V. B. S. (2019). Choosing mutation and crossover ratios for genetic algorithms—A review with a new dynamic approach. Information, 10(12), 390. https://doi.org/10.3390/info10120390
He, H., & Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263–1284. https://doi.org/10.1109/TKDE.2008.239
Hosmer, D. W., & Lemeshow, S. (2000). Applied logistic regression. Wiley. https://doi.org/10.1002/0471722146
Izakian, H., & Abraham, A. (2011). Fuzzy C-means and fuzzy swarm for fuzzy clustering problem. Expert Systems with Applications, 38(3), 1835–1838. https://doi.org/10.1016/j.eswa.2010.07.112
Jena, P. K., & Chattopadhyay, S. (2012). Comparative study of fuzzy k-nearest neighbor and fuzzy c-means algorithms. International Journal of Computer Applications, 57(7), 22–29.
Keller, J. M., & Gray, M. R. (1985). A fuzzy k-nearest neighbor algorithm. IEEE Transactions on Systems, Man, and Cybernetics, SMC-15(4), 580–585. https://doi.org/10.1109/TSMC.1985.6313426
King, G., & Zeng, L. (2001). Logistic regression in rare events data. Political Analysis, 9(2), 137–163. https://doi.org/10.1093/oxfordjournals.pan.a004868
Li, Y., Wang, H., Dang, L. M., Nguyen, T. N., Han, D., Lee, A., & Moon, H. (2020). A deep learning-based hybrid framework for object detection and recognition in autonomous driving. IEEE Access, 8, 194228–194239. https://doi.org/10.1109/ACCESS.2020.3033289
Ling, C. X., & Li, C. (1998). Data mining for direct marketing: Problems and solutions. KDD Conference.
Lin, C.-F., & Wang, S.-D. (2002). Fuzzy support vector machine. IEEE Transactions on Neural Networks, 13(2), 464–471. https://doi.org/10.1109/72.991432
Liu, Y., He, M., & Hui, B. (2025). ESO-DETR: An improved real-time detection transformer model for enhanced small object detection in UAV imagery. Drones, 9(2), 143. https://doi.org/10.3390/drones9020143
Ma, Q., Zhu, X., Zhao, X., Zhao, B., Fu, G., & Zhang, R. (2024). An equidistance index intuitionistic fuzzy c-means clustering algorithm based on local density and membership degree boundary. Applied Intelligence, 54(4), 3205-3221. https://doi.org/10.1007/s10489-024-05297-1
Maraş, A., & Erol, Ç. (2023). FuzzyCSampling: A hybrid fuzzy C-means clustering sampling strategy for imbalanced datasets. Turkish Journal of Electrical Engineering and Computer Sciences, 31, 1223–1236. https://doi.org/10.55730/1300-0632.4044
Marín Díaz, G. (2025). A fuzzy-XAI framework for customer segmentation and risk detection: Integrating RFM, 2-tuple modeling, and strategic scoring. Mathematics, 13(2141). https://doi.org/10.3390/math13132141
Núñez, H., Gonzalez-Abril, L., & Angulo, C. (2017). Improving SVM classification on imbalanced datasets by introducing a new bias. Journal of Classification, 34, 427–443. https://doi.org/10.1007/s00357-017-9242-x
Rezvani, S., Pourpanah, F., Lim, C. P., & Wu, Q. M. J. (2024). Methods for class-imbalanced learning with support vector machines: A review and an empirical evaluation. arXiv preprint arXiv:2406.03398. https://arxiv.org/abs/2406.03398
Selvalakshmi, V., Sree, T. M. U., Saranya, S., Devi, A. U., & Basha, M. S. A. (2025). Enhancing customer personality prediction using advanced machine learning techniques and data balancing strategies. In 2025 International Conference on Intelligent Systems and Computational Networks (ICISCN) (pp. 1–7). IEEE. https://doi.org/10.1109/ICISCN64258.2025.10934379
Sharma, R., Goel, T., Tanveer, M., & Al-Dhaifallah, M. (2025). Alzheimer’s disease diagnosis using ensemble of random weighted features and fuzzy least square twin support vector machine. IEEE Transactions on Emerging Topics in Computational Intelligence. https://doi.org/10.1109/TETCI.2024.3523714
Tekerek, A. (2019). Support vector machine based spam SMS detection. Politeknik Dergisi, 22(3), 779–784. https://doi.org/10.2339/politeknik.429707
Vani, H. Y., Anusuya, M. A., & Chayadevi, M. L. (2019). Fuzzy clustering algorithms: Comparative studies for noisy speech signals. ICTACT Journal on Soft Computing, 9(2), 1920–1926. https://doi.org/10.21917/ijsc.2019.0267
Wedel, M., & Kannan, P. K. (2016). Marketing analytics for data-rich environments. Journal of Marketing, 80(6), 97–121. https://doi.org/10.1509/jm.15.0413
Yang, X., Zhang, G., Lu, J., & Ma, J. (2011). A kernel fuzzy c-means clustering-based fuzzy support vector machine algorithm. IEEE Transactions on Fuzzy Systems, 19(1), 105–119. https://doi.org/10.1109/TFUZZ.2010.2087382
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. https://doi.org/10.1016/S0019-9958(65)90241-X
Zhang, S. (2022). Challenges in KNN classification. IEEE Transactions on Knowledge and Data Engineering, 34(9), 4663–4675. https://doi.org/10.1109/TKDE.2021.3049250

Ayrıntılar

Birincil Dil

Türkçe

Konular

Algoritmalar ve Hesaplama Kuramı, Sayısal Hesaplama ve Matematiksel Yazılım, Veri Yapıları ve Algoritmalar

Bölüm

Araştırma Makalesi

Yazarlar

Fatih Kutlu ^*
0000-0002-1731-9559
Türkiye

Kübra Göleli
0000-0003-2015-3576
Türkiye

Hanım Demir
0009-0008-5691-9143
Türkiye

Gülcan Erdiz
0009-0000-6664-4990
Türkiye

Yayımlanma Tarihi

24 Aralık 2025

Gönderilme Tarihi

5 Temmuz 2025

Kabul Tarihi

11 Kasım 2025

Yayımlandığı Sayı

Yıl 2025 Cilt: 30 Sayı: 3

DOI

https://doi.org/10.53433/yyufbed.1735602

IZ

https://izlik.org/JA35FG86TC

APA

Kutlu, F., Göleli, K., Demir, H., & Erdiz, G. (2025). Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 30(3), 990-1008. https://doi.org/10.53433/yyufbed.1735602

AMA

1.Kutlu F, Göleli K, Demir H, Erdiz G. Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu. YYUFBED. 2025;30(3):990-1008. doi:10.53433/yyufbed.1735602

Chicago

Kutlu, Fatih, Kübra Göleli, Hanım Demir, ve Gülcan Erdiz. 2025. “Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 30 (3): 990-1008. https://doi.org/10.53433/yyufbed.1735602.

EndNote

Kutlu F, Göleli K, Demir H, Erdiz G (01 Aralık 2025) Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 30 3 990–1008.

IEEE

[1]F. Kutlu, K. Göleli, H. Demir, ve G. Erdiz, “Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu”, YYUFBED, c. 30, sy 3, ss. 990–1008, Ara. 2025, doi: 10.53433/yyufbed.1735602.

ISNAD

Kutlu, Fatih - Göleli, Kübra - Demir, Hanım - Erdiz, Gülcan. “Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 30/3 (01 Aralık 2025): 990-1008. https://doi.org/10.53433/yyufbed.1735602.

JAMA

1.Kutlu F, Göleli K, Demir H, Erdiz G. Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu. YYUFBED. 2025;30:990–1008.

MLA

Kutlu, Fatih, vd. “Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c. 30, sy 3, Aralık 2025, ss. 990-1008, doi:10.53433/yyufbed.1735602.

Vancouver

1.Fatih Kutlu, Kübra Göleli, Hanım Demir, Gülcan Erdiz. Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu. YYUFBED. 01 Aralık 2025;30(3):990-1008. doi:10.53433/yyufbed.1735602

Customer Behavior Segmentation Using Fuzzy Clustering and Classification Techniques

Öz

Anahtar Kelimeler

Proje Numarası

Bulanık Kümeleme ve Sınıflandırma Teknikleri ile Müşteri Davranış Segmentasyonu

Öz

Anahtar Kelimeler

Destekleyen Kurum

Proje Numarası

Etik Beyan

Teşekkür

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster