K-means algoritması ile müşteri profilinin belirlenmesi

Abstract

Bilgi teknolojisinde ve veri boyutunda meydana gelen hızlı gelişim ve değişimile büyük veri kümelerinden değerli bilgileri çıkarmak için güçlü ve çok yönlü araçlaraihtiyaç duyulmaktadır. Veri Madenciliği, büyük ve karmaşık veri yığınları içerisindekifaydalı bilgileri keşfetme sürecidir.Bu tez çalışmasında veri madenciliğinin bankacılık ve pazarlama alanındakifonksiyonu incelenmiştir. Temel amaç, heterojen veri kümesi içerisinden homojen müşterigruplarının ve oluşan müşteri kümelerine özel pazarlama stratejisinin belirlenmesidir.Çalışmada, 18 davranış değişkeni ve 8950 adet müşterinin kredi kartı kullanımdavranışını içeren bir banka veri kümesi üzerinde veri madenciliği yöntemlerinden KOrtalama algoritması kullanılarak kümeleme çalışması yapılmıştır. Analiz sonucundasekiz müşteri kümesi oluşmuştur. Oluşan sekiz kümenin grup içinde ve gruplar arasındakianlamlı farklılığın tespiti için SPSS kullanılarak Kruskal-Wallis sınamasıyapılmıştır. Kümeler arasında bulunan anlamlı farklılıkların hangi küme gruplarındankaynaklandığını bulmak için Tamhane’s T2sınaması uygulanmıştır ve oluşan sekizkümenin karakteristik özellikleri belirlenmiştir.Veri hazırlama aşamasında MS Excel, veri ön işleme ve modelleme aşamasındaPython ve sonuçların analizi aşamasında IBM SPSS yazılımları kullanılmıştır

Powerful and versatile tools are needed to extract valuable information fromlarge data sets. With the rapid development and change in information technology anddata size. Data Mining is the process of discovering useful information within large andcomplex data heaps.In this thesis, the function of data mining in banking and marketing has beenexamined. The main purpose is to determine the homogeneous customer groups from theheterogeneous data set and the marketing strategy specific to the formed customerclusters. In the study, a clustering study was conducted using the K-Average algorithm,one of the data mining methods, on a bank data set containing 18 behavioral variablesand the credit card usage behaviors of 8950 customers. As a result of the analysis, eightcustomer clusters were formed. Kruskal-Wallis test was performed using the SPSSprogram to determine the significant difference between and within the group of the eightclusters formed. Tamhane’s T2test was applied to find out which cluster groups causedthe significant differences between clusters and the characteristics of the eight clustersformed were determined.MS Excel in the data preparation phase, Python in the data pre-processing andmodeling phase, and IBM SPSS software in the analysis of the results.