Müşteri segmentasyonu ve davranış analizi: Random forest algoritması kullanılarak gelir ve harcama davranışlarının incelenmesi

Year 2025, Volume: 8 Issue: 1, 52 - 66, 10.03.2025

Bilge Doğanlı

https://doi.org/10.58308/bemarej.1646966

Abstract

Bu çalışma, bir müşteri veri setinin kullanımı ile müşteri segmentasyonu ve davranış analizi yapılarak gerçekleştirilmiştir. Veri seti, 1000 müşteriden oluşmakta ve 9 farklı değişken içermektedir. Çalışma ile Random Forest algoritması kullanılarak; gelir, harcama skoru, üyelik süresi gibi özelliklerin müşteri davranışlarını nasıl etkilediği araştırılmıştır. Gerçekleştirilen özellik önemi analizi ile gelirin ve satın alma sıklığının, müşteri davranışlarının tahmin edilmesinde en etkili faktörler olduğu, yaş, harcama skoru ve üyelik süresi değişkenlerinin ise daha düşük öneme sahip oldukları belirlenmiştir. Ayrıca, cinsiyet, tercih edilen kategori ve gelir dağılımı gibi demografik faktörlerin de, müşteri segmentasyonuna etkileri bulunmaktadır. Çalışma; müşteri değerlemesi ve pazarlama stratejilerinin geliştirilmesinde kullanılabilecek önemli içgörüler sunmaktadır. Segmentasyon analizi sonucunda, yüksek gelirli ve yüksek harcama gerçekleştiren müşteri gruplarına yönelik olarak özel stratejiler geliştirilmesi gerekliliği sonucuna ulaşılmıştır. Bu tür analizlerin, işletmelerin müşteri kitlelerini daha iyi anlamalarına ve stratejik kararlar almalarına yardımcı olabileceği düşünülmektedir.

Keywords

Müşteri Segmentasyonu, Random Forest Algoritması, Özellik Önemi Analizi, Gelir ve Harcama Davranışları

Customer segmentation and behavior analysis: Examining income and spending behaviors using random forest

Abstract

ABSTRACT
In this study, customer segmentation and behavior analysis were performed using a customer dataset. The dataset consists of 1000 customers and includes 9 different variables. In the study, how features such as income, spending score, and membership duration affect customer behavior was investigated using the Random Forest algorithm. With feature importance analysis, it was determined that income and purchase frequency are the most effective factors in predicting customer behavior. Age, spending score, and membership duration are less important. In addition, demographic factors such as gender, preferred category, and income distribution also affect customer segmentation. The study provides important insights that can be used in customer evaluation and development of marketing strategies. Segmentation analysis emphasizes the need to develop special strategies for high-income and high-spending customer groups. Such analyses can help businesses better understand their customer base and make strategic decisions.

Keywords

Customer Segmentation, Random Forest Algorithm, Feature Importance Analysis, Income and Spending Behaviors, Correlation Analysis

References

• Alaca, Y. (2023). Siber güvenlikte CIC-Darknet2020 veri seti kullanarak VPN/NoVPN ve Tor/NoTor sınıflandırması: Basit ve karmaşık modellerin kullanımı. Fırat Üniversitesi Müh. Bil. Dergisi, 35(2), 569-579.
• Alfajr, N. H., & Defiyanti, S. (2024). Prediksi penyakit jantung menggunakan metode random forest dan penerapan principal component analysis (PCA). Jurnal Informatika Dan Teknik Elektro Terapan, 12(3S1). https://doi.org/10.23960/jitet.v12i3S1.5055.
• Dai, Z., Hu, Z., Shen, T., & Zhang, Y. (2023). Risk prediction of diabetes based on spark and random forest algorithm. 2023 IEEE 2nd International Conference on Electrical Engineering, Big Data and Algorithms (EEBDA), 535–539. https://doi.org/10.1109/EEBDA56825.2023.10090801
• Doğanlı, B., & Çelik, S. (2024). Pazarlama stratejileri için veri bilimi ve Python (1st ed.). All Sciences Academy.
• Gürsakal, N., & Çelik, S. (2021). Büyük veri ve pazarlama (Birinci Baskı). Dora Yayınevi. Ignatenko, V., Surkov, A., & Koltcov, S. (2024). Random forests with parametric entropy-based information gains for classification and regression problems. PeerJ Computer Science, 10, e1775. https://doi.org/10.7717/peerj-cs.1775
• Kumar, D., Kothiyal, A., Kumar, R., Hemantha, C., & Maranan, R. (2024). Random Forest approach optimized by the Grid Search process for predicting the dropout students. 2024 International Conference on Innovations and Challenges in Emerging Technologies (ICICET), 1–6. https://doi.org/10.1109/ICICET59348.2024.10616372
• Li, Y., & Mu, Y. (2024). Research and performance analysis of random forest-based feature selection algorithm in sports effectiveness evaluation. Scientific Reports, 14(1), 26275. https://doi.org/10.1038/s41598-024-76706-1
• Madhiraju, B., Reddy, S., & Sasikala, G. (2024). Customer Segmentation Using RFM Analysis. EPRA International Journal of Economic and Business Review, 15-22. https://doi.org/10.36713/epra17685
• Miao, Y., & Xu, Y. (2024). Random forest-based analysis of variability in feature ımpacts. 2024 IEEE 2nd International Conference on Image Processing and Computer Applications (ICIPCA), 1130–1135. https://doi.org/10.1109/ICIPCA61593.2024.10708791
• Mrg, R. A., & Hasibuan, M. S. (2024). Best student classification using ensemble random forest method. Sistemasi, 13(3), 1188. https://doi.org/10.32520/stmsi.v13i3.4101
• Salman, H. A., Kalakech, A., & Steiti, A. (2024). Random forest algorithm overview. Babylonian Journal of Machine Learning, 2024, 69–79. https://doi.org/10.58496/BJML/2024/007
• Wong, C.-G., Tong, G.-K., & Haw, S.-C. (2024). Exploring customer segmentation in e-commerce using RFM analysis with clustering techniques. Journal of Telecommunications and the Digital Economy, 12(3), 97–125. https://doi.org/10.18080/jtde.v12n3.978