Evaluation of Customer Profile in Individual Pension Sector by Two-Step Cluster Analysis

Year 2017, , 475 - 485, 30.10.2017

Zeynep Ceylan , Samet Gürsev , Serol Bulkan

https://doi.org/10.17671/gazibtd.323951

Cited By: 15

Abstract

The Individual Pension System (IPS)  in Turkey entered into force on October 27,
2003. From this date, IPS shows a rapid development in terms of number of
participants and fund size. Thus, individual pension companies need to
differentiate in products and services and must offer the right products and
services to the right customers in order to increase the number of
participants. In addition to these, data mining techniques aimed at retaining
corporate customers should be applied by existing customers with good
definitions and correct strategies to prevent customer loss. Correctly meeting
the needs of different customers plays an important role in increasing the
market and profitability of companies in a competitive environment. For this
reason, data mining is an important technique used by enterprises and institutions
that have large data volumes to provide superiority to their competitors. In
this study, two-step cluster method, one of the data mining clustering methods,
was applied to the information of the customers of a pension company operating
in Turkey. The two-step cluster method has the ability to process both
continuous and categorical data when compared to other clustering methods. It
is also preferred because of its large sample size and flexibility. The data
were divided into three different clusters and each cluster was examined
separately. This study aimed to provide the company with the necessary
insight in taking customer-oriented strategic decisions to secure customer
continuity and preventing customer loss by providing clusters according to the
information in the customer's database.

Keywords

Two-step cluster, customer analysis, data mining, individual pension system

İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi

Abstract

Türkiye'de Bireysel Emeklilik
Sistemi (BES) 27 Ekim
2003 tarihinde yürürlüğe girmiştir. Bu tarihten itibaren katılımcı
sayısı ve fon büyüklüğü açısından BES hızlı bir gelişme göstermiştir. Bu nedenle
bireysel emeklilik şirketlerinin katılımcı sayılarını arttırmaları için ürün ve
hizmetlerde farklılaşmaları ve doğru müşteriye doğru ürün ve hizmeti sunmaları
gerekmektedir. Bunların yanı sıra, şirketler müşterilerini elde tutmaya
yönelik, veri madenciliği teknikleriyle mevcut müşterilerini iyi tanımaları ve
müşteri kaybını önlemek için doğru stratejileri uygulamaları gerekmektedir.
Çünkü farklı müşteri ihtiyaçlarını doğru şekilde karşılamak, rekabet
ortamında şirketlerin pazar payı ve
karlılıklarını arttırmaları açısından önemli rol oynamaktadır. Bu nedenle, veri
madenciliği  büyük veri yığınlarına sahip olan işletme ve kurumların,
rakiplerine üstünlük sağlayabilmesi için
kullanılan önemli bir tekniktir. Bu çalışmada, Türkiye'de faaliyet gösteren bir
emeklilik şirketinin müşterileri hakkındaki bilgilere veri madenciliği kümeleme
yöntemlerinden biri olan iki aşamalı kümeleme yöntemi uygulanmıştır. İki
aşamalı kümeleme yöntemi, diğer kümeleme yöntemleri ile kıyaslandığında hem
sürekli hem de kategorik verileri işleyebilme yeteneğine sahiptir. Ayrıca büyük
örneklem büyüklüklerinde esnek olması nedeniyle tercih
edilmektedir. Veriler üç farklı kümeye ayrılmış ve her küme ayrı ayrı
incelenmiştir. Bu çalışma ile müşterileri veritabanında yer alan bilgilerine
göre kümelere ayırarak müşteri sürekliliğinin sağlanması
ve müşteri kaybının önlenmesi için müşteri odaklı stratejik kararlar
alınmasında şirkete gerekli öngörüyü sağlaması
hedeflenmiştir.

Keywords

İki aşamalı kümeleme, müşteri analizi, veri madenciliği, bireysel emeklilik sistemi

References

• [1] Emeklilik Gözetim Merkezi. "BES Temel Göstergeleri", http://www.egm.org.tr/weblink/BESgostergeler.asp, 01.05.2017.
• [2] The Organization for Economic Co-operation and Development (OECD). "Pension Markets in Focus, 2016". http://www.oecd.org/daf/fin/private-pensions/Pension-Markets-in-Focus-2016.pdf, 01.05.2017.
• [3] Y. Yin, I. Kaku, J. Tang, J.M. Zhu, Data Mining: Concepts, Methods and Applications in Management and Engineering Design, 2011.
• [4] P.N. Tan, M. Steinbach, V. Kumar, Introduction to Data Mining, International Edition, Pearson Education Inc., Boston, USA, 2006.
• [5] G.S. Linoff, M.J. Berry, Data Mining Techniques: for Marketing, Sales and Customer Relationship Management, Indianapolis, Wiley Publishing Inc., 2011.
• [6] S. Savaş, N. Topaloğlu, M. Yılmaz, "Veri Madenciliği ve Türkiye’deki Uygulama Örnekleri". İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 11(21), 1-23, 2012.
• [7] T. Özcan, Perakende endüstrisinde raf alanı yönetimine veri madenciliği esaslı analitik bir yaklaşım. Doktora tezi, İstanbul Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye, 2011.
• [8] Y.L. Chen, J.M. Chen, C.W. Tung, "Data mining approach for retail knowledge discovery with consideration of the effect of shelf-space adjacency on sales". Decision support systems, 42, 1503–1520, 2006.
• [9] J. Han, M. Kamber, J. Pei, Data Mining Concepts and Techniques, Morgan Kaufmann Publishers Inc., Waltham, USA, 2012.
• [10] İ. Ertuğrul, A. Organ, A. Şavlı, "Veri madenciliği uygulamasına ilişkin PAÜ hastanesinde hasta profilinin belirlenmesi". Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 19 (2), 97-103, 2013.
• [11] S. Giray, F.E. Gülel, “Avrupa Ülkelerinin İntihar Oranlarına Göre Sınıflandırılması”. Süleyman Demirel Üniversitesi Fen-Edebiyat Fakültesi Sosyal Bilimler Dergisi, 31, 235-247, 2014.
• [12] R.K. Blashfield, M.S. Aldenferder, "The literature on cluster analysis". Multivariate Behavioral Research, 13, 271-295, 1978.
• [13] A. Uslu, C. Çetinkaya, E. Özceylan, S.K. İşleyen, "Organize Sanayi Bölgelerinin Hiyerarşik-K-Ortalamalar Yöntemi ile Analizi", Türk Sosyal Bilimler Araştırmaları Dergisi, 2(1), 20-37, 2017.
• [14] R. Johnson, D. Wichern, Applied Multivariate Statistical Analysis, New Jersey: Prentice-Hall, 2002.
• [15] M. Kayri, "Two-Step Cluster analysis in researches: A case study". Eurasian Journal of Educational Research (EJER), 28, 89-99, 2007.
• [16] Ç. Taşkın, G.G. Emel, "Veri madenciliğinde kümeleme yaklaşımları ve kohonen ağları ile perakendecilik sektöründe bir uygulama". Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 15(3), 395-409, 2010.
• [17] Choi W, Shah P, Das SK. "A framework for energy-saving data gathering using two-phase clustering in wireless sensor networks". Proceedings of the First Annual International Conference on Mobile and Ubiquitous Systems: Networking and Services (MobiQuitous’04), Bostan, USA, 2004.
• [18] D. Schiopu, "Applying Two Step Cluster Analysis for Identifying Bank Customers’ Profile". UniversităŃii Petrol – Gaze din Ploieşti, ŞtiinŃeEconomice, LXII (3), 66-75, 2010.
• [19] M. Namvar, M.R. Gholamian, S.K. Abi, "A Two Phase Clustering Method for Intelligent Customer Segmentation". International Conference on Intelligent Systems, Modelling and Simulation (ISMS), Liverpool, United Kingdom, 2010.
• [20] S. Savaş, N. Topaloğlu, "Veri Madenciliği Yöntemi İle GSM Şebekelerinin Performans Analizi". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 26(4), 741-751, 2011.
• [21] M.B. Yılmaz, "Profiles of University Students According to Internet Usage with the Aim of Entertainment and Communication and their Affinity to Internet". International Online Journal Education Science, 4(1), 225-242, 2012.
• [22] H. Çetin, S. Irmak, "Elektronik Alışverişte Akademisyenlerin Güvenlik ve Risk Algılarının Belirlenmesi". Yönetim Bilimleri Dergisi, 12(24), 275-294, 2014.
• [23] E.S. Arı, H. Özköse, A. Doğan, M.H. Calp, "İstanbul Borsası'nda İşlem Gören Firmaların Performanslarının Kümeleme Analizi İle Değerlendirilmesi". Bilişim Teknolojileri Dergisi, 9(1), 33-39, 2016.
• [24] S. Giray, "İki Aşamalı Kümeleme Analizi ile Hükümlü Verilerinin İncelenmesi". İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 25, 1-31, 2016.
• [25] M. Kayri, S. Günüç, "Yüksek ve Düşük Sosyoekonomik Koşullara Sahip Öğrencilerin İnternet Bağımlılığı Açısından Karşılaştırmalı Olarak İncelenmesi". The Turkish Journal on Addictions, 3(2), 165-183, 2016.
• [26] S. Rundle-Thiele, K. Kubacki, A. Tkaczynski, J. Parkinson, "Using Two-Step Cluster Analysis to Identify Homogeneous Physical Activity Groups". Marketing Intelligence & Planning, 33(4), 522-537, 2015.
• [27] A. Tkaczynski, "Segmentation using two-step cluster analysis", Segmentation in Social Marketing, Editörler: Dietrich T, Rundle-Thiele S, Kubacki K. Springer, Singapore, 109–125, 2017.
• [28] A. Özdemir, K. Orçanlı, "İki Aşamalı Kümeleme Algoritması İle Pazar Bölümlemesi, Müşteri Profillerinin Belirlenmesi ve Niş Pazarların Tespiti". Uşak Üniversitesi Sosyal Bilimler Dergisi, 5 (3), 1-27, 2012.
• [29] J. Bacher, K. Wenzig, M. Vogler, "SPSS Twostep Cluster - A First Evaluation". In RC33 Sixth International Conference on Social Science Methodology, 2004.
• [30] Emeklilik Gözetim Merkezi. "Bireysel Emeklilik Sistemi Gelişim Raporu, 2015". http://www.egm.org.tr/bes2015gr.asp, 17.04.2017.
• [31] T.C. Kalkınma Bakanlığı. "İllerin ve Bölgelerin Sosyo-Ekonomik Gelişmişlik Sıralaması Araştırması (SEGE-2011)". http://www.kalkinma.gov.tr/Pages/content.aspx?l=7a0b8e4a-dd0f-43b1-880c-e682b9d15cc3&i=548, 04.05.2017.
• [32] SPSS Inc. (2007). "Clementine 11.1 User's Guide". https://web.kku.ac.th/wichuda/DMining/ClementineUsersGuide_11.1.pdf, 03.03.2017.