Evaluation of Customer Loss Analysis for Marketing Campaigns in the Banking Sector

Yıl 2023, Cilt: 26 Sayı: 2, 759 - 764, 05.07.2023

Recep Dur , Sabri Koçer , Özgür Dündar

https://doi.org/10.2339/politeknik.1036034

Cited By: 1

Öz

In this study, customer loss analysis conducted for mobile marketing campaigns in the banking sector. Mobile marketing is a frequently used marketing method, and SMS (Short Message Service) is the most commonly used mobile marketing tool due to its wide range of customers. However, mobile marketing activities may cause customer loss in case of irrelevant and frequent submission if customers don’t want to receive advertising notifications. The data set used in the analysis includes 22 attributes belonging to 29,635 customers and class information about whether customers block marketing SMS. The obtained data set was classified by logistic regression, artificial neural networks and support vector machines, and the classification performances of the algorithms were compared. Results show that all three methods have similar accuracy, precision, recall and F-score values while Logistic regression method is slightly better than others.

Anahtar Kelimeler

Classification, customer churn analysis, data mining, machine learning

Bankacılık Sektöründe Pazarlama Kampanyalarına Yönelik Müşteri Kayıp Analizinin Değerlendirilmesi

Öz

Bu çalışmada, bankacılık sektöründe mobil pazarlama kampanyalarına yönelik müşteri kayıp analizi gerçekleştirilmiştir. Mobil pazarlama sıklıkla kullanılan bir pazarlama yöntemi olup SMS (Short Message Service/Kısa Mesaj Hizmeti) ulaştığı geniş kullanım kitlesi sebebiyle en sık kullanılan mobil pazarlama aracıdır. Bununla beraber alakasız ve sık gönderim gibi etkenlerden dolayı müşteriler reklam bildirimi almak istemeyebilirler ve mobil pazarlama faaliyetleri sebebiyle müşteri kaybı yaşanabilir. Analizde kullanılan veri setinde 29.635 müşteriye ait 22 öznitelikler ve müşterilerin pazarlama SMS’lerini engelleyip engellemediğine dair sınıf bilgisini içermektedir. Elde edilen veri seti lojistik regresyon, yapay sinir ağları ve destek vektör makineleri ile sınıflandırılarak algoritmalara ait sınıflandırma performansları karşılaştırılmıştır. Her üç yöntemin doğruluk, kesinlik, duyarlılık ve F-Skor değerleri birbirine yakın çıkarken Lojistik regresyon diğer sınıflandırma yöntemlerinden az da olsa daha iyi sonuç vermiştir.

Anahtar Kelimeler

Sınıflandırma, müşteri kayıp analizi, veri madenciliği, makine öğren

Kaynakça

• [1] Saura, J. R. “Using data sciences in digital marketing: Framework, methods, and performance metrics.” Journal of Innovation & Knowledge, 6(2), 92-102, (2021).
• [2] De Caigny, A., Coussement, K., & De Bock, K. W. “Leveraging fine-grained transaction data for customer life event predictions.” Decision Support Systems, 130, 113232, (2020)
• [3] Reddy, N. S. “Optimal feature selection and hybrid deep learning for direct marketing campaigns in banking applications”, Evolutionary Intelligence, 1-22, (2021).
• [4] Ładyżyński, P., Żbikowski, K., & Gawrysiak, P. “Direct marketing campaigns in retail banking with the use of deep learning and random forests.” Expert Systems with Applications, 134, 28-35, (2019).
• [5] Barutçu S.” Mobil Pazarlama, Güncel Pazarlama Yaklaşımlarından Seçmeler, içinde : İ. Varinli, K. Çatı” , Detay Yayıncılık, Ankara; 259-285, (2008).
• [6] Arslan, R. S. , Doğru, İ. A. & Barışçı, N. Android Mobil Uygulamalar için İzin Karşılaştırma Tabanlı Kötücül Yazılım Tespiti. Politeknik Dergisi , 20 (1) , 175-189, (2017).
• [7] Elektronik Ticaretin Düzenlenmesi Hakkında Kanun. Resmi Gazete (Sayı: 29166), http://www.resmigazete.gov.tr/eskiler/2014/11/20141105-1.htm [Ziyaret Tarihi: 03.02.2019].
• [8] Aydın, M. A. “Müşteri Kaybı Tahmininde Sınıf Dengesizliği Problemi” . Politeknik Dergisi, 1-1, (2021).
• [9] Saçan, B. & Eren, T. “Dijital Pazarlama Strateji Seçimi: SWOT Analizi Ve Çok Ölçütlü Karar Verme Yöntemleri.” Politeknik Dergisi, 1-1, (2021).
• [10] Tekerek, A. “Support Vector Machine Based Spam SMS Detection” Politeknik Dergisi , 22 (3) , 779-784, (2019).
• [11] Reichheld F.F., Sasser E. “Zero Defections: Quality Comes to Services.” Harvard Business Review, 68; 105-111, (1990)
• [12] Karaağaç Ş. S. “Churn Analysis And Churn Prediction In A Private Bank”, Yüksek Lisans Tezi, Marmara Üniversitesi Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, İstanbul, (2015).
• [13] Kaynar O., Tuna M. F., Görmez Y., Deveci, M. A. “Makine öğrenmesi yöntemleriyle müşteri kaybı analizi.” Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi. 18; 1 14, (2017).
• [14] Coussement K., Lessmann S., Verstraeten G. “A comparative analysis of data preparation algorithms for customer churn prediction: A case study in the telecommunication industry.” Decision Support Systems. p. 27-36, (2016).
• [15] Kıraç S. SMS “Reklamlarına Yönelik Tüketici Tutumları Oluşturan Faktörler,” Yüksek Lisans Tezi, Bahçeşehir Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul, (2012).
• [16] Watson C., McCarthy J., Rowley J. “Consumer Attitudes Towards Mobile Marketing in The Smart Phone Era.” International Journal of Information Management. 33; 840– 849, (2013).
• [17] Hosmer D. W., Lemeshow S. “Applied Logistic Regression.” John Wiley & Sons, Inc., New York; (2000).
• [18] Bayram N. “Sosyal Bilimlerde SPSS İle Veri Analizi.” Ezgi Kitabevi, Bursa, (2017).
• [19] Elhan A.H. “Lojistik Regresyon Analizinin İncelenmesi ve Tıpta Bir Uygulaması,” Yüksek Lisans Tezi, Ankara Üniversitesi Sağlık Bilimleri Enstitüsü, 4-29, (1997).
• [20] Fausett L. Fundamentals of Neural Networks. Prentice Hall, USA; (1994).
• [21] İslamoğlu E. “Aralık Değerli Zaman Serilerinde Kullanılan Modelleme Teknikleri.” EÜFBED Fen Bilimleri Enstitüsü Dergisi, 8; 178–193, (2015).
• [22] Vapnik V.N. “The Nature of Statistical Learning Theory”. New York: Springer-Verlag; (1995).
• [23] Nitze I., Schulthess U., Asche H. “Comparison of machine learning algorithms random forest, artficial neural network and support vector machine to maximum likelihood for supervised crop type classification”, Proceedings of the 4th Geobia, Brazil. (2012).
• [24] Akçetin E., Çelik U. “İstenmeyen Elektronik Posta (Spam) Tespitinde Karar Ağacı Algoritmalarının Performans Kıyaslaması.” İnternet Uygulamaları ve Yönetimi Dergisi. 5; 43-56, (2014).
• [25] Guliyev, H., & Tatoğlu, F. Y. “Customer churn analysis in banking sector: Evidence from explainable machine learning models”. Journal Of Applied Microeconometrics, 1(2), 85-99, (2021).
• [26] Pamuk, Z., Yurtay, Y., & Yavuzyilmaz, O. “Establishing the potential clients using artificial neural networks”. Balkan Journal of Electrical and Computer Engineering, 3, 219-224, (2015).
• [27] Polat, H. & Oyucu, S. Heterojen “Medikal IoT Verilerinin Depolanmasında İlişkisel Olmayan Veritabanına Dayalı Bir Yaklaşım” . Politeknik Dergisi , 22 (4) , 989-998, (2019).
• [28] Ibrahım, M. H. “WBBA-KM: A Hybrid Weight-Based Bat Algorithm with K-Means Algorithm For Cluster Analysis” . Politeknik Dergisi , 1-1 (2021).