mucella-ozbay@hotmail.com
2
Elektrik-Elektronik Mühendisliği Bölümü Bozok Üniversitesi, Yozgat
cemil.altin@bozok.edu.tr, orhaner2009@gmail.com
Özetçe
20. yüzyılın ikinci yarısında temelleri atılan ve günümüzde büyük bir kitlenin üzerinde çalıştığı yapay sinir ağları, pek çok problemin analizinde ve çözümünde başarı ile kullanılmış ve artan bir hızla kullanılmaya devam etmektedir. Đlk kullanıldığı yıllarda tıp alanında ve askeri alandaki çalışmalar veya kontrol problemleri gibi farklı amaçlar için geliştirilen bu teknik günümüzde ekonomi, iktisat, endüstri mühendisliği, otomasyon, elektronik ve bilgisayar mühendisliği, elektronik devre tasarımı, çeşitli zeka problemlerinin çözümü ve optik algılama gibi hemen her disiplinde kullanılır olmuştur. Bu bağlamda bir bankanın pazarlama kampanyası dahilinde elde ettiği, şahıslara ait verilerden oluşturulan eğitim ve test setleri ile yapılandırılan yapay sinir ağının eğitilmesi sonucunda bankanın pazarlama kampanyaları için bu kişilerin belirli özellikleri baz alınarak bankada vadeli mevduat hesabı açtırma ya da açtırmama durumları incelenmiştir. Bu amaç doğrultusunda çok katmanlı yapay sinir ağı (multi-layer neural network) kullanılmış olup % 94,22 oranında bir doğrulukla tahmin edilmiştir.
Anahtar Kelimeler: Banka Pazarlama Kampanyası, Yapay Sinir Ağları.
1. Giriş
Bankalar, hizmet sektörü içinde yer alan finansal aracılardır.
Bankacılık halkla ilişkiler faaliyetlerinin en gelişkin olduğu işkollarından biridir ve teknolojik gelişmeleri anında uygulamaya sokan bankacılık işkolu, bu alanda değişime öncülük etmektedir [1]. Gelişen teknoloji sayesinde kullanıma giren ve etkisini gittikçe arttıran kitle iletişim araçları aynı anda milyonlarca insana ulaşıp mesajlarını aktarmakta, kamuoyunu yönlendirmekte ve insanların tutum ve davranışlarında köklü değişimlere neden olmaktadır.
Yatırımcıların giderek zorlaşan rekabet ortamında var olma çabaları, yeni arayışları ve buluşları beraberinde getirmektedir [2]. Bu bağlamda kitle iletişim araçlarından biri olan telefonun banka uygulamalarındaki etkisini incelemek amacıyla hazırlanmış olan bir çalışmada bir Portekiz bankasının kendi çağrı merkezi tarafından yürütülen pazarlama kampanyası
tanıtımları incelenmiştir. 45211 kişiyle yapılan telefon görüşmeleri sırasında kişilere bazı sorular sorulmuş, o dönem geçerli olan kampanya tanıtılarak bankada mevduat hesabı açtırmaları için ikna edilmeye çalışılmışlardır. Çalışma; 2008 yılının Mayıs ayından 2010 yılının Kasım ayına kadar yapılmış olan toplam 17 kampanya için düzenlenmiştir. Elde edilen verilerden faydalanılarak kişilerin, yapılan görüşmeler sonucunda bankada mevduat hesabı açtırma ya da açtırmama ihtimallerinin tahmin edilmesine yönelik incelemelerde bulunmuşlardır.
Bu çalışma kapsamında alınan veri seti ile daha önce denenmemiş olan yapay sinir ağı modeli kullanılarak müşterilerin, bankada vadeli mevduat hesabı açıp açmamaları konusunda ön tahmin yapılması amaçlanmıştır.
2. Literatür Çalışması
Yapay sinir ağları günümüzde birçok alanda yer aldığı gibi banka kredileri alanında da yaygın bir şekilde kullanılmaktadır. Bu çalışmada kullanılan veri seti oluşturulurken, uluslararası veritabanı [3] kaynak alınarak;
kişilerin çeşitli özellikleri göz önünde bulundurulmuş ve belirli kampanyalar dahilinde bankada mevduat hesabı açtırıp açtırmayacakları konusunda bir tahmin yapılması hedeflenmiştir. Bu konu ile ilgili az sayıda çalışma bulunmaktadır.
Ref [4] farklı veriler ile yaptığı çalışmada yapay sinir ağlarını kullanmış olup elde ettiği sonuçlara göre kredi ölçümü için kullanılan yapay sinir ağı modelleri içerisinde PNN ve MLP’nin diğer modellerden daha iyi performans sağladığını belirtmiştir. Ref [5] ise yaptıkları çalışmada, bu çalışmada kullanılmış olan veriler için veri madenciliği (DM) yaklaşımı uygulamış ve DM modeli sonuçlarını ayarlamak için dalgalı veri madenciliği (CRISP-DM) yaklaşımını üç iterasyon süresince çalıştırmıştır. Çalışma kapsamında sınıflandırmada kullanılan SVM (Support Vector Machine- Destek vektörü) ile ROC (Receiver Operating Characteristic - işlem karakteristik eğrisi) gibi iki istatistiksel yaklaşımın karşılaştırılması söz konusudur. Sonuç olarak CRISP-DM’nin her iterasyon sonunda daha iyi sonuç verdiğini açıklamışlar ve
en iyi sonuç olarak SVM ile elde edilen yüksek öngörü performansını kaydetmişlerdir. Çalışmada adı geçen yöntemlerin uygulanmasıyla elde edilen bulgular ışığında en yüksek performans değerinin SVM için kaldırma eğrisi (ALIFT) altında kalan alana göre %88,7 ve ROC (AUC - Area Under Curve) altında kalan alana göre ise %93,8 olduğu Tablo 3’de görülmektedir.
Tablo 1: DM ve CRISP-DM algoritmaları için her iterasyon sonunda elde edilen performanslar [5].
CRISP-DM Iteration 1nd 2nd 3nd
Number of executions
(runs) 1 20 20 20 20 20
AUC (Area Under the ROC
Curve) 0.776 0.823 0.764 0.870 0.868 0.938 ALIFT (Area Under the
LIFT Curve) 0.687 0.790 0.591 0.827 0.790 0.887
Daha önceki çalışmalarda kullanılmış olan yöntemlerden biri olan ROC eğrisi; istatistik karar teorisine dayanır [6]. ROC eğrisi; testin ayırt etme gücünün belirlenmesine, çeşitli testlerin etkinliklerinin kıyaslanmasına, uygun pozitiflik eşiğinin belirlenmesine, laboratuar sonuçlarının kalitesinin izlenmesine, uygulayıcının gelişiminin izlenmesine ve farklı uygulayıcıların tanı etkinliklerinin kıyaslanmasına olanak sağlar [7]. En yaygın kullanılan ölçüm ise, ROC eğrisinin altında kalan alandır. AUC ne kadar büyükse sonucun tahmin edilmesinde test o kadar iyi olur. Bir diğer yöntem olan Destek Vektör Makineleri (SVM) ise Weston ve Watkins [8]
tarafından bulunan istatistiksel bir yöntemdir. SVM yapısal risk en küçükleme ilkesi etrafında formüle edilmiştir. Temelde SVM iki sınıflı problemlerle ilgilenir.
Bu çalışma dahilinde istatistiksel herhangi bir yönteme yer verilmemiştir.
3. Veri Seti
Bu çalışmada kullanılan veri seti, uluslararası veritabanı (UCI-Irvine Machine Learning Repository) [3]’ den temin edilmiştir. Bu veri seti hazırlanırken 45211 kişiye, bir Portekiz bankasının pazarlama kampanyaları, kendi çağrı merkezi tarafından yapılan telefon görüşmeleriyle tanıtılmıştır.
Uygulamada özellik olarak kullanılan parametreler şunlardır:
kişinin; yaşı, mesleği, medeni hali, eğitim durumu, kredi geçmişi, yıllık ortalama gelir düzeyi (euro bazında), ev ve ihtiyaç kredisi olup olmadığı, iletişim bilgisi, son görüşme tarihi, görüşme sayısı, kampanya hakkındaki bilgisi, başka bir kampanya kapsamında görüşme yapılan gün ve önceki pazarlama kampanyası sonuçlarıdır. Bu özelliklerin geçerliliği uzman görüşlerine dayandırılmıştır. Kullanılan toplam veri 45211 olup, 31648 adedi (tüm verinin yaklaşık %70’i) eğitim verisi, 13563 adedi (tüm verinin yaklaşık %30’u) ise test verisi olacak şekilde ve 16 giriş, 2 gizli katman ve 1 çıkış katmanlı (multi-layer) yapay sinir ağının eğitiminde kullanılmış olup yukarıda bahsi geçen özelliklere bağlı olarak pazarlama kampanyaları için kişilerin bankada vadeli mevduat hesabı açtırma ihtimallerinin tahmin edilmesine çalışılmıştır.
4. Metot
Bu çalışma kapsamında kullanılan yapay sinir ağı yapısı;
ağırlıkların geri yayılma algoritması kullanılarak gerçekleştirilen, iki gizli katmanlı, MLNN ağıdır (1 giriş katmanı, iki gizli katman, bir çıkış katmanı). Gizli katman sinirleri (birinci katman için 10, ikinci katman için 5 adet) ve çıkış katman sinirleri için nonlineer sigmoid aktivasyon fonksiyonu kullanılmıştır. Bu kriterler en iyi sonucu üretecek şekilde deneme-yanılma yoluyla elde edilmiştir. Bu sistem 16 adet özellik (girdi vektörünü oluşturan durum sayısı) ve 2 adet durum sınıflandırılması (Mevduat hesabı açtırmak ve açtırmamak) içermektedir. Literatürde sınıflandırma için yapılan çalışmalarda sıklıkla PNN ağının daha başarılı sonuçlar ürettiği görülmesine [9-10] rağmen bu çalışmada kullanılan veri sayısı çok fazla olduğundan PNN ağı beklenen performansta başarı göstermediğinden çalışma MLNN ağıyla denenmiş ve başarılı sonuçlar elde edilmiştir.
En genel anlamda yapay sinir ağları ileri beslemeli ve geri beslemeli ağlar şeklinde iki ana grupta düşünülebilir. Đleri beslemeli ağlarda bilgi, girdi katmanından çıktı katmanına doğru ilerler. Buna aktivasyon yönü de denir. Bu tür yapay sinir ağına örnek olarak tek ve çok katmanlı perseptron verilebilir. Bu tür ağlar denetimli öğrenme teknikleriyle eğitilir [11]. Şekil 1’ de bir nöronun matematiksel modeli gösterilmektedir [12]:
Şekil 1: Nöronun Matematik Modeli (Mathematics Model of Neuron) [12]. değeridir. (1) denkleminde ağırlıklı toplamın oluşturulması, (2) denkleminde ise nöron çıkışının hesaplanması verilmektedir [12].
Bu çalışmada geri beslemeli ağla çalışan çok katmanlı perseptron modeli tercih edilmiştir. Basit bir perseptron, sistem tanımlamasında başarı ile kullanılabilirken birçok gerçek uygulama lineer olmayan özellikler içerdiği için basit perseptron modelleri yetersiz kalabilir. Basit perseptronların lineer olarak araştırılamayan fonksiyonları gerçekleştirmekteki
θ
yetersizliği çok katmanlı perseptronlarda (MLP) geçerli değildir [13]. MLP ağları, algılayıcı birimlerin bir araya gelerek oluşturduğu bir ağ yapısıdır. MLP'de de üç temel katman vardır. Bunlar giriş katmanı, gizli katman ve çıkış katmanıdır. Giriş ve çıkış katmanı dışındaki tüm katmanlar gizli katman olarak adlandırılır ve bir veya daha fazla sayıda bulunabilir. Bu yapı Şekil 2’de görüldüğü biçimde sıralanır.
Şekil 2: Çok Katmanlı Ağ Yapısı (Multi Layer Neural Network)
Genelde MLP ağlarının eğitiminde kullanılan en yaygın yöntem hatanın geriye yayılım algoritmasıdır [14].
Günümüzde bu algoritma, ses tanıma problemlerinden doğrusal olmayan sistem problemlerine kadar yapay sinir ağları ile çözüm üretilen birçok alanda başarı ile kullanılmaktadır [15].
Uygulamalarda nöron cevabının, girdilerin sürekli bir fonksiyonu olmasını gerektiren durumlarda sigmoid tipi aktivasyon fonksiyonu kullanılır. Geriye yayma modeli her yerde diferansiyeli alınabilen bir aktivasyon fonksiyonu gerektirir [16]. Grafiği aşağıda verilen sigmoid tipi aktivasyon fonksiyonu türevi alınabilir ve sürekli problemlerin çözümünde kullanılmaktadır. Sigmoid tipi aktivasyon fonksiyonunun denklemi aşağıdaki gibidir [12].
(3)
(3)
Şekil 3: Sigmoid Tipi Aktivasyon Fonksiyonu (Sigmoid Activation Function) [12].
5. Sonuç
Bu konuda yapılan çalışmaların az olması münasebeti ile yapay sinir ağları da denenmiş olup bu amaç doğrultusunda uluslararası veri tabanından alınan veriler işlenmiştir. Ayrıca bu çalışma ile pazarlama kampanyaları için kişilerin bankada vadeli mevduat hesabı açtırma ihtimallerinin tahmin edilmesine yönelik uygulama sonucunda MLNN ağlarının kullanılmasıyla elde edilen doğruluk oranları ile bu konuda literatüre geçmiş olan çalışmaya [5] ait sonuçlar Tablo 1’de karşılaştırmalı olarak verilmiştir.
Çalışmada kullanılan 45211 veriden 31648 (tüm verinin yaklaşık %70’i) adedi eğitim verisi, 13563 adedi (tüm verinin yaklaşık %30’u) ise test verisi olarak yapay sinir ağının oluşturulması için kullanılmış ve bankanın pazarlama kampanyaları için kişilerin bankada vadeli mevduat hesabı açtırma ya da açtırmama durumları % 94,22 oranında bir doğrulukla tahmin edilmiştir.
Tablo 2: Bu çalışmada elde edilen doğruluk oranlarının literatüre geçmiş çalışmalar ile karşılaştırılması.
Çalışmalar Yapay Sinir Ağları Sınıflandırma Doğruluğu (%)
Referans [5] ROC-AUC 93,8
Referans [5] SVM-ALIFT 88,7
Bu çalışma Đki Gizli Katmanlı
MLNN 94,22
Elde edilen sonuçlar literatür çalışmalarıyla karşılaştırıldığında sonuçların birbirine çok yakın olmasına rağmen MLNN ağı kullanılmasının sonucun doğruluğunda pozitif bir etki yarattığı yadsınamayacak bir gerçektir. Ayrıca yapay sinir ağlarının uygulanmasının kolay ve anlaşılır olması ve yaygın kullanım alanlarının bulunması nedeni ile tercih sebebi olmuştur.
Sonuçta istatistiksel yöntemlere karşın yapay sinir ağının daha başarılı bir sonuç elde edilmesini sağladığı görülmüştür. Bu yöntemin bankalar ve aynı zamanda pazarlama çalışmaları bulunan her kuruluş tarafından aktif bir şekilde faydalanılabileceği düşünülmektedir.
e S
S −
= + 1 ) 1 ψ (
Đlerleyen çalışmalarda veri sayısının fazla olmasından dolayı anlamlı sonuçlar alınamayan YSA yöntemlerinde, bu sorunların kaynakları belirlenerek yöntemin geliştirilmesi ya da yeni yöntemler oluşturulması amaçlı çalışmalar yapılabilir.
Kaynakça
[1] Tolon, M., “Ticari Bankalarda Pazarlama Stratejilerinin Uygulanması ve Türkiye"deki Ticari Bankalar Üzerine Bir Araştırma”, Verimlilik Dergisi, No 4, 63-88, 2004.
[2] Baybars B., “Türkiye’de Banka Reklamcılığı”, Đstanbul Üniversitesi Đletişim Fakültesi Dergisi, 177-180, 1996.
[3] (UCI-Irvine Machine Learning Repository) Uluslar arası veri tabanı web sitesi:
http://archive.ics.uci.edu/ml/datasets/Bank+Marketing [Son Erişim: 19.02.2013)
[4] Bahrammirzaee A., “A comparative survey of artificial intelligence applications in finance: artificial neural networks, expert system and hybrid intelligent systems”, Neural Comput & Applications, Vol 19, Issue 8, 1165–
1195, 2010.
[5] S. Moro, R. Laureano and P. Cortez. , “Using Data Mining for Bank Direct Marketing: An Application of the CRISP-DM Methodology”, Proceedings of the European Simulation and Modelling Conference - ESM'2011, 117-121, Guimarães, Portugal, October, 2011.
[6] Tomak L., Bek Y., “Đşlem karakteristik eğrisi analizi ve eğri altında kalan alanların karşılaştırılması”, Journal of Experimental and Clinical Medicine-Deneysel ve Klinik Tıp Dergisi, Vol 27, No 2, 58-61, ,Samsun, 2010.
[7] Dirican A., “Tanı testi performansının değerlendirilmesi ve kıyaslanması”. Cerrahpaşa Tıp Dergisi, 32, 25-30, 2001.
[8] Weston J., Watkins C., “Support veclor machines for multiclass”, Proceedings of ESANN.99, Belgium. 1999.
[9] Bolat B. , Küçük Ü. , Yıldırım T. , “Aktif Öğrenen PNN ile Konuşma/Müzik Sınıflandırma” . Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, 187-189, 2004.
[10] Bolat B. , “Recognition of The Reed Instrument Sounds By Using Statistical Neural Networks”.
Journal of Engineering and Natural Sciences- Mühendislik ve Fen Bilimleri Dergisi, 2005/2, 36-42, 2005.
[11] Civalek Ö., “Dairesel Plakların Nöro-Fuzzy Tekniği ile Analizi”, DEÜ Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt. 1, No 2, 13-31, 1999.
[12] Güngör M., Fırat M., “Askı Madde Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi”, ĐMO Teknik Dergi, 3267-3282, Yazı 219, 2004.
[13] Montague, G. A., Willis M. J., Tham M. T., Morris A. J.,
“ Artificial Neural Network Based Multivariable Predictive Control”, Second InternationalConference on Artificial Neural Networks, Newcastle, UK, 119-123, 1991.
[14] Bakırcı U., Yıldırım T., “Đleri Beslemeli Ağlarla SPECT Görüntülerinden Kardiyak Problemlerin Teşhisi”, 0-7803-8318-4104/$20.00© 2004 IEEE, 103-105, 2004 [15] Özel Y., “Farklı Kömür Yakıtları ile Elektrik Enerjisi
Üretimi Ve Yakıt Performansının Yapay Zeka Yöntemi Kullanılarak Saptanması”, Doktora Tezi, Marmara Üniversitesi, Elektrik Eğitimi, Đstanbul, 2006.
[16] Kang, H.T., Yoon, C.J., “Neural Network Approaches to Aid Simple Truss Design Problems”, Microcomputers in Civil Engineering, Vol 9, 211-218, 1994.