Veri Madenciliğinin Uygulama Alanları

Kitlesel veri toplama, güçlü çok iĢlemcili bilgisayarlar ve veri madenciliği algoritmaları alanlarında kullanılan teknolojiler geliĢtikçe veri madenciliğinin kullanım alanları geniĢlemekte ve yaygınlaĢmaktadır. Veri madenciliği perakende, telekomünikasyon, üretim, bankacılık, finans ve sağlık sektörlerinde pazarlama yönetimi, sadakat yönetimi, müĢteri iliĢkileri yönetimi, risk yönetimi ve dolandırıcılık saptama vb. amaçlarla kullanılmaktadır. Veri Madenciliğinin kullanım alanları ve yüzdelik dağılımları ġekil 2.7‟ de yer almaktadır (Kayaalp, 2007).

Günümüzde hemen hemen bütün sektörlerde organizasyonların en büyük yaĢadığı problem müĢteri kaybıdır. Organizasyonlar bu problemin önüne geçmek için müĢteri iliĢkileri yönetimi ve sadakat yönetimi gibi kavramlar kullanmaktadırlar. Organizasyonların; müĢterilerinin rakiplerine geçmesini engellemek için çeĢitli pazarlama taktikleri uygulamaları, ürünleri sürekli yeni sunular ile çeĢitlendirmeleri ve yenilemeleri gerekmektedir. Kendi müĢterisiyken rakiplerin müĢterileri olanlarla ilgili çeĢitli analizler yapılarak rakiplerini tercih eden müĢterilerinin özelliklerini ve tercih nedenlerini elde etmek mümkün olabilmektedir. Bu durumun sonucunda gelecek dönemlerde kaybetme olasılığı olan müĢterilerin kimler olabileceği konusunda tahminlerde bulunarak, müĢterilere özgü ürünler ve servisler geliĢtirebilirler. Organizasyonlar hangi müĢterilerini kaybedebileceklerini önceden belirleyebildikleri zaman, bu müĢterilerini elde tutma için çeĢitli stratejiler geliĢtirebilirler.

Yapılan araĢtırmalar sonucunda müĢteriyi elde tutmak için yapılacak maliyet her zaman için müĢteriyi geri kazanmak için yapılacak maliyetten düĢük olduğu sonucuna varılmıĢtır. Mevcut ve potansiyel müĢteriler hakkında detaylı bilgiye sahip olmak rekabetçi kalmak için önemli bir gerekliliktir. Farklı müĢteri grupları için en uygun ürünleri bulmak, hangi tip müĢterilerin ne tür ürün aldıklarını belirlemek, müĢteri tabanını gruplara ayırmak, bu grupların karlılıklarını belirlemek ve buna göre farklı seviyelerde hizmet sunmak mümkün olabilir. Ürün veya hizmette hangi özelliklerin ne derecede müĢteri memnuniyetini etkilediği, hangi özelliklerinden dolayı müĢterin bunları tercih ettiği ortaya çıkarılabilir. Ürün veya hizmet sunumuna kimin yanıt vereceğini tahmin etmek maliyet düĢürmek açısından önemli yöntemlerden biridir. Bir ürün veya hizmet ile ilgili bir kampanya programı oluĢturmak için hedef kitlenin seçiminden baĢlayarak bunun hedef kitleye hangi kanallardan sunulacağı kararına kadar olan süreçte veri madenciliği kullanılabilir. Aynı grubun geçmiĢ davranıĢlarına dayandırılabileceği gibi, mantıksal bir alternatif popülasyonun davranıĢlarına da dayandırılabilir. Tüm bu anlatılan müĢteriyle ilgili bilgilerin analiz edilmesi iĢlemlerinde veri madenciliği tekniklerinden yararlanılabilmektedir. Finans sektöründe müĢterilerle ilgili yüksek miktarda kayıt tutulmaktadır. Tutulan bu kayıtlar iĢletmenin amaçları ve politikaları doğrultusunda servisleri geliĢtirme ve rekabet avantajı sağlamak amacıyla kullanılabilir fakat veri miktarının çok olması verilerin analizini ve yorumlanmasını zorlaĢtırmaktadır. Verilerin analizi için veri madenciliği teknikleri kullanılmaktadır. Finans sektöründe veri madenciliği pazarlama alanında olduğu gibi müĢteri profili ve en iyi müĢteri segmentlerinin belirlenmesinde kullanılabilir. Elde edilen müĢteri segmentleri doğrultusunda; müĢteri gruplarına göre pazarlama kampanyaları oluĢturulabilir. Örneğin New York‟taki Chase Manhattan Bankası müĢterilerini rakiplerine kaybetmeye baĢlayınca, müĢteri hesaplarını analiz etmek ve kendi hesap gereksinimlerinde değiĢiklikler yapabilmek için veri madenciliği kullanmaya baĢlamıĢ, bu sayede karlı müĢterilerinin hangi grup olduğunu anlamıĢ, o gruba özel kampanyalar yaparak; karlı müĢteri grubunu elinde tutabilmiĢtir. Pazarlama haricinde risk yönetimi konusunda da veri madenciliği tekniklerinden yararlanılabilir. Mevcut müĢterileri verilerinden kredi risk davranıĢ modelleri oluĢturarak, yeni baĢvurularda riskin en aza indirilmesini sağlamakta veri madenciliği tekniklerinden yararlanılabilir. Riskli müĢterilere kredi verilmesi engellenip, olası ödememe durumlarına karĢı önleyici bir yaklaĢım sergilenmiĢ olur. Kredi kartı ödemelerini

aksatan, gecikmeli olarak yapan veya hiç yapmayanların özelliklerinden yola çıkarak bundan sonra aynı duruma düĢebilecek muhtemel kredi sahiplerini saptamada; bunun sonucunda kötü ödeme performansı gösteren müĢterilerin ortak özelliklerini belirleyerek, benzer özelliklere sahip tüm müĢteriler için politikalar geliĢtirmekte de yararlanılabilir. Firma için finansal kayıp oluĢturabilecek müĢterileri veya müĢteri adaylarını belirleyerek bunlar ile çalıĢılmamasını sağlanabilir. Dolandırıcılık tespitinde de veri madenciliği teknikleri kullanılabilir. Aykırı değer analizi ile verilerin analizi yapılarak istisnai durumlar tespit edilir ve dolandırıcılık olup olmadığı anlaĢılır. Kredi kartı kaybolduğunda bankalar kaybedilme sırasında oluĢan zararın bir kısmını üstlenmektedirler. Bu dönemde oluĢan zararları azaltmak için sahtekarlığı tespit edici sistemler vurgulanmaktadır. MüĢterilerin tipik harcama biçimlerini önceden tanımlayıp, harcama eğilimlerinde oluĢan ani değiĢiklikleri tespit etmek ve bu doğrultuda satın alma iĢlemlerini onaylamayı durdurmak kullanılan yöntemlerden biridir. Bu konulara ek olarak finansal değiĢkenler arası bağımlılık ölçümleri ve müĢteri teminat yapılarının belirlenmesi gibi konularda da veri madenciliği teknikleri kullanılabilir. Üretici kuruluĢlar veri madenciliği ile tahmin analiz çözümlerinin analitik gücünü arkasına alarak, baĢarılarını etkileyen hem kurum içi konular hem de dıĢ faktörleri kolayca yönetebilirler. Üretim sektöründe çok boyutlu analizler ile hammadde seçimi ve tedariği, üretim sorunlarının nedenleri, ürünler müĢterilere gönderilmeden önce istatistiki kalite testleri ve kalite sorunlarını çözümlenebilir. Üretim hatalarının nedenlerinin bulunmasında, makine bozulma sebeplerinin tespit edilmesinde, müĢterinin tercih ettiği modellerin ve ürünlerin analiz edilmesinde, ürün fiyatlandırmanın teknik açıdan analizi, stok maliyetleri ve hacminin analizi stok maliyetleri ve hacminin analizi, ürün fiyatlandırmalarının teknik açıdan analizi ve müĢteri beklentilerinin teknik analizi gibi konularda veri madenciliği teknikleri kullanılabilir. Tedarikçi kararı verilmesinde, ürün portföyünün geniĢletilmesi veya daraltılması gibi soruların cevaplandırılmasında da veri madenciliğinden yararlanılabilir. Telekomünikasyon sektörü hızla artan teknoloji, abone sayısındaki artıĢ, katma değerli servislerle kazandığı zenginlik gibi sebeplerden dolayı çok hızlı büyüyen bir veri hacmine sahiptir. Telekomünikasyon sektöründe veri madenciliği teknikleri müĢterilerin operatör değiĢikliğinin erkenden tespiti amacıyla kullanılabilir. Bu sayede elde tutulan pazar payının kaybedilmemesi sağlanarak rekabette güçlü bir pozisyon sağlanabilir. Dolandırıcılık tespitinde olduğu gibi hiçbir ödeme yapmama niyetiyle abone olanların erkenden tespiti sağlanarak

maddi kayıp önlenmiĢ olur. Bu tespit de aykırı değer analizi yardımıyla yapılabilir. Abonelik klonlamalarını saptayan veri madenciliği yöntemleri sayesinde abonelerin mağduriyeti sonucu memnuniyetsizliğinin giderilmesinde de veri madenciliği tekniklerinde yaralanılabilmektedir. Uluslararası dolaĢım/roaming anlaĢmalarının optimize edilmesinde de Veri madenciliği tekniklerinden yararlanılabilmektedir. Operatörlerin sahip oldukları uluslararası görüĢen kullanıcılarının kullanım alıĢkanlıklarına ve anlaĢılabilecek operatörlerin fiyatlama ve servis sağlama özelliklerine göre ülkelere göre stratejiler belirlenebilir. Yine veri madenciliği ticari her sektörde olduğu gibi müĢterilerin ayrıĢtırılması, segmentasyonu gibi konularda da etkili bir Ģekilde kullanılmaktadır. Telekomünikasyon sektöründe veri madenciliğinin en sık kullanıldığı alan ağ hatalarının tespitidir. Bu tespitte 4 aĢamayı barındıran bir veri madenciliği tabanlı akıllı bir bakım sistemi kurulabilmekte; bu aĢamalar ise (i) Hata veritabanının oluĢturulması, (ii) Hata veritabanının iĢlenmesi, (iii) örüntü belirleyen kuralların çıkarılması ve (iv) kuralların yorumlanması olarak sıralanabilir (Klemettinen ve diğ., 1999).

Sigortacılık sektöründe de veri madenciliği tekniklerinden yararlanılmaktadır. Finans sektöründe olduğu gibi sigortacılıkta da dolandırıcılık tespiti ve riskli müĢterilerin tespit edilmesi alanlarında yararlanılabilir. Ona ek olarak veri madenciliği teknikleri kullanılarak talep edilecek poliçeler tespit edilebilir.