İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi

Zeynep CEYLAN, (Marmara Üniversitesi)
Samet GÜRSEV, (Marmara Üniversitesi)
Serol BULKAN (Marmara Üniversitesi)
Bilişim Teknolojileri Dergisi
9 0
Yıl: 2017 Cilt: 10 Sayı: 4 Sayfa Aralığı: 475 - 485 Metin Dili: Türkçe İndeks Tarihi: 29-07-2022

İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi

Öz:
--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. Elde edilen 3 kümede de özellikle tasarruflarını aylık 0-250 TL katkı payı ile düşük birikimlerle yapan katılımcıların çoğunlukta olduğu görülmüştür. Ayrıca, her üç kümede de BES'e katılımın en çok olduğu yaş grubunun 35-44 yaş arası olması, bu yaş aralığındaki katılımcıların geleceği açısından emeklilik sistemine daha olumlu yaklaşmalarına işaret ettiği sonucuna varılmıştır. Bunların yanısıra, katılımcıların yaşadıkları şehirlerin sosyoekonomik ve demografik özelliklerinin farklı olması, katılımcıların tasarruf yapma kararlarını doğrudan etkilediği gözlemlenmiştir. Sonuç olarak, elde edilen bulgular şirketlerin yeni satış stratejileri oluştururken sadece sözleşme adedi odaklı olarak değil müşterilerinin cinsiyet, medeni durum, yaş, meslek, öğrenim durumu, yaşadığı şehir bilgilerinin yanısıra ödeme ve tasarruf bilgilerini göz önüne alarak tasarlanması gerektiğini göstermiştir
Anahtar Kelime:

Konular: Otelcilik, Konaklama, Spor ve Turizm Bilgisayar Bilimleri, Yazılım Mühendisliği İşletme Bilgisayar Bilimleri, Bilgi Sistemleri Bilgisayar Bilimleri, Yapay Zeka

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

Öz:
—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. In the obtained three clusters, it was seen that customers that especially made their savings with low accumulation as monthly 0-250 TL contribution formed the majority. In addition, for all three clusters, group of participants' with an age range between 35-44 was the most , thus it is concluded that this indicate that participants in this age range are more likely to approach the pension system considering their future. Additionally, it has been observed that differences in socioeconomic and demographic characteristics of the cities where participants live in directly effects the participants' decisions to make savings. As a result, the findings show that while companies create new sales strategies, they should be designed not only based on contract number but also considering customers' gender, marital status, age, occupation, learning situation, living city information but also payment and savings
Anahtar Kelime:

Konular: Otelcilik, Konaklama, Spor ve Turizm Bilgisayar Bilimleri, Yazılım Mühendisliği İşletme Bilgisayar Bilimleri, Bilgi Sistemleri Bilgisayar Bilimleri, Yapay Zeka
Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [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/PensionMarkets-in-Focus-2016.pdf, 01.05.2017.
  • [3] Z. Kaydu, Bireysel Emeklilik Sisteminde Tüketici Profillerinin FarklılaĢması: Antalya ve Isparta Ġllerinin KarĢılaĢtırılması Örneği, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü, Isparta, 2006.
  • [4] E. İşbilen, Bireysel Emeklilik Sistemi ve Türkiye Uygulaması, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul, 2008.
  • [5] O. Şener, F. Akın, Özel Emeklilik Fonları ve Türkiye’de Bireylerin Bireysel Emeklilik Sistemine GiriĢ Kararlarını Etkileyen Faktörlerin Belirlenmesi Üzerine Bir AraĢtırma, Marmara Üniversitesi İ.İ.B.F. Dergisi, 28 (1), 291-312, 2010.
  • [6] Ö. Özer, E. Çınar, "Bir Vakıf Üniversitesi Akademik Personelinin Bireysel Emeklilik Sistemine Bakış Açısının Değerlendirilmesi", Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9 (19), 75-88, 2012.
  • [7] S. Yazıcı, Bireysel Emeklilik Sistemi ve Türkiye Uygulaması, Doktora Tezi, Ankara Üniversitesi Sosyal Bilimler Enstitüsü, Ankara, 2015.
  • [8] Ş. B. Salantur, Bireysel Emeklilik Katılımcılarının Sistemden Erken Çıkma Riskinin Değerlendirilmesi, Doktora Tezi, Hacettepe Üniversitesi Sosyal Bilimler Enstitüsü, Ankara, Türkiye, 2015. BİLİŞİM TEKNOLOJİLERİ DERGİSİ, CİLT: 10, SAYI: 4, EKİM 2017 485
  • [9] H. Güneş, Bireylerin Bireysel Emeklilik Sistemine Yönelik Tutum ve DavranıĢları: Karabük Ġlinde Bir Alan AraĢtırması, Yüksek Lisans Tezi, Karabük Üniversitesi Sosyal Bilimler Enstitüsü, Karabük, 2015.
  • [10] İ. Çömlekçi, O. Gökmen, "Bireysel Emeklilik Sistemine Katılmada Etkili Olan Faktörler: TR42 Bölgesinde Bir Araştırma". Uluslararası Sosyal Araştırmalar Dergisi, 10(49), 2017.
  • [11] Y. Yin, I. Kaku, J. Tang, J.M. Zhu, Data Mining: Concepts, Methods and Applications in Management and Engineering Design, 2011.
  • [12] P.N. Tan, M. Steinbach, V. Kumar, Introduction to Data Mining, International Edition, Pearson Education Inc., Boston, USA, 2006.
  • [13] G.S. Linoff, M.J. Berry, Data Mining Techniques: for Marketing, Sales and Customer Relationship Management, Indianapolis, Wiley Publishing Inc., 2011.
  • [14] S. Savaş, N. Topaloğlu, M. Yılmaz, "Veri Madenciliği ve Türkiye’deki Uygulama Örnekleri". İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 11(21), 1-23, 2012.
  • [15] T. Özcan, Perakende endüstrisinde raf alanı yönetimine veri madenciliği esaslı analitik bir yaklaĢım. Doktora tezi, İstanbul Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye, 2011.
  • [16] 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.
  • [17] J. Han, M. Kamber, J. Pei, Data Mining Concepts and Techniques, Morgan Kaufmann Publishers Inc., Waltham, USA, 2012.
  • [18] 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.
  • [19] S. Giray, F.E. Gülel, “Avrupa Ülkelerinin İntihar Oranlarına Göre Sınıflandırılması”. Süleyman Demirel Üniversitesi Fen-Edebiyat Fakültesi Sosyal Bilimler Dergisi, 31, 235-247, 2014.
  • [20] R.K. Blashfield, M.S. Aldenferder, "The literature on cluster analysis". Multivariate Behavioral Research, 13, 271-295, 1978.
  • [21] 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.
  • [22] R. Johnson, D. Wichern, Applied Multivariate Statistical Analysis, New Jersey: Prentice-Hall, 2002. [23] M. Kayri, "Two-Step Cluster analysis in researches: A case study". Eurasian Journal of Educational Research (EJER), 28, 89-99, 2007.
  • [24] 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.
  • [25] 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.
  • [26] D. Schiopu, "Applying Two Step Cluster Analysis for Identifying Bank Customers’ Profile". UniversităŃii Petrol – Gaze din Ploieşti, ŞtiinŃeEconomice, LXII (3), 66-75, 2010.
  • [27] 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.
  • [28] S. Savaş, N. Topaloğlu, "Veri Madenciliği Yöntemi İle GSM Şebekelerinin Performans Analizi". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 26(4), 741-751, 2011.
  • [29] 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.
  • [30] H. Çetin, S. Irmak, "Elektronik Alışverişte Akademisyenlerin Güvenlik ve Risk Algılarının Belirlenmesi". Yönetim Bilimleri Dergisi, 12(24), 275-294, 2014.
  • [31] 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.
  • [32] S. Giray, "İki Aşamalı Kümeleme Analizi ile Hükümlü Verilerinin İncelenmesi". İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 25, 1-31, 2016.
  • [33] 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.
  • [34] 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.
  • [35] 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.
  • [36] 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.
  • [37] J. Bacher, K. Wenzig, M. Vogler, "SPSS Twostep Cluster - A First Evaluation". In RC33 Sixth International Conference on Social Science Methodology, 2004.
  • [38] Emeklilik Gözetim Merkezi. "Bireysel Emeklilik Sistemi Gelişim Raporu, 2015". http://www.egm.org.tr/bes2015gr.asp, 17.04.2017.
  • [39] T.C. Kalkınma Bakanlığı. "İllerin ve Bölgelerin Sosyo-Ekonomik Gelişmişlik Sıralaması Araştırması (SEGE-2011)". http://www.kalkinma.gov.tr/Pages/content.aspx?l=7a0b8e4add0f-43b1-880c-e682b9d15cc3&i=548, 04.05.2017.
  • [40] SPSS Inc. (2007). "Clementine 11.1 User's Guide". https://web.kku.ac.th/wichuda/DMining/ClementineUsersGui de_11.1.pdf, 03.03.2017.
APA CEYLAN Z, Gürsev S, BULKAN S (2017). İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. , 475 - 485.
Chicago CEYLAN ZEYNEP,Gürsev Samet,BULKAN SEROL İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. (2017): 475 - 485.
MLA CEYLAN ZEYNEP,Gürsev Samet,BULKAN SEROL İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. , 2017, ss.475 - 485.
AMA CEYLAN Z,Gürsev S,BULKAN S İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. . 2017; 475 - 485.
Vancouver CEYLAN Z,Gürsev S,BULKAN S İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. . 2017; 475 - 485.
IEEE CEYLAN Z,Gürsev S,BULKAN S "İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi." , ss.475 - 485, 2017.
ISNAD CEYLAN, ZEYNEP vd. "İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi". (2017), 475-485.
APA CEYLAN Z, Gürsev S, BULKAN S (2017). İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. Bilişim Teknolojileri Dergisi, 10(4), 475 - 485.
Chicago CEYLAN ZEYNEP,Gürsev Samet,BULKAN SEROL İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. Bilişim Teknolojileri Dergisi 10, no.4 (2017): 475 - 485.
MLA CEYLAN ZEYNEP,Gürsev Samet,BULKAN SEROL İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. Bilişim Teknolojileri Dergisi, vol.10, no.4, 2017, ss.475 - 485.
AMA CEYLAN Z,Gürsev S,BULKAN S İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. Bilişim Teknolojileri Dergisi. 2017; 10(4): 475 - 485.
Vancouver CEYLAN Z,Gürsev S,BULKAN S İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. Bilişim Teknolojileri Dergisi. 2017; 10(4): 475 - 485.
IEEE CEYLAN Z,Gürsev S,BULKAN S "İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi." Bilişim Teknolojileri Dergisi, 10, ss.475 - 485, 2017.
ISNAD CEYLAN, ZEYNEP vd. "İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi". Bilişim Teknolojileri Dergisi 10/4 (2017), 475-485.
Sayfa Oluşturulma Tarihi
27-04-2024 11:33

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları