Makine öğrenme yöntemleri kullanarak hayat sigortası öneri sistemi geliştirmesi

70 yıl öncesinden günümüze dek gelişimi devam eden algoritmaların yapay zeka alanında ileri teknolojilerle ve büyük veri ile kullanılmasıyla son 10 yıldır kişiselleştirilmiş ürün teklifleri gibi birçok alanda müşteri memnuniyetini ve şirket karlılığını artıran makine öğrenmesi temelli projelerin sayısı her geçen gün artmaktadır. Hayat sigortası ve emeklilik sektöründe mevcutta ürün sahibi olan müşterilerin portföy hareketleri, ödeme davranışları ve demografik özelliklerinin verisi toplanarak ürününe sahip olan müşterilerin geçmiş verisi üzerinden gelecekte bu ürünü alma ihtimali olan müşterilere çapraz satış için tahminleme çalışması yapılmıştır. Bu çalışmada veri ön işleme adımlarından kayıp verilerin uygun şekilde kullanımı, aykırı değerlerin tespiti ve onarımı, kategorik verinin modelde çalışır hale getirilmesi için ön işleme, açıklayıcı veri analizi, değişilenler arasındaki korelasyon incelemesi gibi veri ön işleme ve veriyi tanıma adımları takip edilmiştir. Tahminleme problemi bir sınıflandırma problem olarak ele alınmıştır. Gözetimli öğrenme yöntemlerinden Karar Ağaçları, Lojistik Regresyon, Rastgele Orman Algoritması, Naïve Bayes ve Gradyan Artırma Algoritmaları ile tahminleme problem çözülmüştür. Model performansını optimize etmek için senaryo bazlı deneyler yapılmıştır. Ön işleme, normalizasyon, çapraz doğrulama, boyut küçültme ve hiper-parametre ayarlama işlemlerinin model performansına etkisi gözlenmiştir. Doğruluk, AUC, F-1 skorlarına göre model performansları değerlendirmiştir. Hiper-parametre işlemlerinin model başarısında önemli derecede etkisi olduğu gözlenmiştir.