Uplift modelleme ile kampanyaları optimize etme: Türk finans sektöründe ampirik bir çalışma

Günümüzde yapay zeka (YZ), hem günlük hayatımızı kolaylaştırmakta hem de akademik dünya ve finans, üretim gibi sektörler için önemli bir araç olmaktadır. Türkiye'de finans sektöründe rekabetin artmasıyla birlikte, pazarlamada YZ aktif olarak kullanılmaktadır. Churn modelleme gibi yaklaşımlar doğru müşteriye ulaşmayı sağlasa da, doğru kanaldan ve doğru yöntemle ulaşmak gibi daha karmaşık problemler için yeni yöntemler gelişmektedir. Bu yöntemlerden biri olan Uplift Modelleme, müdahalenin varlığı ve yokluğunda müşterinin davranışındaki net farkı hesaplar. Uplift modellemenin etkisi, makine öğrenmesi (MÖ) ile entegre edildiğinde artırılabilir. Literatür taraması sonucunda, MÖ ve Uplift Modellemenin faydalarına değinilmiş ve özellikle Türkiye'de bu alanda doğrudan çok fazla çalışma olmadığı görülmüştür. Bu çalışma, Türkiye'deki bankacılık sektöründe gerçek veri kullanarak MÖ ile uplift hesaplamayı ve müşteri davranışını önceden tahmin ederek, MÖ'nün başarısını geleneksel yöntemlerle kıyasla ölçerek literatüre katkıda bulunmayı hedeflemektedir. Bu amaçla, hedef kitle belirlenmesi, bu kitleye ait özelliklerin çıkarılması ve verinin temizlenmesi, Uplift Eğrisi ve Qini Katsayısı gibi metrikler kullanılarak doğru MÖ ve uplift modelleme yaklaşımlarının seçimi, seçilen modellerin eğitilmesi ve sonuçların incelenmesi şeklinde bir metodoloji belirlenmiştir. Bu metodolojiye uygun olarak kredi kartı satışları için S-Learner, Uplift Trees gibi altı farklı yaklaşım Random Forests ve XGBoost kullanılarak denenmiştir. Sonuç olarak, daha küçük bir kitle seçimine rağmen, Modified Outcome ve T-Learner yöntemleri, geleneksel yöntemlere kıyasla müşteri seçiminde en az üç kat daha iyi sonuç vermektedir. Bu durum, gelecekteki araştırmalarda uplift modellemenin potansiyel verimliliğini vurgulamaktadır.