Veri Madenciliği Yaklaşımı ile Bankacılık Kampanya Başarısı Analizi: XGBoost ve Rastgele Orman Tabanlı Uygulamalı Bir Model

Abstract

Çalışmada, bankacılık sektöründe yürütülen doğrudan pazarlama kampanyalarının başarısını tahmin etmek için, makine öğrenmesi tabanlı iki farklı sınıflandırma modelinin karşılaştırmalı analizi yapılmıştır. UCI Machine Learning Repository’de yayımlanan “Bank Marketing” veri seti kullanılarak, müşterilerin mevduat aboneliği kararları tahmin edilmiştir. Veri seti, demografik, sosyoekonomik ve geçmiş kampanya etkileşimlerine dair çok boyutlu değişkenler içermektedir. Modelleme sürecinde, karar ağaçları tabanlı iki güçlü makine öğrenmesi modeli olan XGBoost ve Rastgele Orman kullanılmıştır. Veri setindeki sınıf dengesizliği problemi göz önünde bulundurularak doğruluk, F1 skoru, kesinlik, duyarlılık ve ROC-AUC gibi çok boyutlu performans metrikleri ile değerlendirmeler yapılmıştır. Analizlerde, XGBoost genel sınıflandırmada ve ayrıştırma açısından daha başarılı olmuştur. Rastgele Orman ise pozitif sınıfı tanımada daha iyi sonuçlar sunmuştur. Kampanya başarısını etkileyen başlıca değişkenler olarak yaş, konut ve kişisel kredi durumu ile önceki kampanya yanıtları öne çıkmıştır. Kredi yükümlülüğü olmayan bireylerin ve geçmiş dönemlerde yapılmış kampanyalara olumlu yanıt vermiş müşterilerin abonelik eğilimlerinin daha yüksek olduğu belirlenmiştir. Bilgi sızıntısı riski taşıyan “duration” değişkeni analiz dışı bırakılmış ve özellik mühendisliği süreçleriyle modelin etik ve metodolojik güvenilirliği sağlanmıştır. Elde edilen bulgular, kişiselleştirilmiş pazarlama stratejilerinin geliştirilmesi ve yapay zekâ temelli karar destek sistemlerinin bankacılık uygulamalarına entegrasyonu açısından önemli katkılar sunmaktadır. Çalışma, hem akademik literatüre hem de uygulamalı finans ve pazarlama alanlarına katkılarda bulunmaktadır.In this study, a comparative analysis of two different machine learning-based classification models is conducted to predict the success of direct marketing campaigns in the banking sector. Using the “Bank Marketing” dataset published in the UCI Machine Learning Repository, customers' deposit subscription decisions are predicted. The dataset contains multidimensional variables on demographic, socioeconomic and past campaign interactions. Two powerful machine learning models based on decision trees, XGBoost and Random Forest, are used in the modeling process. Considering the class imbalance problem in the dataset, multidimensional performance metrics such as accuracy, F1 score, precision, sensitivity and ROC-AUC were evaluated. In the analysis, XGBoost was more successful in terms of overall classification and discrimination. Random Forest provided better results in recognizing the positive class. The main variables affecting campaign success were age, housing and personal loan status, and previous campaign responses. It was found that individuals with no credit obligations and customers who responded positively to previous campaigns had a higher propensity to subscribe. The “duration” variable, which carries the risk of information leakage, was excluded from the analysis and the ethical and methodological reliability of the model was ensured through feature engineering processes. The findings make important contributions to the development of personalized marketing strategies and the integration of artificial intelligence-based decision support systems into banking applications. The study contributes to both academic literature and applied finance and marketing fields.