LEE- Endüstri Mühendisliği-Yüksek Lisans
Bu koleksiyon için kalıcı URI
Gözat
Son Başvurular
1 - 5 / 7
-
ÖgeEquity portfolio optimization using reinforcement learning: An emerging market case(Graduate School, 2022-03-15)In this study, RL models are generated to address the equity portfolio optimization problem. The asset universe for this problem has been restricted to BIST30 constituents, which is a stock market index from an emerging market. The index is composed of the 30 largest stocks in terms of market capitalization. The characteristics of an emerging market do differ from developed markets as emerging markets bring new challenge such as increased uncertainty and decreased market efficiency. Our models use return, volatility, technical indicators, and fundamental company information to make portfolio weight decision. We study DDPG and PPO methods in this study. Two different neural network architectures are designed to fit the needs of these two RL models. We utilized convolutional network structures to successfully extract meaningful information out of the dataset. We train the models with 10 years of daily data, and then test with 1 years of data. We set main benchmark as the market capitalization weighted BIST30 index, as we try to compete it and provide a better weighting strategy. We also compared our agents with UBAH, UCRP and MPT portfolios as additional benchmarks. The results show that we outperform all of these benchmarks in terms of return, and risk adjusted return metrics, such as Sharpe and Sortino ratios. One aspect of the models is that they produce a higher volatility behavior, however they compensate the high risk with a higher return value per taken risk so the return based metrics are superior to benchmarks. We highlight the model-free nature of the our proposed RL agents. The results are presented at the last section and a future projection is provided for a probably better model.
-
ÖgeRFMLP based customer segmentation and customer churn analysis in heavy equipment industry using customer transactions data(Graduate School, 2022-01-14)The main target of this study is creating customer segments with customer transaction data of one of the leading heavy equipment industry companies, Borusan-CAT operating in Turkey which is a solution partner of Caterpillar Inc., and assigning churn probabilities to each customer. Customer transaction data is collected for the 2018 – 2020 period from complex database of the company. Data pre-processing step is completed in order to use raw data in this study. To decide the importance of the variables and customer segments Analytical Hierarchy Process was used 5 managers of the company respond a questionnare. After deciding the weight importance of the variables customer segmentation was completed with one of the unsupervised machine learning algorithms known as k-means clustering. 4 different customer segments were created. The importance of each customer segment was calculated with the help of weights that is result of Analytical Hierarchy Method. After customer segmentation, customer churn analysis was conducted. Churn analysis was completed with the help of supervised machine learning algorithms such as Logistic Regression, Support Vector Machines, Random Forest, and k-Nearest Neighbors. By comparing performance of each algorithm with the others, Random Forest was found as the most successful algorithm with highest accuracy rate in this study when it comes to predicting the customers who will churn in upcoming periods. There are no violations of the assumptions of each algorithm, therefore each of them can be used in this study. With customer churn analysis, each customer in the dataset labeled as churners or non-churners. Companies can use this information in order to complete such projects to prevent possible churners from churning in the future. Contributions of this study can be said as applying RFMLP based customer segmentation with a time-effective and efficient machine learning algorithm and applying customer churn analysis with the help of supervised machine learning algorithms to the customer transaction data of one of the biggest heavy equipment companies in Turkey. With this study 4 different customer segments are created and customer churn prediction is completed with high accuracy. Companies in the heavy equipment industry can utilize from this study to identify different customer groups and profile them, they manage their CRM and marketing strategies and allocation of resources can be completed with high effectiveness.
-
ÖgeKümeleme yöntemleri ile müşteri kanal göçü analizi(Lisansüstü Eğitim Enstitüsü, 2023-06-05)Bugünün müşterileri, alışveriş yapmak için çeşitli kanallardan faydalanma imkanına sahiptir. Örneğin, fiziksel mağazalardan alışveriş yapabilirler ya da e-ticaret siteleri ve mobil uygulamalar aracılığıyla alışverişlerini gerçekleştirebilirler. Bu geniş kanal seçenekleri, müşteri davranışlarına ve tercihlerine göre şekillenmektedir. Aynı zamanda, müşteriler tüm bu kanallar arasında sorunsuz bir deneyim beklemektedir. Bu durum, şirketlere birçok fırsat ve zorluk sunmaktadır. Müşteri kanal göçü, müşterilerin farklı kanallar arasında hareket etme eğilimini ifade eder. Bu kanallar, fiziksel mağazalar, e-ticaret platformları, mobil uygulamalar gibi örneklerle temsil edilebilir. Müşteri kanal göçü, farklı sebeplerle gerçekleşebilir. Bu sebepler arasında kolay erişilebilirlik, daha uygun fiyatlar veya çekici teklifler bulunabilir. Önemli bir faktör ise, müşterilerin bir kanaldan olumsuz deneyim yaşaması durumunda başka bir kanala geçiş yapma eğiliminde olmalarıdır. Bugün birçok işletme, ürün ve hizmetlerini müşterilere farklı kanallar aracılığıyla sunarak çeşitli kanalları kullanmaktadır, yani çevrimiçi platformlar, fiziksel mağazalar, mobil uygulamalar ve çağrı merkezleri gibi. Ancak, müşterilerin kanal tercihleri değişebilmekte ve bu da işletmelerin müşteri kanal göçüyle karşılaşmalarına neden olmaktadır. Bu durum, işletmelerin müşteri davranışlarını anlamalarını ve uygun pazarlama stratejileri geliştirmelerini gerektirir. Bu noktada müşteri segmentasyonu devreye girer. İşletmeler, müşterilerini farklı özelliklere göre gruplandırarak her bir gruba farklı pazarlama stratejileri uygular. Örneğin, bir işletme genç müşterilere yönelik sosyal medya pazarlaması yaparken, orta yaşlı müşterilere yönelik mağaza kampanyaları düzenlemek gibi. Bu çalışma, perakende sektöründe müşteri kanal göçü olarak adlandırılan önemli bir sorunu ele almaktadır. Bu sorun, müşterilerin fiziksel mağaza ile online kanal arasında geçiş yapması veya tam tersi durumda yaşanmaktadır. Bu durum, perakende şirketlerinin müşteri sadakati konusunda zorluklar yaşamasına neden olmaktadır. Çalışma, müşterilerin hem fiziksel mağaza hem de çevrimiçi kanaldaki davranışlarının incelenmesi ve müşteri kanal göçü konusunun detaylı bir şekilde analiz edilmesi üzerine odaklanmaktadır. Ayrıca, müşteri davranışları yıllara göre analiz edilmiş ve çeşitli örüntüler belirlenmiştir. Müşteriler, klasik kümeleme yöntemleri ve derin öğrenme yöntemleri kullanılarak gruplandırılmış ve sonuçlar ayrıntılı bir şekilde incelenmiştir. Bu şekilde, müşterilerin davranışları hakkında daha kapsamlı bir anlayış elde edilmiştir. Ayrıca, müşteri alışveriş örüntüleri birleştirilerek, perakende şirketinin stratejik kararlar almasına yardımcı olmak amaçlanmıştır. Sonuç olarak, bu çalışma perakende sektöründeki önemli bir soruna odaklanarak müşteri kanal göçü konusunu ayrıntılı bir şekilde analiz etmiştir.
-
ÖgeBusiness card as a bank product and establishment of a new business card tendency model(Graduate School, 2023-04-17)Specially issued for the commercial needs of SMEs, the business card is equipped with the features of different products that also allow personal use. Within the scope of this product; commercial credit cards, overdraft accounts, and credit products with equal installments or seasonal payments are combined into a single card. However, during the data analysis phase, it will be seen that this product is used by individual customers as well as SMEs. Individual customers referred to here are customers with legal entities called partnership customers. The business card tendency model currently used for the related product, which has an important place for banks, does not work successfully. The success rate of this model is well below the other models used in the bank, and therefore the accuracy of the data and the model is doubted. In order to improve this situation, the existing model will be observed, deficiencies and errors will be examined, and then a new model will be established. In this process, there will be stages of data preparation, model building, analyzing the output, and evaluating the results. In the literature, there are many studies prepared for credit cards and related issues by banks and various institutions. Some of these are artificial intelligence-supported credit card models, neural approaches to credit scoring, and calculation of the default rate of loans and fraud detection with the help of machine learning. This study aims to design an end-to-end business card modeling process in the light of other studies in a similar context, but with modern approaches that are not thought to be included in the literature. In light of the studies in the above-mentioned literature, it can be said that there are quite advanced approaches to credit cards. The first problem here is that security-related models such as default rate and fraud are emphasized instead of sales-oriented models of credit cards. Another problem is that the existing sales-oriented models do not attach the necessary importance to sustainability and are established with a shorter-term profit and success focus. In general, the studies conducted in the banks related to the subject were investigated, and various similar and different deficiencies were observed in these studies. A similar and common mistake is that the process ends when customers purchase a product that they do not already have. Another problem is the use of customers' information, which is likely to be erroneous and whose accuracy is doubtful, instead of market information with higher validity, such as BKM and GIB. Finally, most models put less emphasis on activity and continuity, and focus on customer balances. During the case analysis phase, the business card product, which can be tracked through monthly sales at the bank, will be examined. In order to establish a model for this product, first the target definition will be determined, the necessary data will be collected from the relevant tables, and some of them will be selected by filtering these data. Afterward, this data set will be prepared for the model-building phase by making the necessary manipulations on it, and then the model-building phase will be started. Following the model setup, the results will be examined, the most appropriate option will be considered, and success will be measured. In this study, the number of variables, which was 83 at the beginning, is reduced to 11 during the model-building phase, in accordance with the principle of parsimony. A meaningful result is tried to be obtained by entering these variables into the logistic regression and random forest models. According to the results obtained, the logistic regression model works with 98% accuracy, while the random forest model works with 99% accuracy. In addition, the precision value obtained in the random forest model is higher than that in the logistic regression model. The precision metric shows how many of the values that are estimated as positive are actually positive. For these reasons, it is decided that the model to be used should be random forest. In this way, the detection rate of customers with a target definition of 1 for the business card product will be higher, which will increase the bank's customer portfolio and profitability. It is aimed in this thesis study to eliminate these deficiencies and errors in existing exercises to establish a more beneficial and efficient model for banks. In addition, it is recommended that banks expand their perspectives on which data they will use while establishing the relevant model. At the end of this process, financial institutions will be able to establish healthier models by integrating and using more accurate and consistent market data into their databases, if necessary. This research will provide a successful trend model with meaningful explanatory variables for business card-like products for future works.
-
ÖgeMakina öğrenmesi teknikleri ile hukuki alacak tahsilat kuruluşu dosya kapatılabilirlik tahmini ve atama modeli ile dosya ataması: Telekomünikasyon sektörü örneği(Lisansüstü Eğitim Enstitüsü, 2022-06-28)Günümüzde, bütün sektörlerde olduğu gibi telekomünikasyon sektöründe de görülen rekabetçi yaklaşım, ilgili sektörde faaliyet gösteren şirketlerin yeni müşteriler kazanmasını oldukça zor bir hale getirmektedir. Durum böyle iken bu şirketler makine öğrenmesi yöntemleri ile müşteriye özel kampanyalar sunarak, toplam müşteri sayılarını artırmaya veya halihazırdaki müşterileri kendi markalarında tutmaya çalışmaktadırlar. Ancak makine öğrenmesi yöntemlerinin uygulama alanı sadece müşteri kazanma veya var olan müşterinin sadakatini sağlamaya yönelik çalışmalardan ibaret değildir. Şirketlerin büyümeye devam edebilmesi için kazanılan müşterilerden kazanç elde etmeleri gerekmektedir. Eğer şirketin halihazırda sahip olduğu müşteriler, aldığı hizmet karşılığında şirkete olan yükümlülüklerini yerine getiremiyor ise, şirketin bu gibi müşterileri kazanmak için sarf ettiği çaba, şirkete karlılık değil aksine yük getirmektedir. Bu yük sadece müşterilerden elde edilecek gelirin karşılanamaması olarak düşünülmemelidir. Müşteriden gelir elde edememenin yanında, müşteriye ait borcun tahsilatı için şirketin ayıracağı kaynaklar da göz önünde bulundurulmalıdır. Bu gibi durumlarda şirketler hem çalışanlarını hem de diğer şirket kaynaklarını (gerekli teknik ekipmanlar, elektrik vb.) bu kanala bağlayarak zarara uğrayacaktır. Şirketler, müşteriden borç tahsilatı yapabilmek için ya kurum içi kaynaklarını kullanmakta ya da kurum dışı kaynaklar aracılığıyla bu ödenmemiş borcu tahsil etmektedir. Burada bahsi geçen dış kaynaklar, alacak tahsilat kuruluşlarıdır ve bu kuruluşlar müşterinin ilgili şirkete olan borcuna ilave olarak, kendi verdiği hizmetin karşılığı olan tutarı da ekleyerek şirket müşterisinden ödenmemiş borcu tahsil etmeye çalışmaktadır. Şirketler tarafından ödenmemiş borçları tahsil etmeye yönelik yapılan çalışmalar büyük ölçüde müşterilerin ödeme istekliliğine ve alacak tahsilat kuruluşlarının müşteri ile müzakerelerine bağlı olan alacak tahsilat süreçleridir. Bu süreçte, tahsildarlar önce borçlu müşterileri borçlarını ödemeye ikna etmeye çalışmakta eğer borçlu müşteriler, borçlarını bu müzakereler sonucunda belirtilen süre içerisinde ödeyemezler ise yasal alacak tahsilatı süreci başlamaktadır. Yasal alacak tahsili aşamasında, alacak davalarını yargı yoluyla çözmeye çalışan, alanında tecrübeli avukatların çalıştığı hukuk büroları mevcuttur. Büyük şirketler, borçlarını ödeyemeyen müşterilerinden borç tahsilatı yapmak amacıyla iç kaynaklarını genişletmek yerine, yasal alacak tahsilat kuruluşları olarak sözleşmeli hukuk büroları ile çalışmaktadırlar. Bu tez kapsamında, çalışmanın yapıldığı ilgili telekomünikasyon şirketi de müşterileri tarafından ödenmemiş faturaların tahsilatını, dış kaynak olarak, anlaşmalı bulunduğu hukuk büroları aracılığıyla sağlamaktadır. Şirket, borcunu ödeyemeyen ve yasal alacak takibine girmiş müşterilerinden, anlaşmalı bulunduğu hukuk büroları aracılığıyla alacak tahsilatı yapmaya çalışmaktadır ve bu rekabetçi ortamda şirketin ayakta kalabilmesi için alacak tahsil etme sürecini en iyi şekilde yönetmesi gerekmektedir. Bu aşamada anlaşmalı hukuk büroları, büronun performans ve tecrübesinin alacak davalarını kapatıp kapatamaması üzerindeki etkisine göre değerlendirilmektedir. Hukuk bürolarının performansının belirlenmesindeki amaç, büronun amaçlarına ne ölçüde ulaştığını objektif bir şekilde ve periyodik olarak ölçümlemektir. Performans ölçümü; ilgili hukuk bürosunun girdilerini, iç süreçlerini, prosedürlerini, çıktılarını ve sonuçlarını değerlendirebilmeyi sağlamaktadır. Böylece bu performans ölçümü sonucu göstergeler analiz edilerek doğru karar verilebilmekte, sürekli iyileştirme yaratabilecek sınırlı kaynaklar etkin bir şekilde geliştirilebilmekte ve bireylere hedefler verilebilmektedir. Bu çalışmanın yapıldığı şirkete ait geçmiş veri setlerinden hareketle, şirketin anlaşmalı olduğu hukuk bürolarına devredilmiş ve başarılı şekilde tahsilat sağlanmış alacak davalarının olmasının yanı sıra dava dosyasının devredildiği büro tarafından tahsilatın sağlanamadığı alacak davaları da olabilmektedir. Hangi dava dosyasının hangi hukuk bürosuna devredildiği, şirketin alacaklarını hukuki aşamada tahsil edebilmesi açısından kritik bir öneme sahiptir. Bu doğrultuda, bu çalışma, ilk aşamada geçmiş tarihsel verilere dayalı makina öğrenmesi yöntemlerini kullanarak ilgili şirket tarafından anlaşmalı olunan hukuk bürolarının alacak dava dosyası kapatma olasılıklarını tahminleyerek, devredilecek dosyayı daha çok kapatma kabiliyetine sahip hukuk bürosunu bulmayı amaçlamaktadır. Dava dosyası kapatma olasılığını tahmin etmek için, işlenen veri kümesine 9 makina öğrenme algoritması; Catboost Sınıflandırıcı, Extreme Gradient Boost Sınıflandırıcı, Gradient Boosting Sınıflandırıcı vb. uygulanmıştır. Sonuçlar, Catboost Sınıflandırıcı'nın 0,917 doğruluk oranı ile en iyi doğruluk performansına sahip olduğunu göstermiştir. Ayrıca, boosting tipi topluluk öğrenme algoritmalarının diğer algoritmalardan daha iyi performans gösterdiği sonucuna varılmıştır. Son olarak, modellemede daha iyi doğruluk elde etmek için Catboost Sınıflandırıcısının hiper parametreleri ayarlanmış ve hiper parametre optimizasyonu, tahmin üzerinde %0,01 oranda olumlu etki sağlamıştır. Son olarak modelin test kararlılığını test etmek için k-katlı çapraz doğrulama yapılmıştır. Makine öğrenimi modelinde seçilen CatBoost algoritması üzerinden 2021 Haziran ayına ait takip dosyalarının, anlaşmalı hukuk büroları tarafından kapatılabilme olasılıkları tahminlenmiştir. Bu kapatılabilirlik puanları, çalışmanın ikinci aşamasında, kurulan kapatılabilirlik temelli adil dosya atama modeline girdi olarak sağlanmıştır. Bu bir optimizasyon modeli olup, bu modelde amaç, takip dosyalarının tahsilatla kapatılma durumunu en büyüklerken, bütçe kısıtı altında anlaşmalı hukuk bürolarına eşit bir şekilde takip dosyalarının atamalarını gerçekleştirmektir. Kapatılabilirlik temelli adil dosya atama modeli ile 2021 Haziran ayına ait 33,365 adet takip dosyasının, anlaşmalı bulunulan 102 hukuk bürosuna optimum bir şekilde atamaları gerçekleştirilmiş olup sonuçlar üzerinden kurulan modeller değerlendirilmiştir. Atama çıktılarının büyük bir oranda modelin amaçlarına ve kısıtlarına uygun şekilde yapıldığı sonucuna varılmıştır. Bunun üzerine önce makine öğrenimi modelinin çalıştığı ardından makine öğrenimi modeli çıktısı olan dosya kapatılabilirlik değerlerinin atama modeline beslendiği ve atama modelinin çözdürülüp gerekli atama sonuçlarının alındığı tümüyle otomatik bir şekilde çalışacak olan yasal alacak takibi süreci karar destek sistemi kurulmuştur