Direct marketing is an advertisement method in which customers are directly informed for product offers through one-to-one communication channels. With the advancements in technology, customer databases of businesses began to grow well, therefore, detecting the needs of each customer and offering the optimal product becomes harder. Large customer dataset needs to be analyzed to make the best product offerings to the potential customers over the most proper channels and to increase the return rate of a marketing campaign. However, this goal is not very easy to accomplish, since, negative returns in the dataset usually outnumber the positive ones. Imbalanced datasets cause data mining algorithms reveal poor performance. This thesis studies the similar problem for bank product marketing. Two data mining solutions are proposed, partitioning based method and model based method for bank product and channel prediction. First proposed approach depends on unsupervised learning method, and uses clustering to predict product and channel for new customers. Second one presents a hybrid approach with unsupervised and supervised learning methods, which first constructs a classification model to detect if the customer is buyer or non-buyer and then clusters customers for product and communication channel offers. Experimental analysis on real life banking campaign dataset shows promising results.

Doğrudan pazarlama, müşterilerin bire bir iletişim kanalları aracılığıyla ürün teklifleri konusunda bilgilendirildiği bir reklam metodudur. Teknolojideki ilerlemelerle birlikte, işletmelerin müşteri veritabanları iyice büyümeye başladı, bu nedenle, her müşterinin ihtiyacını tespit etmek ve en uygun ürünü sunmak zorlaştı. Potansiyel müşterilere en uygun kanallar üzerinden en iyi ürün tekliflerini yapmak ve bir pazarlama kampanyasının getiri oranını artırmak için geniş müşteri veri setinin analiz edilmesi gerekmektedir. Bununla birlikte, bu hedefin gerçekleştirilmesi kolay değildir, çünkü veri setindeki negatif dönüşler genelde pozitif olanlardan daha fazladır. Dengesiz veri setleri, veri madenciliği algoritmalarının düşük performans göstermesine neden olur. Bu tez, bankacılık ürün pazarlaması için benzer bir problemi araştırmaktadır. Bankacılık ürünü ve kanal tahmini için bölümleme tabanlı yöntem ve model tabanlı yöntem olmak üzere iki veri madenciliği çözümü önerilmiştir. İlk önerilen yaklaşım gözetimsiz öğrenme yöntemine dayanır ve yeni müşterilere yönelik ürün ve kanal tahmininde kümeleme kullanır. İkincisi, önce müşterinin alıcı olup olmadığını tespit etmek için bir sınıflandırma modeli oluşturur ve daha sonra ürün ve iletişim kanalı teklifleri için müşterileri kümeleyen, gözetimsiz ve gözetimli öğrenme yöntemlerine sahip hibrid bir yaklaşım sunar. Gerçek bir bankacılık kampanyası veri seti üzerinde yapılan deneysel analiz umut verici sonuçlar göstermektedir.