BANKA YATIRIM FONU MÜġTERĠ HAREKETLERĠNĠN

advertisement
i
BANKA YATIRIM FONU MÜġTERĠ HAREKETLERĠNĠN
BELĠRLENMESĠNE YÖNELĠK BĠR VERĠ MADENCĠLĠĞĠ
UYGULAMASI
Fatih ÇĠL
YÜKSEK LĠSANS TEZĠ
ENDÜSTRĠ MÜHENDĠSLĠĞĠ
GAZĠ ÜNĠVERSĠTESĠ
FEN BĠLĠMLERĠ ENSTĠTÜSÜ
EYLÜL 2010
ANKARA
ii
FATĠH ÇĠL tarafından hazırlanan “BANKA YATIRIM FONU MÜġTERĠ
HAREKETLERĠNĠN BELĠRLENMESĠNE YÖNELĠK BĠR VERĠ MADENCĠLĠĞĠ
UYGULAMASI” adlı bu tezin Yüksek Lisans tezi olarak uygun olduğunu
onaylarım.
Prof. Dr. Hadi GÖKÇEN
……………………………….
Tez DanıĢmanı, Endüstri Mühendisliği Anabilim Dalı
Bu çalıĢma, jürimiz tarafından oy birliği ile Endüstri Mühendisliği Anabilim
Dalında Yüksek Lisans tezi olarak kabul edilmiĢtir.
……………………………….
Prof. Dr. Cevriye GENCER
Endüstri Mühendisliği Anabilim Dalı, G. Ü.
Prof. Dr. Hadi GÖKÇEN
……………………………….
Endüstri Mühendisliği Anabilim Dalı, G. Ü.
Doç. Dr. M. Ali AKÇAYOL
……………………………….
Bilgisayar Mühendisliği Anabilim Dalı, G. Ü.
Tarih:
29 / 09 / 2010
Bu tez ile G.Ü. Fen Bilimleri Enstitüsü Yönetim Kurulu Yüksek Lisans
derecesini onamıĢtır.
Prof. Dr. Bilal TOKLU
Fen Bilimleri Enstitüsü Müdürü
……………………………….
iii
TEZ BĠLDĠRĠMĠ
Tez içindeki bütün bilgilerin etik davranıĢ ve akademik kurallar çerçevesinde
elde edilerek sunulduğunu, ayrıca tez yazım kurallarına uygun olarak
hazırlanan bu çalıĢmada bana ait olmayan her türlü ifade ve bilginin
kaynağına eksiksiz atıf yapıldığını bildiririm.
Fatih ÇĠL
iv
BANKA YATIRIM FONU MÜġTERĠ HAREKETLERĠNĠN BELĠRLENMESĠNE
YÖNELĠK BĠR VERĠ MADENCĠLĠĞĠ UYGULAMASI
(Yüksek Lisans Tezi)
Fatih ÇĠL
GAZĠ ÜNĠVERSĠTESĠ
FEN BĠLĠMLERĠ ENSTĠTÜSÜ
Eylül 2010
ÖZET
ĠletiĢim
teknolojilerindeki
geliĢme
ile
birlikte
“mevcut
bilgi”ye
ulaĢmanın çok kolaylaĢtığı günümüzde, “bilginin çıkarımı” kavramı
giderek önem kazanmaktadır. Çok büyük miktarlardaki verinin yararlı
bilgilere dönüĢtürülmesine duyulan ihtiyaç veri madenciliğinin önemini
ortaya koymaktadır. Veri madenciliğinin en yaygın kullanıldığı uygulama
alanlarından biri de müĢteri kaybını öngörebilmektir. Sistemden çıkan
müĢterilerin iĢlem hareketlerinin tespit edilerek öğrenilmesi, öğrenilen
hareketleri sergilemeye baĢlayan müĢterilerin tespit edilerek çeĢitli
pazarlama
ve
tutundurma
faaliyetleri
ile
sistemde
tutulmasının
sağlanmasıdır. Yapılan çalıĢmada, bir bankada yatırım fonu hesabını
kapatarak yatırım fonu müĢterisi olmaktan çıkan müĢteri hareketlerinin
öğrenilmesi, bu hareketleri sergileyen müĢterilerin sosyo-demografik
karakteristiklerinin belirlenmesi amaçlanmıĢtır. ÇalıĢma veri madenciliği
yazılımlarından
kullanılmıĢtır.
WEKA’
da
yapılmıĢ,
J4.8
ve
Id3
algoritmaları
v
Bilim Kodu
: 906.1.071
Anahtar Kelimeler : Veri Madenciliği, sınıflandırma, müĢteri kaybetme,
yatırım fonu
Sayfa Adedi
: 172
Tez Yöneticisi
: Prof. Dr. Hadi GÖKÇEN
vi
DATA MINING APPLICATION FOR IDENTIFYING BANK CUSTOMERS’
INVESMENT FUND TRANSACTION HISTORIES
(M. Sc. Thesis)
Fatih ÇĠL
GAZĠ UNIVERSITY
INSTITUTE OF SCIENCE AND TECHNOLOGY
September 2010
ABSTRACT
With the improvement of communication technologies, reaching to “the
existing information” becomes easier, and “knowledge discovery”
concept becomes more important. The need of turning huge amounts
of data into useful information indicates the importance of data mining.
One of the most commonly used application areas of data mining is
recognizing customer churn. Data mining is used to obtain behaviors
of churned customers by analyzing their transactions and also to hold
other customers by recognizing the customer’s behaving in the same
manner as churned customers to hold them in the system by various
marketing and customer retention activities. In this paper, it is aimed to
recognize the churned customers of a bank who closed their saving
accounts and determine common socio-demographic characteristics of
these customers. In this study, WEKA Software and J4.8, Id3 algorithms
are used.
vii
Science Code
Key Words
Page Number
Adviser
: 906.1.071
: Data mining, classification, customer churn,
investment fund
: 172
: Prof. Dr. Hadi GÖKÇEN
viii
TEġEKKÜR
Bu tezin hazırlanması aĢamasında benden yardımlarını esirgemeyen ve
çalıĢmamın her aĢamasında yol gösteren Hocam Prof. Dr. Hadi GÖKÇEN‟ e
ve AraĢ. Gör. Dr. Tahsin ÇETĠNYOKUġ‟ a, tez konusunun seçiminde,
geliĢtirme aĢamalarında beni destekleyen ve uygulanabilirliği konusunda
yüreklendiren eĢim Sultan ÇĠL‟ e, uygulama aĢamasında tecrübelerinden
yararlandığım arkadaĢım Hamdi BĠLEN‟ e, aileme ve çalıĢma arkadaĢlarıma
teĢekkürü bir borç biliyorum.
ix
ĠÇĠNDEKĠLER
Sayfa
ÖZET ............................................................................................................. iv
ABSTRACT .................................................................................................... vi
TEġEKKÜR.................................................................................................. viii
ĠÇĠNDEKĠLER ................................................................................................ ix
ÇĠZELGELERĠN LĠSTESĠ ............................................................................. xiii
ġEKĠLLERĠN LĠSTESĠ ................................................................................... xv
RESĠMLERĠN LĠSTESĠ ................................................................................. xvi
SĠMGELER VE KISALTMALAR .................................................................. xvii
1. GĠRĠġ ......................................................................................................... 1
2. VERĠ MADENCĠLĠĞĠNE GENEL BAKIġ ..................................................... 3
2.1. Veri Madenciliği Süreci ...................................................................... 8
2.1.1. Problemin tanımlanması ......................................................... 8
2.1.2. Verilerin hazırlanması (Veri ön iĢleme) ................................... 8
2.1.3. Modelin kurulması ve değerlendirilmesi ................................ 10
2.1.4. Modelin kullanılması ............................................................. 11
2.1.5. Modelin izlenmesi ................................................................. 12
2.2. Veri Madenciliğinin Uygulama Alanları ............................................ 12
2.3. Veri Madenciliği Örnek Uygulamaları .............................................. 14
2.4. Veri Madenciliğinde KarĢılaĢılan Problemler ................................... 15
2.4.1. Veri tabanı boyutu...................................................................16
2.4.2. Gürültülü veri ......................................................................... 17
2.4.3 Null değerler.......................................................................... 17
x
Sayfa
2.4.4. Eksik veri............................................................................... 18
2.4.5. Artık veri. ............................................................................... 19
2.4.6. Dinamik veri .......................................................................... 19
3. VERĠ MADENCĠLĠĞĠ ALGORĠTMALARI .................................................. 21
3.1. Sınıflama ve Regresyon .................................................................. 22
3.1.1. Karar ağaçları ve karar ağacı algoritmaları ........................... 22
3.1.2. Doğrusal ve çoklu regresyon................................................. 28
3.1.3. Yapay sinir ağları .................................................................. 30
3.1.4. NaiveBayes sınıflaması......................................................... 32
3.1.5. K-Nearest neighbor algoritması ............................................ 32
3.1.6. Genetik algoritmalar .............................................................. 33
3.2. Kümeleme ....................................................................................... 34
3.2.1. Bölümleme yöntemleri........................................................... 35
3.2.2. HiyerarĢik metotlar ................................................................ 37
3.2.3. Model bazlı kümeleme metotları ........................................... 38
3.3. Birliktelik Kuralları ............................................................................ 39
3.3.1. Apriori algoritması ................................................................. 41
4. VERĠ MADENCĠLĠĞĠ YAZILIMLARI ......................................................... 42
4.1. Analysis Manager ............................................................................ 42
4.2. Darwin ............................................................................................. 42
4.3. Clementine ...................................................................................... 42
4.4. DBMiner .......................................................................................... 43
4.5. Data Logic/R ................................................................................... 44
xi
Sayfa
4.6. INLEN.............................................................................................. 44
4.7. KDW (Knowledge Discowery Workbench) ...................................... 45
4.8. SKICAT (Sky Image Classification & Archiving Tool) ...................... 45
4.9. R-MINI ............................................................................................. 45
4.10. TASA (Telecommunication Network Alarm Sequence Analyzer) .... 46
4.11. GCLUTO (Graphical Clustering Toolkit) .......................................... 46
4.12. Enterprise Miner .............................................................................. 46
4.13. Weka ............................................................................................... 47
5. YATIRIM FONU VE VERĠ MADENCĠLĠĞĠ UYGULAMALARI ................... 49
5.1. Yatırım Fonu Nedir? ........................................................................ 49
5.2. Yatırım Fonu Fiyatının Hesaplanması ............................................. 50
5.3. Yatırım Fonunun Sağladığı Avantajlar............................................. 50
5.4. Yatırım Fonu ve MüĢteri Kaybetme Üzerine Veri Madenciliği
ÇalıĢmaları ...................................................................................... 51
6. Banka Yatırım Fonu MüĢteri Hareketlerinin Belirlenmesine Yönelik Bir Veri
Madenciliği Uygulaması ........................................................................... 55
6.1. Problemin Tanımlanması ve Amacın Belirlenmesi .......................... 56
6.2. Verilerin Toplanması ve Hazırlanması............................................. 57
6.2.1. Veri temizleme ...................................................................... 57
6.2.2. Veri ön iĢleme ....................................................................... 57
6.2.3. WEKA‟ da yatırım fonu alıĢ satıĢ iĢlem talimat verilerinin
analizi .................................................................................... 70
6.2.4. WEKA‟ da yatırım fonu alıĢ satıĢ iĢlem talimat verilerinin analiz
sonuçlarının karĢılaĢtırılması ................................................ 75
6.2.5. WEKA‟ da müĢteri sosyo-demografik verilerinin analizi ........ 79
xii
Sayfa
6.2.6. WEKA‟ da müĢteri sosyo-demografik verilerinin analiz
sonuçlarının karĢılaĢtırılması ................................................ 81
6.2.7. MüĢterinin yatırım hesabını kapatma iĢlem hareketleri ile
sosyo-demografik karakteristiğinin birleĢtirilmesi .................. 82
6.2.8. Sonuçların yorumlanması ................................................... 160
7. SONUÇ VE DEĞERLENDĠRME ............................................................ 164
KAYNAKLAR ............................................................................................. 166
ÖZGEÇMĠġ ................................................................................................ 172
xiii
ÇĠZELGELERĠN LĠSTESĠ
Çizelge
Sayfa
Çizelge 6.1. K-ortalama algoritması azalıĢ yüzde değerleri hata kareleri
toplamı .................................................................................. 60
Çizelge 6.2. MüĢterilerin yaĢadığı iller ve verilen kategorik değerler ............ 61
Çizelge 6.3. Örnek bir müĢteri için yatırım fonu alıĢ satıĢ talimat verisi ....... 65
Çizelge 6.4. 1490 müĢteri numaralı müĢterinin yatırım fonu alıĢ satıĢ talimat
verisi ....................................................................................... 66
Çizelge 6.5. K-ortalama algoritması azalıĢ yüzde değerleri hata kareleri
toplamı .................................................................................. 67
Çizelge 6.6. AzalıĢ yüzdelerinin kategorik sınıflandırılması ......................... 68
Çizelge 6.7. K-ortalama algoritması azalıĢ yüzde değerleri hata kareleri
toplamı .................................................................................. 68
Çizelge 6.8. ArtıĢ yüzdelerinin kategorik sınıflandırılması ............................ 69
Çizelge 6.9. 1490 müĢteri numaralı müĢterinin yatırım fonu alıĢ satıĢ talimat
verisi ....................................................................................... 69
Çizelge 6.10. J4.8 algoritması sonuç özeti ................................................... 71
Çizelge 6.11. PART algoritması sonuç özeti ................................................ 72
Çizelge 6.12. JRip algoritması sonuç özeti .................................................. 73
Çizelge 6.13. Naive Bayes algoritması sonuç özeti ..................................... 74
Çizelge 6.14. OneR algoritması sonuç özeti ................................................ 75
Çizelge 6.15. Yatırım fonu alıĢ satıĢ talimat verileri sınıflandırma sonuçları
karĢılaĢtırma çizelgesi .......................................................... 77
Çizelge 6.16. Id3 algoritması sonuç özeti .................................................... 79
Çizelge 6.17. J4.8 algoritması sonuç özeti ................................................... 80
Çizelge 6.18. JRip algoritması sonuç özeti .................................................. 80
xiv
Çizelge
Sayfa
Çizelge 6.19. PART algoritması sonuç özeti ................................................ 81
Çizelge 6.20. MüĢteri sosyo-demografik verileri sınıflandırma sonuçları
karĢılaĢtırma çizelgesi ........................................................ 82
xv
ġEKĠLLERĠN LĠSTESĠ
ġekil
Sayfa
ġekil 2.1. Veri Madenciliği AĢamaları ............................................................. 5
ġekil 2.2. Tipik bir veri madenciliği sisteminin mimarisi .................................. 7
ġekil 3.1. Karar ağacı örneği ........................................................................ 24
ġekil 3.2. Yapay sinir ağlarının katmanları ................................................... 31
ġekil 3.3. Veri kümeleme örneği .................................................................. 35
ġekil 3.4. Veri kümeleme örneği .................................................................. 37
ġekil 3.5. BütünleĢtirici ve bölücü hiyerarĢik kümelemenin {a,b,c,d,e} veri
nesneleri üzerinde gösterimi ....................................................... 38
ġekil 6.1. K-ortalama algoritması hata kareleri toplamı değiĢim grafiği ........ 67
ġekil 6.2. Kural 1‟e uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit ...... 103
ġekil 6.3. Kural 2‟ye uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit ...... 119
ġekil 6.4. Kural 3‟e uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit ...... 129
ġekil 6.5. Kural 4‟e uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit ...... 134
ġekil 6.6. Kural 5‟e uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit ...... 139
xvi
RESĠMLERĠN LĠSTESĠ
Resim
Sayfa
Resim 4.1. WEKA grafiksel kullanıcı arayüzü .............................................. 47
xvii
SĠMGELER VE KISALTMALAR
Bu çalıĢmada kullanılmıĢ bazı kısaltmalar, açıklamaları ile birlikte aĢağıda
sunulmuĢtur.
Kısaltmalar
Açıklama
VM
Veri Madenciliği
VT
Veritabanı
VTBK
Veri Tabanı Bilgi KeĢfi
YSA
Yapay Sinir Ağları
1
1. GĠRĠġ
Artan veri miktarı, müĢteri ve iĢlem çeĢitliliği ile sektörlerde kızıĢan rekabet
sonrası müĢteriyi, müĢterinin satın alma ve servis kullanım karakteristiğini
anlama çabasının artması ile firmalar bilgi elde etmek adına eldeki verileri
etkin bir Ģekilde kullanmaya çalıĢmaktadırlar. Artan rekabet koĢulları ve
geliĢen bilgisayar teknolojileri neticesinde firmalar için avantaj sağlayacak
bilgiler önem kazanmaktadır. Gerek veri hacmindeki artıĢ gerekse biliĢim
sektöründe giderek düĢen maliyetler veri madenciliğini çok daha önemli hale
getirmektedir.
Veritabanı sistemlerinin artan kullanımı ve hacimlerindeki bu olağanüstü
artıĢ, iĢletmeleri toplanan bu verilerden nasıl faydalanılabileceği problemi ile
karĢı karĢıya bırakmıĢtır. Geleneksel sorgu veya raporlama araçlarının veri
yığınları karĢısında yetersiz kalması, veri madenciliği gibi yeni arayıĢlara
neden olmaktadır [1].
Bu çalıĢmada bir bankanın mevcut fonlarını alıp satan ve belli bir iĢlem
geçmiĢinden sonra bankadaki hesabını kapatarak banka yatırım fonu
müĢterisi olmaktan çıkmıĢ müĢterilerin, iĢlem hareket detayının öğrenilmesi,
bu iĢlem hareket detaylarını sergileyerek yatırım hesabını kapatmıĢ
müĢterilerin sosyo-demografik karakteristiğinin çıkartılması ve bundan sonra
hesabını kapatmaya meyilli müĢterilerin tespit edilerek kaybedilmesinin
önlenmesi konusuna yoğunlaĢılmıĢtır.
Tez çalıĢmasının ikinci bölümünde veri madenciliğine genel bir bakıĢ
sunulmuĢ, veri madenciliğinin uygulama alanları, örnek uygulamalar ve veri
madenciliği sürecinde karĢılaĢılan problemlerden bahsedilmiĢ, üçüncü
bölümde sık kullanılan madencilik algoritmaları anlatılmıĢ, dördüncü bölümde
sık kullanılan veri madenciliği yazılımlarından bahsedilmiĢ, beĢinci bölümde
yatırım fonları ve müĢteri kaybı üzerine yapılmıĢ çalıĢmalar anlatılmıĢ, altıncı
2
bölümde ise uygulamaya yer verilmiĢtir. Son bölümde ise çalıĢmanın
sonuçları yer almaktadır.
3
2. VERĠ MADENCĠLĠĞĠNE GENEL BAKIġ
Veri madenciliği büyük veri yığınlarında gizli olan örüntüleri ve iliĢkileri ortaya
çıkarmak için istatistik ve yapay zekâ kökenli çok sayıda ileri veri çözümleme
yönteminin tercihen görsel bir programlama ara yüzü üzerinden kullanıldığı
bir süreçtir. Veri madenciliği algoritmaları; istatistik kökenli algoritmalar,
matematiksel algoritmalar ve yapay zekâ algoritmalarını bir arada içerir [2].
Veri madenciliği keĢif odaklıdır. Veri madenciliği, istatistik, karar ağaçları,
genetik algoritma, sinir ağları ve görsel teknikler gibi çeĢitli teknikleri
içermektedir. Pazarlama, finans, bankacılık, imalat, sağlık, müĢteri iliĢkileri
yönetimi ve organizasyon öğrenmede sıklıkla uygulanmaktadır [3].
Veri madenciliği, bilgi teknolojilerindeki geliĢme ve küresel rekabet sayesinde
gün geçtikçe büyüyen ve önemi daha da artan / bilinen bir alan olmaya
baĢlamıĢtır. Bilimsel çevrelerde uzun yıllardır var olan ancak sektörel ilgiyi
çok daha geç bulan bu alanda yapılan çalıĢmalar giderek çeĢitlilik
kazanmaktadır [4].
Son yıllarda bilgi endüstrilerinde veri madenciliğinin büyük dikkat çekmesinin
en büyük sebebi çok büyük miktarlardaki verinin elde edilebilirliği ve böyle
verilerin yararlı bilgilere dönüĢtürülmesine duyulan ihtiyaçtır. Elde edilen bilgi
iĢletme yönetimi, üretim kontrol ve pazar analizinden, mühendislik tasarımı
ve bilimsel keĢiflere kadar değiĢen uygulamalar için kullanılabilir [1].
Dünyamızda çeĢitli noktalarda yapılan iĢlemler, alınan kararlar, uygulanan
uygulamalar sonucunda ortaya çıkan verinin ne kadar hacimli ve kontrol
edilmesi güç olduğu açıkça ortadadır. Verilerin ne kadar hızlı toplandığını ve
iĢlemesinin imkânsız bir noktaya geldiğini en belirgin bir Ģekilde NASA
kurumunda görmekteyiz [5]. NASA‟nın kullandığı uyduların sadece birinden,
bir günde terabayt‟larca veri gelmektedir. Bu verilerin gözle ve elle analiz
4
edilemeyeceği, otomatik olarak analiz edilmesinin gerektiği ortadadır. Veri
madenciliği burada devreye girer.
Veri madenciliği büyük miktarda veri içinden gelecekle ilgili tahmin
yapmamızı sağlayacak bağıntı ve kuralların bilgisayar programları kullanarak
aranmasıdır. Geleceğin, en azından yakın geleceğin, geçmiĢten çok fazla
farklı olmayacağını varsayarsak geçmiĢ veriden çıkarılmıĢ olan kurallar
gelecekte de geçerli olacak ve ilerisi için doğru tahmin yapmamızı
sağlayacaktır.
Büyük miktarlarda verinin veritabanlarında (VT) tutulduğu bilindiğine göre bu
verilerin VM teknikleriyle iĢlenmesine de veri tabanında bilgi keĢfi (VTBK)
denir. Büyük hacimli olan ve genelde veri ambarlarında tutulan verilerin
iĢlenmesi yeni kuĢak araç ve tekniklerle mümkün olabilmektedir. Bundan
dolayı bu konularda yapılan çalıĢmalar güncelliğini korumaktadır. Bazı
kaynaklara göre; VTBK daha geniĢ bir disiplin olarak görülmektedir ve VM
terimi sadece bilgi keĢfi (BK) metotlarıyla uğraĢan VTBK sürecinde yer alan
bir adımdır [5].
Prof. Dr. Usama Fayyad‟a göre VTBK sürecinde yer alan adımlar Ģu Ģekilde
sıralanmaktadır [5];
1. Veri Seçimi: Bu adım veri kümelerinden sorguya uygun verilerin
seçilmesidir. Elde edilen verilere örneklem kümesi denmektedir.
2. Veri Temizleme ve Ön işleme: Örneklem kümesi elde edildikten sonra,
örneklem kümesinde yer alan hatalı tutanakların çıkarıldığı ve eksik nitelik
değerlerinin değiĢtirildiği aĢamadır. Bu aĢama seçilen veri madenciliği
sorgusunun çalıĢma zamanını iyileĢtirir.
5
3. Veri Madenciliği: Veri temizleme ve ön iĢlemden geçen örneklem
kümesine VM sorgusunun uygulanmasıdır. Örnek VM sorguları: kümeleme,
sınıflandırma, iliĢkilendirme, vb. sorgulardır.
4. Yorumlama: VM sorgularından ortaya çıkan sonuçların yorumlanma
kesimidir. Burada geçerlilik, yenilik, yararlılık ve basitlik açılarından üretilen
sonuçlar yorumlanır.
Bu basamaklar ġekil 2.1‟de ifade edilmiĢtir.
ġekil 2.1. Veri Madenciliği AĢamaları [1, 6]
Veri madenciliği için yapılan tanımlardan bazıları ise Ģunlardır:
Veri madenciliği, büyük veri kümesi içinde saklı olan genel örüntülerin
bulunmasıdır [6].
Veri madenciliği ham datanın tek baĢına sunamadığı bilgiyi çıkaran veri
analizi sürecidir [7].
Fayyad ve arkadaĢları (1996), veri madenciliğini geçerli, yeni, potansiyel
olarak faydalı ve açıklayıcı örüntülerin veriden keĢfedildiği karıĢık olmayan bir
süreç olarak tanımlamıĢtır [5].
6
Veri madenciliği istatistik, veritabanı teknolojisi, örüntü tanıma, makine
öğrenme ile etkileĢimli yeni bir disiplin ve geniĢ veritabanlarında önceden
tahmin edilemeyen iliĢkilerin ikincil analizidir [8]. Veri madenciliği,
büyük
miktarda veri içinden gelecekle ilgili tahmin yapılmasını sağlayacak bağıntı ve
kuralların bilgisayar programları kullanarak aranmasıdır [9].
Yapılan tanımlardan da anlaĢılacağı gibi veri madenciliği ile büyük veri yığını
içindeki verinin anlamlı ve fayda sağlayıcı bilgiye dönüĢümü sağlanmaktadır.
Bu süreçte ise görsel programlama ara yüzleri kullanılmaktadır.
Waikato Üniversitesi tarafından geliĢtirilmiĢ olan Weka‟ da bu tür çalıĢmaları
tek bir arayüz üzerinden yapmak mümkündür [10]. WEKA baĢta Yeni
Zelanda‟da tarımsal verinin iĢlenmesi amacıyla geliĢtirilmiĢtir. Bununla birlikte
sahip olduğu öğrenen makine metotları ve veri mühendisliği kabiliyeti öyle
hızlı ve köklü bir Ģekilde geliĢmiĢtir ki, Ģimdi veri madenciliği uygulamalarının
tüm formlarında yaygın olarak kullanılmaktadır [11] .
Veri Madenciliği adımı, kullanıcı veya bilgi tabanı ile iliĢki halindedir. Ġlgi çekici
modeller kullanıcıya sunulur ve yeni bir bilgi olarak bilgi tabanında
depolanabilir. Burada Ģuna dikkat edilmelidir ki; veri madenciliği, gizli
modelleri değerlendirmek için ortaya çıkaran zorunlu bir adım olmasına
rağmen, tüm proseste sadece bir adımdır [6, 1].
Bu bakıĢ açısıyla, tipik bir veri madenciliği sisteminin mimarisi ġekil 2.2‟ deki
aĢağıdaki temel bölümlere sahip olmalıdır [1]:
 Veritabanı, veri ambarı veya diğer bilgi kaynakları
 Veritabanı veya veri ambarı sunucusu
 Bilgi tabanı
 Veri madenciliği motoru
 Model değerlendirme modülü
 Grafiksel kullanıcı arayüzü
7
Grafiksel Kullanıcı Arayüzü
Model Değerlendirme
Veri Madenciliği Motoru
Bilgi
Tabanı
Veri Tabanı veya Veri Ambarı
Sunucusu
Veri Temizleme ve
Veri Entegrasyonu
Veri
Tabanı
Filtreleme
Veri
Ambarı
ġekil 2.2. Tipik bir veri madenciliği sisteminin mimarisi [1]
Veri madenciliği, veritabanı teknolojileri, istatistik, öğrenen makineler, yüksek
performanslı iĢlemcilik, model tanıma, sinir ağları, veri görselleĢtirme, bilgi
çıkarımı, görüntü ve sinyal iĢleme ve uzaysal veri analizi gibi çoklu
disiplinlerin tekniklerinin bütünleĢmesinden oluĢmaktadır. Veri madenciliğinin
uygulanmasıyla, veritabanlarından ilgi çekici bilgiler, kurallar veya üst seviye
bilgiler elde edilebilir, görüntülenebilir veya farklı açılardan göz atılabilir.
KeĢfedilen bilgi karar vermede, proses kontrolünde, bilgi yönetiminde veya
sorgu iĢlemede uygulanılabilir. Bu yüzden veri madenciliği, veri tabanı
sistemlerinde en önemli alanlardan biri ve bilgi endüstrisinde umut verici
disiplinler arası geliĢmelerden birisi olarak değerlendirilmektedir.
8
2.1. Veri Madenciliği Süreci
Veri madenciliği uygulamalarını kullanmaya baĢlarken atılacak ilk adım
problemi tanımlamaktır. Sonrasında verilerin hazırlanması gelir. Verileri
hazırladıktan sonra ise model kurulup değerlendirilir, izlenir ve son olarak
model doğrulanır [12].
BaĢarılı bir veri madenciliği projelerinde izlenmesi gereken adımlar aĢağıdaki
gibidir [16,17]:
1. Problemin tanımlanması,
2. Verilerin hazırlanması (veri ön iĢleme),
3. Modelin kurulması ve değerlendirilmesi,
4. Modelin kullanılması,
5. Modelin izlenmesi.
2.1.1. Problemin tanımlanması
VM çalıĢmalarında baĢarılı olmanın öncelikli Ģartı, uygulamanın amacının
açık bir Ģekilde belirtilmesidir. Amaç, problemin üzerine odaklanmıĢ ve açık
bir dille ifade edilmiĢ olmalı, elde edilecek sonuçların basarı düzeylerinin
nasıl ölçüleceği tanımlanmalıdır.
2.1.2. Verilerin hazırlanması (Veri ön iĢleme)
Örneklem kümesi elde edildikten sonra, örneklem kümesinde yer alan hatalı
kayıtların çıkarıldığı ve eksik nitelik değerlerinin değiĢtirildiği aĢamadır. Bu
aĢama seçilen veri madenciliği sorgusunun çalıĢma zamanını iyileĢtirir. Veri
madenciliğinin en önemli aĢamalarından biri olan verinin hazırlanması
aĢaması, analistin toplam zaman ve enerjisinin %50 - %85 ini harcamasına
neden olmaktadır [15]. Modelin kurulması aĢamasında ortaya çıkacak
9
sorunlar, bu aĢamaya sık sık geri dönülmesine ve verilerin yeniden
düzenlenmesine neden olmaktadır.
Hatalı veya analizin yanlıĢ yönlenmesine neden olabilecek veriler temizlenir.
Veri farklı kaynaklardan toplanmıĢsa ve aralarında farklılıklar varsa gerekli
dönüĢümler yapılarak bu farklılıklar ortadan kaldırılır. Eksik verilerin
bulunduğu kayıtlar proje için fazla enformasyon taĢımıyor ise silinir ya da
eksik veriler çeĢitli yöntemler kullanılarak tahmin edilmeye çalıĢılır.
Veri temizleme: Gerçek dünya verileri eksik, yanlıĢ ve tutarsız olma
eğilimindedir. Veri temizleme rutinleri verideki eksik değerleri doldurmaya, uç
değerleri
belirleyerek
yanlıĢ
değerleri
düzeltmeye
ve
tutarsızlıkları
düzeltmeye çalıĢır.
Veri bütünleştirme: Bir veri analizi görevinde, farklı kaynaklardan gelen
verilerin, tek bir veri ambarında birleĢtiren veri bütünleĢtirmeyi içermesi büyük
olasılıktır. Bu kaynaklar birçok veritabanı, veri küpleri veya düz dosyaları
içerebilir. Bu birçok kaynaktaki verilerin dikkatli bütünleĢtirilmesi, sonuç veri
setinde gereksiz ve tutarsız verilerin azaltılmasına ve hatta sakınılmasına
yardım edebilecektir. Bu da sonraki madencilik sürecinin hızını ve
doğruluğunun geliĢmesine yardım edebilir.
Veri dönüştürme: Veri dönüĢtürmede, veriler madencilik için uygun olan
formlara dönüĢtürülür veya birleĢtirilir. Veri dönüĢtürme aĢağıdakileri
içerebilir:
1. Düzleştirme: Veriden hatalı uç değerlerin silinmesi (atılması) için çalıĢır.
2. Bütünleştirme:
Özetleme
veya
bütünleĢtirme
iĢlemlerinin
veriye
uygulanmasıdır.
3. Genelleştirme: Verilerin genelleĢtirilmesinde alt seviye veri veya ham veri,
kavram hiyerarĢilerinin kullanılmasıyla daha yüksek seviyelerle değiĢtirilir.
10
4. Normalizasyon: Bir özelliğe ait veri normalizasyonla küçük tanımlanmıĢ bir
aralığa düĢecek Ģekilde ölçeklenir.
5. Alan Yapılandırma: Madencilik sürecine yardım etmek için verilen alanlar
setinden yeni alanlar yapılandırılır ve eklenir.
Veri İndirgeme: Büyük miktardaki veri üzerindeki karmaĢık veri analizi ve
madenciliği, iĢlemleri uygulanamaz veya imkânsız kılacak kadar çok uzun
zaman alabilir. Veri indirgeme teknikleri, hacimce daha küçük indirgenmiĢ
veri setlerini elde etmek için uygulanır. Ama orijinal verinin bütünlüğü de
korunmaktadır. Yani, indirgenmiĢ veri seti üzerindeki madencilik, aynı analitik
sonucu üretecek kadar etkin olmalıdır.
Kesiklileştirme: KesiklileĢtirme teknikleri, sürekli bir alan için, alanın değiĢken
aralığını aralıklara bölerek değerlerin sayısını düĢürmek için kullanılır. Aralık
etiketleri daha sonra gerçek veri değerlerini yerleĢtirmek için kullanılır. Bir
alan için değerlerin sayısının düĢürülmesi, özellikle iĢlenmiĢ veriye sınıflama
madenciliğinin karar ağacı tabanlı metotları uygulandığında yararlıdır. Bu
metotlar genellikle, her adımda verinin sıralanmasına yüksek miktarda zaman
harcanılan yinelemeli yapıdadırlar. Bu yüzden, sıralamak için az sayıda farklı
değer olması, bu metotları daha hızlı yapmaktadır.
2.1.3. Modelin kurulması ve değerlendirilmesi
Tanımlanan problem için en uygun modelin bulunabilmesi, olabildiğince çok
sayıda modelin kurularak denenmesi ile mümkündür. Bu nedenle veri
hazırlama ve model kurma aĢamaları, en iyi olduğu düĢünülen modele
varılıncaya kadar yenilenen bir süreçtir.
Bir veri madenciliği problemi için birden fazla teknik kullanılabilir, problem için
uygun olan teknik veya tekniklerin bulunabilmesi için birçok teknik oluĢturulup
bunların içinden en uygun olanlar seçilir. Model oluĢturulduktan sonra
11
kullanılan
tekniğin
gereksinimlerine
uygun
olarak
veri
hazırlanması
aĢamasına tekrar dönülüp gerekli değiĢiklikler yapılabilir [15,19].
Bir modelin doğruluğunun test edilmesinde kullanılan en basit yöntem basit
geçerlilik (simple validation) testidir. Bu yöntemde tipik olarak verilerin %5 ile
%33 arasındaki bir kısmı test verileri olarak ayrılır ve kalan kısım üzerinde
modelin öğrenimi gerçekleĢtirildikten sonra, bu veriler üzerinde test iĢlemi
yapılır. Bir sınıflama modelinde yanlıĢ olarak sınıflanan olay sayısının, tüm
olay sayısına bölünmesi ile hata oranı, doğru olarak sınıflanan olay sayısının
tüm olay sayısına bölünmesi ile ise doğruluk oranı hesaplanır [14].
Doğruluk oranı = 1 - Hata oranı
Değerlendirme
aĢamasında,
daha
önce
oluĢturulmuĢ
olan
model,
uygulamaya koyulmadan önce son kez tüm yönleriyle değerlendirilir, kalitesi
ve etkinliği ölçülür. Modelin ilk aĢamada oluĢturulan proje amacına ulaĢmada
etkin olup olmadığı ve problemin tüm yönleri için bir çözüm sağlayıp
sağlamadığı karara bağlanır [15, 19].
2.1.4. Modelin kullanılması
Model kurulup sonuçlar elde edildikten sonra VM sorgularından ortaya çıkan
sonuçların yorumlanma kesimidir. Burada geçerlilik, yenilik, yararlılık ve
basitlik açılarından üretilen sonuçlar yorumlanır.
Kurulan modeller risk analizi, kredi değerlendirme, dolandırıcılık tespiti gibi
iĢletme
uygulamalarında
doğrudan
kullanılabileceği
gibi,
promosyon
planlaması simülasyonuna entegre edilebilir veya tahmini envanter düzeyleri
yeniden sipariĢ noktasının altına düĢtüğünde, otomatik olarak sipariĢ
verilmesini sağlayacak bir uygulamanın içine gömülebilir [16].
12
2.1.5. Modelin izlenmesi
Zaman içerisinde bütün sistemlerin özelliklerinde ve dolayısıyla ürettikleri
verilerde ortaya çıkan değiĢiklikler, kurulan modellerin sürekli olarak
izlenmesini ve gerekiyorsa yeniden düzenlenmesini gerektirecektir. Tahmin
edilen ve gözlenen değiĢkenler arasındaki farklılığı gösteren grafikler model
sonuçlarının izlenmesinde kullanılan yararlı bir yöntemdir [16].
2.2. Veri Madenciliğinin Uygulama Alanları
Veri madenciliği verinin yoğun olarak üretildiği ve bunun sonucu olarak
veritabanlarının oluĢtuğu hemen her ortamda uygulama kullanım alanı
bulabilir. Bazı uygulama alanları aĢağıdaki gibi özetlenebilir.

Bilimsel ve mühendislik verileri: Günümüzde laboratuar veya bilgisayar
ortamında sistemlerin benzetimi ve analizi sürecinde yüksek miktarda
bilimsel veri üretilmektedir. Elde edilen bu verilerin anlamlandırılması için
veri madenciliği çok uygun bir platform sağlar.

Sağlık verileri: Veri madenciliğinin en umut verici uygulama alanlarından
bir tanesi de tıp ve sağlık alanıdır. Özellikle tarama testlerinden elde
edilen verileri kullanarak çeĢitli kanserlerin ön tanısı, kalp verilerini
kullanarak kalp krizi riskinin tespiti, acil servislerde hasta semptomlarına
göre risk ve önceliklerin tespiti gibi çok geniĢ bir uygulama sahası söz
konusudur [17].

İş verileri: ĠĢ süreçleri sırasında büyük miktarda veriler üretilir. Bu verileri
karar verme mekanizmalarında kullanmak mümkündür. MüĢteri veri
tabanlarının analizi ile reklam ve promosyon ile ilgili pek çok faydalı
bilgiye ulaĢmak mümkündür.
13

Alışveriş verileri: Bu alanda en çok baĢvurulan veri madenciliği yaklaĢımı
sepet analizidir. Sepet analizinde amaç alınan ürünler arasındaki iliĢkileri
bulmaktır. Bu
iliĢkilerin
bilinmesi iĢletmenin
kârını arttırmak için
kullanılabilir.

Bankacılık ve finans verileri: Bankacılık sektöründe kredi ve kredi kartı
sahtekârlığı
tahminlerinde,
risk
değerlendirmede,
müĢteri
eğilim
analizlerinde, kar analizi gibi alanlarda veri madenciliği kullanılır.

Eğitim sektörü verileri: Öğrenci iĢlerinde veriler analiz edilerek öğrencilerin
baĢarı ve baĢarısızlık nedenleri, baĢarının arttırılması için hangi konulara
ağırlık verilmesi gerektiği, üniversite giriĢ puanları ile okul baĢarısı
arasında bir iliĢkinin var olup olmadığı gibi soruların cevabı bulunarak
eğitim kalitesi ve performansı arttırılabilir.

Internet (Web) verileri: Internet ve web üzerindeki veriler hem hacim hem
de karmaĢıklık olarak hızla artmaktadır. Web madenciliği özetle
internetten faydalı bilginin keĢfi olarak tanımlanabilir [18].

Doküman verileri: Doküman veri madenciliğinde (text mining) ana amaç
dokümanlar arasında ayrıca elle bir tasnif gerekmeden benzerlik
hesaplayabilmektir. Bu genelde otomatik olarak çıkarılan anahtar
sözcüklerin tekrar sayısı sayesinde yapılır. Polis kayıtlarında mevcut
rapora benzer kaç adet ve hangi raporlar var. Ürün tasarım dokümanları
ve internet dokümanları arasında mevcut tasarım için kullanılabilecek ne
tür dosyalar var gibi sorulara yanıt bulunabilir.
Bunların dıĢında da veri madenciliğinin faydalı olabileceği ve kullanılabileceği
alanlar arasında taĢımacılık ve ulaĢım, turizm ve otelcilik, haberleĢme,
belediyeler sayılabilir.
14
2.3. Veri Madenciliği Örnek Uygulamaları
Veri madenciliğiyle yapılabilecek uygulamalar Ģu Ģekilde sınıflandırılmıĢtır
[19]:

Bağıntı: “Çocuk bezi alan müĢterilerin %30‟u bira da satın alır.” Sepet
analizinde müĢterilerin beraber satın aldığı malların analizi yapılır.
Buradaki amaç mallar arasındaki pozitif veya negatif korelâsyonları
bulmaktır. Çocuk bezi alan müĢterilerin mama da satın alacağını veya
bira satın alanların cips de alacağını tahmin edebiliriz ama ancak otomatik
bir analiz bütün olasılıkları göz önüne alır ve kolay düĢünülemeyecek,
örneğin çocuk bezi ve bira arasındaki bağıntıları da bulur.

Sınıflandırma: “Genç kadınlar küçük araba satın alır, yaĢlı, zengin
erkekler büyük, lüks araba satın alır.” Amaç bir malın özellikleri ile müĢteri
özelliklerini eĢlemektir. Böylece bir müĢteri için ideal ürün veya bir ürün
için ideal müĢteri profili çıkarılabilir. Örneğin bir otomobil satıcısı Ģirket
geçmiĢ müĢteri hareketlerinin analizi ile yukarıdaki gibi iki kural bulursa
genç kadınların okuduğu bir dergiye reklam verirken küçük modelinin
reklamını verir.

Regresyon: “Ev sahibi olan, evli, aynı iĢ yerinde beĢ yıldan fazladır
çalıĢan, geçmiĢ kredilerinde geç ödemesi bir ayı geçmemiĢ bir erkeğin
kredi skoru 825‟dir.” BaĢvuru skorlamada bir finans kurumuna kredi için
baĢvuran kiĢi ile ilgili finansal güvenilirliğini notlayan örneğin 0 ile 1000
arasında bir skor hesaplanır. Bu skor kiĢinin özellikleri ve geçmiĢ kredi
hareketlerine dayanılarak hesaplanır.

Zaman içinde sıralı örüntüler: “Ġlk üç taksitinden iki veya daha fazlasını
geç ödemiĢ olan müĢteriler %60 olasılıkla kanuni takibe gidiyor.” DavranıĢ
skoru (behavioral score), baĢvuru skorundan farklı olarak kredi almıĢ ve
15
taksitleri
ödeyen
bir
kiĢinin
sonraki
taksitlerini
ödeme/geciktirme
davranıĢını notlamayı amaçlar.

Benzer zaman sıraları: “X Ģirketinin hisse fiyatları ile Y Ģirketinin hisse
fiyatları benzer hareket ediyor.” Amaç zaman içindeki iki hareket serisi
arasında bağıntı kurmaktır. Bunlar örneğin iki malın zaman içindeki satıĢ
miktarları olabilir. Örneğin, dondurma satıĢları ile kola satıĢları arasında
pozitif, dondurma satıĢları ile salep satıĢları arasında negatif bir bağıntı
beklenebilir.

İstisnalar (Fark saptanması): “Normalden farklı davranıĢ gösteren
müĢterilerim var mı?” Amaç önceki uygulamaların aksine kural bulmak
değil, kurala uymayan istisnai hareketleri bulmaktır. Bu da örneğin olası
sahtekârlıkların saptanmasını (fraud detection) sağlar. Örneğin, Visa kredi
kartı için yapılan CRIS sisteminde bir yapay sinir ağı kredi kartı
hareketlerini takip ederek müĢterinin normal davranıĢına uymayan
hareketler için müĢterinin bankası ile temasa geçerek müĢteri onayı
istenmesini sağlar.

Doküman madenciliği: “ArĢivimde (veya internet üzerinde) bu dokümana
benzer hangi dokümanlar var?” Amaç dokümanlar arasında ayrıca elle
bir tasnif gerekmeden benzerlik hesaplayabilmektir (text mining). Bu
genelde otomatik olarak çıkarılan anahtar sözcüklerin tekrar sayısı
sayesinde yapılır.
2.4. Veri Madenciliğinde KarĢılaĢılan Problemler
Makine öğrenimiyle VM arasındaki farklar sıralanırken Ģu önemli detay
hemen söylenir; makine öğrenimi küçük deneysel verilerle uğraĢırken VM
büyük hacimli gerçek dünya verileriyle uğraĢır. Bu fark VM‟ de büyük sorunlar
oluĢturur. Bundan dolayı mesela küçük veri setleriyle ve yapay hazırlanmıĢ
verilerle doğru çalıĢan sistemler büyük hacimli, eksik, gürültülü, NULL
16
değerli, artık, dinamik verilerle yanlıĢ çalıĢabilir. Bundan dolayı bu sorunların
aĢılması gerekmektedir.
2.4.1. Veri tabanı boyutu
Veri tabanı boyutu 2. bölümün baĢında verilen NASA örneğinde olduğu gibi
veri hacmi büyük boyutlara ulaĢmaktadır [5]. VT‟ de tutulan verilerin boyutu
iki boyutlu olarak geniĢlemektedir:

Yatay boyut: nesnelerin özellik sayılarıyla geniĢlemektedir.

Dikey boyut: nesnelerdeki kayıt sayısıyla geniĢlemektedir.
GeliĢtirilen pek çok algoritma yüzler mertebesindeki verilerle uğraĢacak
Ģekilde geliĢtirildiğinden aynı algoritmanın yüz binlerce kat daha fazla
kayıtlarla çalıĢabilmesi için azami dikkat gerekmektedir. Veri hacminin
büyüklüğünden kaynaklanan sorunun çözümü için uygulanacak alternatif
çözümlerden bazıları:

Örneklem kümesinin yatay ve dikey boyutta indirgenmesi,
o Yatay
indirgeme:
Nitelik
değerlerinin
önceden
belirlenmiĢ
genelleme sıradüzenine göre, bir üst nitelik değeri ile değiĢtirilme
iĢlemi yapıldıktan sonra aynı olan çokluların çıkarılma iĢlemidir.
o Dikey indirgeme: Artık niteliklerin indirgenmesi iĢlemidir.

VM yöntemleri sezgisel / buluĢsal bir yaklaĢımla arama uzayını
taramalıdır, vb.
Örneklem kümesinin geniĢ olması bulunacak örüntüleri ne kadar iyi
tanımlıyorsa, bu büyük kümeyle uğraĢma zorluğu da o kadar artmaktadır.
17
2.4.2. Gürültülü veri
Veri giriĢi veya veri toplanması esnasında oluĢan sistem dıĢı hatalara gürültü
denir. Veri toplanması esnasında oluĢan hatalara ölçümden kaynaklanan
hatalar da dahil olmaktadır. Bu hataların sonucu olarak VT‟ de birçok niteliğin
değeri yanlıĢ olabilir.
Günümüz ticari iliĢkisel veri tabanları bu tür hataların ele alınması için az bir
destek sunmaktadır. Veri madenciliğinde kullanılan gerçek dünya verileri için
bu sorun ciddi bir problemdir. Bu sebepten dolayı veri madenciliği
tekniklerinin gürültülü verilere karĢı daha az duyarlı olması gerekir.
Sistemin gürültülü veriye daha az duyarlı olmasından kasıt, gürültülü verilerin
sistem tarafından tanınması ve ihmal edilmesidir.
Chan ve Wong (1991), gürültünün etkisini azaltmak için istatistiksel yöntemler
kullanmıĢtır. Sınıflama üzerine yaptığı çalıĢmalardan tanınan Quinlan‟nın
gürültünün sınıflama üzerine etkileri konusunda yaptığı çalıĢmada; etiketli
öğrenmede
etiket
üzerindeki
gürültünün
öğrenme
algoritmasının
performansını doğrudan etkileyerek düĢürdüğünü tespit etmiĢtir [24].
Tümevarımsal karar ağaçlarında uygulanan metotlar bağlamında gürültülü
verinin yol açtığı problemler araĢtırılmıĢtır [24].
2.4.3. Null değerler
Eğer VT‟ de bir nitelik değeri NULL ise o nitelik bilinmeyen ve uygulanamaz
bir değere sahiptir. VT‟ de birincil anahtar haricindeki herhangi bir niteliğin
özelliği NOT NULL (NULL olamaz) Ģeklinde tanımlanmadığı sürece bu
niteliğin değeri NULL olabilir.
18
Kurulacak bir iliĢkide kullanılacak verilerin aynı sayıda niteliğe ve NULL olsa
bile aynı sayıda nitelik değerine sahip olması gerekir.
Lee NULL değerini iliĢkisel veri tabanlarını geniĢletmek için aĢağıdaki üç
gruba girecek Ģekilde ayırmıĢtır [25]:

Bilinmeyen,

Uygulanamaz,

Bilinmeyen veya uygulanamaz.
Bu ayrımda Ģu ana kadar sadece bilinmeyen değer üzerinde çalıĢmalar
yapılmıĢtır [26, 27, 28].
Veri kümelerinde var olan NULL değerleri için çeĢitli çözümler söz konusudur
[24]:

NULL değerli kayıtlar tamamıyla ihmal edilebilir,

NULL değerli kayıtlardaki NULL değerleri olası bir değerle günlenebilir.
Bu günleme için çeĢitli yöntemler söz konusudur:

NULL değeri yerine o nitelikteki en fazla frekansa sahip bir değer veya
ortalama bir değer konulabilir,

NULL değeri yerine varsayılan bir değer konulabilir,

NULL değerinin bulunduğu kaydın diğer özelliklerine göre, NULL
değerinin kendine en yakın değerle günlenmesi sağlanabilir, vb.
2.4.4. Eksik veri
Veri madenciliğinde iliĢkilerin kurulabilmesi ve istenen problemin çözümüne
ulaĢabilmek için gereken örneklem kümesindeki 2 boyutun eksik olmaması
gerekir. Bu boyuttaki eksiklikler Ģu Ģekilde olabilir:
19

Yatay boyuttaki eksiklik, örneklem kümesinde olması gereken nitelik veya
niteliklerin olmamasıdır. Örneğin: eğer insanların göz rengiyle alakalı bir
hastalığın neye bağlı olduğu bulunmaya çalıĢılıyorsa, niteliklerden göz
renginin örneklem kümesinde bulunması gerekir.

Dikey boyuttaki eksiklik örneklem kümesindeki kayıtların eksik olmasıdır.
Örneğin bir süper markette yaĢı 10 ve 25 yaĢındaki kiĢiler her yaptıkları
alıĢveriĢte bir ürünü sürekli alıyorlarsa, bu örüntünün keĢfedilmesi için
örneklem kümesinde yeterli sayıda 10-25 yaĢ aralığına giren kayıtların
bulunması gerekir. Eğer örneklem kümesinde bu kayıtlar bulunmazsa
gerçek hayatta var olan bir örüntü kaçırılmıĢ olur.
2.4.5. Artık veri
Artık veri, problemde istenilen sonucu elde etmek için kullanılan örneklem
kümesindeki gereksiz niteliklerdir.
Artık nitelikleri elemek için geliĢtirilmiĢ algoritmalar, özellik seçimi olarak
adlandırılır. Özellik seçimi arama uzayını küçültür ve sınıflama iĢleminin
kalitesini de artırır [29, 30, 31, 32].
2.4.6. Dinamik veri
Ġçeriği sürekli değiĢen veri tabanlarıdır. Bunlara örnek kurumsal çevrim-içi
veri tabanları gösterilebilir. Bir veri tabanındaki içeriğin sürekli değiĢmesi VM
uygulamalarının
uygulanabilmesini
önemli
ölçüde
zorlaĢtırıcı
sorunlar
doğurmaktadır. Bu sorunlardan bazıları Ģunlardır:

Ortaya çıkan veri madenciliği örüntülerinin sürekli değiĢim halinde olan
verilerden hangisini ifade ettiğinin tespitinin zorluğu ve bu üretilen
sonuçların zaman içinde eski üretilen sonuçlardan farkının tespiti ve
gereken yerlerin günlenme zorluğu,
20

Veri madenciliği algoritmalarının çalıĢabilmesi için verilerin üzerine okuma
kilidi konulması gerektiğinde, bu verilerin baĢka uygulamalar tarafından
değiĢime açık olmaması,

Veri madenciliği algoritmalarının ve çevrim-içi veritabanı uygulamalarının
aynı anda uygulanmasından kaynaklanan ciddi performans düĢüĢlerinin
olması, vb.
21
3. VERĠ MADENCĠLĠĞĠ ALGORĠTMALARI
Veri madenciliği algoritmaları verilerde var olan bilgiyi anlaĢılabilecek kurallar
olarak çıkartmaya yarayan metotlardır.
Veri madenciliği algoritmaları genel olarak iki ana gruba ayrılır [33]:

Doğrulamaya dayalı algoritmalar: Kullanıcı tarafından ispatlanmak istenen
bir hipotez ortaya sürülür ve VM algoritmalarıyla bu hipotez ispatlanmaya
çalıĢılır. Çok boyutlu analizlerde ve istatistiksel analizlerde tercih edilen
metottur. Hipotez testi buna örnektir.

Keşfe dayalı algoritmalar: Doğrulamaya dayalı algoritmaların tersine bu
algoritmalarda ortada ispatlanması istenen hipotezler yoktur. Tam tersine
bu algoritmalar otomatik keĢfe dayanmaktadır. KeĢfe dayalı algoritmaların
birçok kullanım alanı vardır: istisnai durumların keĢfi, karar ağacı,
kümeleme gibi algoritmalar bu yaklaĢıma göre kurulmuĢtur.
Veri madenciliği modellerini gördükleri iĢlevlere göre:
1. Sınıflama (Classification) ve Regresyon (Regression)
2. Kümeleme (Clustering)
3. Birliktelik Kuralları (Association Rules)
olmak üzere üç ana baĢlık altında incelemek mümkündür [20]. Daha önce de
belirtildiği gibi sınıflama ve regresyon modelleri tahmin edici, kümeleme ve
birliktelik kuralları modelleri tanımlayıcı modellerdir [14].
Kümeleme, veri setinin kümelere bölünerek küme içi özelliklerin maksimize
edilmesi, küme dıĢı özelliklerin ise minimize edilmesi sürecidir. ĠliĢkilendirme,
veri seti içindeki iliĢki kurallarının keĢfedilmesi iken, sınıflandırma; benzer
özelliklerin kategorik sınıflarının tanımlanmasıdır.
22
3.1. Sınıflama ve Regresyon
Sınıflama kategorik değerleri tahmin ederken, regresyon süreklilik gösteren
değerlerin tahmin edilmesinde kullanılır. Sınıflama ve Regresyon modelleri
arasındaki temel fark, tahmin edilen bağımlı değiĢkenin kategorik veya
süreklilik gösteren bir değere sahip olmasıdır. Ancak bazı tekniklerde her iki
model giderek birbirine yaklaĢmakta ve bunun bir sonucu olarak aynı
tekniklerden yararlanılması mümkün olmaktadır [21].
Bu bölümde Ģu sınıflandırma algoritmalarından bahsedilecektir:

Karar Ağaçları,

Doğrusal ve çoklu regresyon modelleri,

Yapay sinir ağları (YSA),

Naive Bayes sınıflayısıcı,

K-Nearest Neighbor algoritması,

Genetik algoritmalar.
3.1.1. Karar ağaçları ve karar ağacı algoritmaları
Karar ağacı analizi, genellikle seçenekler üzerinde yapılan bir analiz türüdür.
Bu analizin veri madenciliğinde kullanılma sebepleri Ģunlardır [22]:

Maliyeti azdır.

AnlaĢılması ve yorumlanması kolaydır.

Veri tabanına kolay entegre edilebilmektedir.

Güvenirliliği yüksektir.
Karar ağaçları kolaylıkla sınıflama kurallarına dönüĢtürülebilmektedir. Bunun
için algoritmaya girdi olarak verilerin belirlenen belli nitelikleri, çıktı olarak da
verilerin belli bir niteliği verilir ve algoritma bu çıktı niteliğindeki değerlere
23
ulaĢmak için hangi girdi nitelik değerlerinin olması gerektiğini ağaç veri
yapıları kullanarak keĢfeder.
Karar ağaçları genellikle yaprakları ve gövdesi ile ağaç yapısında
sunulmaktadır.
Gövdeler
özelliklerin
koĢullarını
gösterirken
yapraklar
sınıflandırma sonuçlarını ortaya koyar. Özellikle karar ağaçlarına yönelik pek
çok algoritma; CART, CHAID, ID3, C4.5 yer almaktadır [3].
Sınıflandırma ağaçları, Breiman ve arkadaĢları tarafından 1984 yılında
önerilmiĢtir. Sınıflandırmada, bir veri seti mevcuttur ve her data noktası amaç
değiĢkeni ile birlikte karakteristik değerlerden
(özelliklerden)
oluĢur ve
genellikle ikilidir (binary). Amaç, farklı amaç çıktılarına göre özelliklerin
kombinasyonunu oluĢturmaktır. Sınıflandırma, kredi skorlama ve pazarlama
dıĢında pek çok alanda da kullanılmaktadır. Örneğin sağlık alanında Harper
ve arkadaĢları (2003), CART algoritmasını Ģeker hastalarının tedavilerine
karar
vermede
kullanmıĢlardır
[23].
Sınıflandırma
ağaçlarının
gücü,
sınıflandırılacak karakteristiklerin etkileĢimini incelemesidir.
Sınıflandırma ağaçları, verideki en önemli karakteristikleri tanımlar ve amaç
değiĢkenine
ulaĢmak
için
en
iyi
tahmini
sağlayan
özelliklerin
kombinasyonunu belirler. Ağacı yapılandırmak için, öncelikle popülasyon
birbirinden mümkün olduğu kadar farklı 2 alt popülasyona ayrılır. Bunu
yaparken, her bir karakteristiğe bakılır ve amaç değiĢkenin çıktılarının
farklılaĢtıracak özelliklerin farklılaĢtırılması ile optimumu sağlayacak ayırım
tanımlanır. Bu süreç, yavru popülasyonlara kadar tekrarlanır [23].
Karar ağaçları sınıflandırma ve tahmin için sıklıkla kullanılan bir veri
madenciliği yaklaĢımıdır. Sorunla ilgili araĢtırma alanını alt gruplara ayırmak
için kullanılır. Karar ağaçlarında kök ve her düğüm bir soruyla etiketlenir.
Düğümlerden ayrılan dallar ise ilgili sorunun olası yanıtlarını belirtir. Her dal
düğümü de söz konusu sorunun çözümüne yönelik bir tahmini temsil eder
[24]. Sinir ağları gibi diğer metodolojilerin sınıflandırma için kullanılmasına
24
rağmen karar vericiler için kolay tefsir ve anlaĢılır olması karar ağaçlarının
avantajlarıdır [3]. Karar ağaçları, her bir dalının birer kurala dönüĢtürülebilir
olmasından dolayı kural çıkartım sürecinde etkili olarak kullanılırlar. Dalın
kapsadığı örnek sayısının fazlalığı o kuralın güçlü olduğunu ifade eder [10].
Karar ağaçlarının en önemli avantajlarından biri EĞER-ĠSE (IF-THEN)
yapısını kullanması ve bilgi kazanımı sunmada anlaĢılabilir olmasıdır [25].
Karar ağaçları, bir sınıf ya da değer oluĢturan bir dizi kuralı gösterme
yöntemidir. Örneğin, borç uygulamalarını iyi ya da kötü kredi riskine göre
sınıflandırmak isteyebilirsiniz. ġekil 3.1‟ de bu problemi çözen basit bir karar
ağacı örneği gösterilmektedir, aynı zamanda bu Ģekil bir karar ağacının tüm
basit bileĢenlerini de göstermektedir [26].
ġekil 3.1. Karar ağacı örneği [26]
Burada;
EĞER Gelir 40000 den küçük ve iĢ süresi 5 yıldan büyük ĠSE Ġyi kredi riskli,
EĞER Gelir 40000 den küçük ve iĢ süresi 5 yıldan küçük ĠSE Kötü kredi
riskli,
EĞER Gelir 40000 den büyük ve yüksek borçlu ĠSE Kötü kredi riskli,
EĞER Gelir 40000 den büyük ve yüksek borçlu değil ĠSE Ġyi kredi risklidir.
25
Bilgi kazancı ölçütü ağaçtaki her bir düğümde test alanını seçmek için
kullanılır. Bu tür bir ölçüt alan seçim ölçütü olarak anılır. En yüksek bilgi
kazancı değerine sahip alan ele alınan düğüm için test alanı olarak seçilir. Bu
alan sonuç ayrımlarındaki önekleri sınıflamak için gerekli olan bilgiyi en aza
indirir ve bu ayrımlarda en az rastsallığı yansıtmaktadır. Böyle bir teorik bilgi
yaklaĢımı bir nesneyi sınıflamada ihtiyaç duyulan beklenen test sayısını
minimize eder ve basit bir ağacın bulunacağını garantiler.
S, s adet veri örneğini barındıran bir set olsun. Sınıf etiketi alanının m adet
farklı Ci (i 1,2,..., m) sınıfı tanımlayan m farklı değere sahip olduğunu
düĢünelim. s i , C i sınıfında S‟ nin örneklerinin sayısı olsun. Verilen örneği
sınıflamak için ihtiyaç duyulacak beklenen bilgi EĢ. 3.1‟ de verilmiĢtir.
m
Beklenen bilgi: I ( s1 , s2 ,..., sm )
pi log 2 ( pi )
(3.1)
i 1
Burada p i , keyfi bir örneğin C i sınıfına ait olması olasılığıdır ve si / s ile
tahmin edilir.
A alanı v farklı değere sahip olsun {a1 , a2 ,..., av } . A alanı, S‟ yi v alt sete
{S1 , S 2 ,..., S v } ayrıĢtırmada kullanılabilir. Burada S j , A‟ nın a j değerine sahip
S‟ deki örneklerini içermektedir. Eğer A test alanı olarak seçilirse, bu alt setler
S setini barındıran düğümden geliĢecek dallara karĢılık gelecektir. s ij , bir S j
alt setinde C i sınıfındaki örneklerin sayısı olsun. Etropi, ya da A‟ ya göre alt
setlerin ayrıĢtırılmasına dayanan beklenen bilgi EĢ. 3.2 ‟ deki gibi hesaplanır:
v
Entropi: E ( A)
j 1
s1 j
... s mj
s
I ( s1 j ,..., s mj )
(3.2)
26
Burada
s1 j
... s mj
terimi, J alt setinin ağırlığı olarak rol oynar ve alt setteki
s
örnek sayısının, S‟ deki toplam örnek sayısına bölümüdür. Daha küçük
entropi değeri, alt set ayrımlarının saflığının daha büyük olması demektir. S j
alt seti için EĢ. 3.3 geçerlidir.
m
I ( s1 j , s 2 j ,..., s mj )
(3.3)
pij log 2 ( pij )
i 1
Burada pij
sij
|Sj |
‟ dir ve S j ‟deki bir örneğin C i sınıfına ait olma olasılığıdır.
A‟ dan dallanmakla elde edilecek kodlanmıĢ bilgi (kazanç)
EĢ. 3.4‟ de
gösterilmiĢtir:
Kazanç(A) I(s1 , s 2 ,..., s m ) - E(A)
Diğer bir deyiĢle Kazanç(A),
(3.4)
A alanının değerini bilmekten kaynaklanan
entropideki beklenen azalmadır.
Algoritma her bir alanın bilgi kazancını hesaplar. En yüksek bilgi kazançlı
alan verilen S seti için test alanı olarak seçilir. Bir düğüm yaratılır ve bu alanla
etiketlenir. Alanın her bir değeri için dallar yaratılır ve buna göre örnekler
ayrıĢtırılırlar.
Yaygın olarak kullanılan karar ağacı algoritmaları Ģunlardır:

CHAID (Chi-Squared Automatic Interaction Detector , Kass 1980),

C&RT (Classification and Regression Trees, Breiman ve Friedman,
1984),

ID3 (Induction of Decision Trees, Quinlan, 1986),

C4.5 (Quinlan, 1993).
27
ID3 ve C4.5 Algoritmaları: Karar ağaçları olarak da adlandırılan ID3 ve C4.5
algoritmaları, sınıflandırma modellerini iĢlemek için Quinlan (1993) tarafından
geliĢtirilmiĢtir.
ID3
tahmin
edicileri
ve
onların
bölünüm
değerlerini
bölünümlerle sağlanan bilgi kazancına göre seçmektedir. Kazanç, bölünüm
öncesi ve sonrasında doğru tahmin yapabilmek için ihtiyaç duyulan
enformasyon miktarındaki farkı anlatmaktadır. Kazanç, orijinal segmentin
entropisi ile sonuçta elde edilen bölünüm segmentlerinin toplam entropileri
arasındaki farktır [27].
C4.5, ID3‟ün geliĢtirilmiĢ halidir. C4.5 eksik ve sürekli nitelik değerlerini ele
alabilmekte, karar ağacının budanması ve kural çıkarımı gibi iĢlemleri
yapabilmektedir. Karar ağacının kurulması için kullanılacak girdi olarak bir
dizi kayıt verilirse bu kayıtlardan her biri aynı yapıda olan birtakım
nitelik/değer çiftlerinden oluĢur. Bu niteliklerden biri kaydın hedefini belirtir.
Problem, hedef-olmayan nitelikler kullanılarak hedef nitelik değerini doğru
kestiren bir karar ağacı belirlemektir. Hedef nitelik çoğunlukla sadece {evet,
hayır}, veya {baĢarılı, baĢarısız} gibi ikili değerler alır [9].
Karar ağacında, her bir düğüm hedef-olmayan bir niteliğe, düğümler
arasındaki her yay (ark) ise niteliğin olası bir değerine karĢılık gelir. Ağacın
bir yaprağı, bu yapraktan köke kadar ki yolda tanımlanan kayıtlar için hedef
niteliklerin beklenen değerini belirler. Karar ağacında her bir düğüm kökten
baĢlayarak yol üzerinde henüz dikkate alınmamıĢ olan nitelikler arasından en
çok bilgi sağlayan hedef-olmayan nitelikle iliĢkilendirilebilir [9].
C&RT: Breiman ve Friedman tarafından 1984 yılında geliĢtirilmiĢtir. C&RT
ağacını oluĢturmada tahmin ediciler, farklı tahminlerin kayıtları nasıl etkilediği
temeline göre seçilmektedir. Örneğin verilmiĢ bir tahmin edici için verilmiĢ bir
bölünüm noktasının diğerlerine göre daha iyi olup olmadığını tanımlayan ise
entropi metriğidir [27].
28
C&RT‟ın büyük avantajlarından birisi algoritmanın modelin geçerliliğini
sınaması ve genel optimal modelin keĢfedilmesidir. C&RT çok karmaĢık bir
ağaç oluĢturup ardından geriye doğru budayarak çapraz geçerlilik sınaması
ve test kümesi sınaması sonuçlarını temel alan optimal genel ağaca ulaĢarak
bunu baĢarmaktadır. Ağaç, test veri kümesi üzerinde ağacın pek çok
budanmıĢ
versiyonunun
performansını
temel
alarak
geriye
doğru
budanmaktadır. Ağaç, yeni ve görülmemiĢ veriyi, çapraz geçerlilik sınamasını
kullanarak iyi biçimde seçer [27].
CHAID: CHAID, karar ağacı tekniği grupları oluĢturmak için Ki-Kare
analizinden
yararlanmaktadır.
Bu
algoritma
esasen
benzer
verileri
birleĢtirerek farklı olanlarla analize devam eder. Böylece ulaĢılmak istenen
değerler kesin ve kolay bir Ģekilde elde edilir. Karar ağacının ilk dallarını
oluĢturmak için en iyi tahmin edici değiĢkenler seçilir. Bu algoritmada
değiĢkenler sürekli ise F-Testi değerleri, nominal ya da ordinal bir değiĢkense
Ki-Kare test değerleri kullanılır [28].
CHAID
karar
ağacını
oluĢturmada
C&RT‟
a
benzemektedir
ancak
bölünümleri seçmede farklı bir yol izlemektedir. Optimal bölünümün
seçiminde Entropi veya Gini metriklerinin kullanımı yerine değerlerin
tahmininde hangi kategorik tahmin edicinin bağımsızlıktan en uzak olduğunu
tanımlamak için olasılık tablolarında Ki-Kare testi kullanımına dayanmaktadır.
Özellikle CHAID kategorik verilerle çalıĢmak için tasarlanan
ikili olmayan
(non-binding) bir karar ağacıdır [3].
3.1.2. Doğrusal ve çoklu regresyon
Regresyon, değerleri bilinen değiĢkenleri kullanarak diğer değiĢkenleri
tahmin etmek için kullanılır [26]. Regresyon terminolojisinde, tahmin edilecek
olan değiĢken “bağımlı değiĢken”, bağımlı değiĢkeni tahmin etmek için
29
kullanılan değiĢken ya da değiĢkenler ise
“bağımsız değiĢken” olarak
adlandırılır.
Doğrusal regresyonda, veri düz bir çizgi kullanılarak modellenir. Doğrusal
regresyon, regresyonun en basit halidir. Ġki değiĢkenli doğrusal regresyon,
rastgele değiĢken Y‟yi bir baĢka rastgele değiĢken X‟in bir doğrusal
fonksiyonu olarak EĢ. 3.5‟ deki gibi modeller.
Y
X
(3.5)
Burada Y‟ nin varyansının sabit olduğu varsayılır ve
ve
sırasıyla
doğrunun eksenini kestiği noktayı ve doğrunun eğimini tanımlayan regresyon
katsayılarıdır. Bu katsayılar, gerçek veri ve doğrunun tahmini arasındaki
hatayı en azaltan en küçük kareler metodu ile çözülebilir. Böylece EĢ. 3.6 ve
EĢ. 3.7 elde edilir:
s
i 1
( xi
s
( xi
1
i
y
x )( yi
y)
x)2
x
(3.6)
(3.7)
Burada x x1 , x2 ,..., xs ‟ lerin ortalaması iken, y y1 , y2 ,..., y s ‟lerin ortalamasıdır.
Çoklu regresyon, doğrusal regresyonun birden fazla tahminci değiĢken içeren
halidir. Y değiĢkeninin, çok boyutlu bir özellik vektörünün doğrusal bir
fonksiyonu olarak modellenmesine olanak tanır. X 1 ve X 2 gibi iki tahminci
değiĢkeni temel alan çoklu regresyon modelinin bir örneği de EĢ. 3.8‟ deki
gibidir:
Y
1
X1
2
X2
(3.8)
30
Doğrusal olmayan regresyon: Polinomyal regresyon, polinomyal terimleri
temel doğrusal modele ekleyerek modellenebilir. DeğiĢkenlere dönüĢüm
uygulanarak bu doğrusal olmayan modeller, en küçük kareler tekniği ile
çözülebilecek doğrusal modellere dönüĢtürülebilir.
Diğer regresyon modeller: Doğrusal regresyon sürekli değerli fonksiyonları
modellemekte de kullanılır. GenelleĢtirilmiĢ doğrusal modeller, doğrusal
regresyonun kategorik değiĢkenlerin modellemesinde uygulanabileceğinin
teorik esaslarını sunmaktadır. GenelleĢtirilmiĢ doğrusal modellerde, Y
değiĢkeninin varyansı, doğrusal regresyondaki sabit değerin tersine Y‟ nin
ortalamasının bir fonksiyonudur. GenelleĢtirilmiĢ doğrusal modellerin en
bilinen türleri, Lojistik Regresyon ve Poisson Regresyon‟dur. Lojistik
regresyon tahminci değiĢkenler setinin bir doğrusal fonksiyonu olarak bazı
olayların gerçekleĢme olasılıklarını modeller. Sayımlı veriler genellikle
poisson dağılım sergiler ve poisson regresyon kullanılarak modellenir.
Lojistik doğrusal modeller yaklaĢık olarak, kesikli çok boyutlu olasılık
dağılımlarını takip eder. Veri küpü hücreleri ile iliĢkili olasılık değerlerinin
tahmininde kullanılabilirler.
3.1.3. Yapay sinir ağları
Sinir ağları, veri madenciliğinde tahmin ve sınıflandırma analizlerinde
kullanılan bir yöntemdir. Yapay sinir ağlarında beynin sinir sisteminin çalıĢma
prensipleri model olarak alınmıĢtır.
Yapay sinir ağları, insanlığın doğayı araĢtırma ve taklit etme çabalarının en
son ürünlerinden bir tanesi olan teknolojidir. 1980‟lerden itibaren yaygınlaĢan
ve yapay sinir ağları adı verilen programlar, basit biyolojik sinir sisteminin
çalıĢma Ģeklini canlandırmak için tasarlanmıĢlardır [29]. Biyolojik özelliği
taĢıdığı için, yani insanın beynindeki sinir ağlarının modelini oluĢturabildiği
31
için yapay sinir ağları bir insanın düĢünme ve gözlemlemeye yönelik doğal
yeteneklerini gerektiren problemlere çözüm üretebilmektedir [30].
Yapay sinir ağlarında amaç fonksiyon birbirine bağlı basit iĢlemci
ünitelerinden oluĢan bir ağ üzerine dağıtılmıĢtır. Bu ünitelere “nöron” ismi
verilmektedir. Yapay sinir ağlarında kullanılan öğrenme algoritmaları veriden
üniteler arasındaki bağlantı ağırlıklarını hesaplar. Bu ağlar öğrenme, hafızaya
alma ve veriler arasındaki iliĢkiyi ortaya çıkarma kapasitesine sahiptirler. YSA
istatistiksel yöntemler gibi veri hakkında parametrik bir model varsaymaz yani
uygulama alanı daha geniĢtir ve bellek tabanlı yöntemler kadar yüksek iĢlem
ve bellek gerektirmez [14].
Bir yapay sinirin öğrenme yeteneği, kullanılan ağırlık oranıyla doğrudan
alakalıdır.Süreçte kullanılan girdiler, dıĢarıdan elde edilen bilgilerdir.Toplama
fonksiyonu bir hücreye gelen net girdi miktarı olarak tanımlanabilir.
Aktivasyon fonksiyonu, bu fonksiyon öğrenilme sonucu oluĢan değerlerin
ortaya çıkarılması için kullanılan bir fonksiyondur. Son olarak çıktı ise,
aktivasyon fonksiyonundan elde edilen değer olarak tanımlanabilir [22].
Yapay sinir ağaçlarının katman olarak iĢleyiĢi ġekil 3.2‟ de gösterilmektedir.
ġekil 3.2. Yapay sinir ağlarının katmanları
32
3.1.4. NaiveBayes sınıflaması
Bayes sınıflayıcıları istatistiksel sınıflayıcılardır ve bir örneğin belli bir sınıfa
ait olma olasılığı gibi sınıf üyelik olasılıklarını tahmin edebilirler. Bayes
sınıflaması, bayes teoremine dayanmaktadır.
Naive bayes algoritması sürekli veri ile çalıĢmadığından değiĢkenler
kategorik hale getirilir. Naive bayes sınıflayıcıları, belli bir sınıf için alan
değerlerinin etkisinin diğer alanların değerlerinden bağımsız olduklarını
varsayar. Bu varsayım sınıfların Ģartlı bağımsızlığı olarak adlandırılır. Bu
varsayım gereken iĢlemleri basitleĢtirmek için yapılmıĢtır ve bu mantıkla “saf”
olarak değerlendirilir.
Naive Bayes, modelin öğrenilmesi esnasında, her çıktının öğrenme
kümesinde kaç kere meydana geldiğini hesaplar. Bulunan bu değer, öncelikli
olasılık olarak adlandırılır. Naive Bayes aynı zamanda her bağımsız değiĢken
/ bağımlı değiĢken kombinasyonunun meydana gelme sıklığını bulur. Bu
sıklıklar öncelikli olasılıklarla birleĢtirilmek suretiyle tahminde kullanılır [16].
3.1.5. K-Nearest neighbor algoritması
En Yakın komĢu sınıflayıcıları analoji ile öğrenmeyi temel alırlar. Eğitim
örnekleri n boyutlu nümerik alanlar olarak tanımlanırlar. Her bir örnek n
boyutlu uzayda bir noktaya karĢılık gelir. Bu yolla eğitim örneklerinin tamamı
n boyutlu uzayda depolanmıĢ olur. Bilinmeyen bir örnek verildiği zaman, k en
yakın komĢu sınıflayıcısı bu uzayda bilinmeyen örneğe en yakın k eğitim
örneğini bulur. Bu k adet eğitim örnekleri, bilinmeyen örneğin “en yakın k
komĢusu”dur. “Yakınlık” öklid uzaklığı olarak tanımlanır. Buna göre
X
( x1 , x2 ,..., xn ) ve Y
( y1 , y 2 ,..., y n ) gibi iki nokta arasındaki öklid uzaklığı
EĢ. 3.9‟ daki gibi hesaplanır:
33
n
d ( X ,Y )
yi ) 2
( xi
(3.9)
i 1
Bilinmeyen örnek, k en yakın komĢuları arasındaki en yaygın sınıfa atanır.
k=1 olduğunda, bilinmeyen örnek uzayda kendisine en yakın eğitim örneğinin
sınıfına atanır.
3.1.6. Genetik algoritmalar
Genetik algoritmalar, çok değiĢkenli fonksiyonları optimize etmeyi amaçlayan
sayısal bir araçtır. Bu algoritma parametre yerine onların kodlanmıĢ
biçimlerini kullanarak en iyiye ulaĢmaya çalıĢır. Yapay zekânın bir
uygulaması olan genetik algoritma, kısa sürede çözümleri ortaya çıkarması
bakımından önemli bir tekniktir [31].
Genetik algoritmalar, doğal evrim fikrini içermektedir. Genel olarak genetik
öğrenme Ģu Ģekilde baĢlar. Bir baĢlangıç popülâsyonu rastgele üretilmiĢ
kuralları içerecek Ģekilde oluĢturulur. Her bir kural bitler katarı Ģeklinde
sunulabilmektedir.
En
uygun
olanının
popülasyondan
yaĢaması
misyonuna
uygun
olarak,
Ģimdiki
en uygun olan kurallar ve bunların çocukları yeni
popülasyonu oluĢturulur. Tipik olarak bir kuralın uygunluğu bir eğitim
örnekleri seti üzerindeki sınıflama doğruluğu tarafından belirlenir.
Çocuklar, çaprazlama ve mutasyon gibi genetik iĢlemler uygulanarak
üretilirler. Çaprazlamada kural çiftlerinin alt katarları yeni kural çiftleri
oluĢturmak için değiĢ-tokuĢ edilirler. Mutasyonda, bir kural katarından
rastgele seçilmiĢ bitler ters çevrilirler.
34
Önceki kural popülâsyonundan yeni popülasyonların üretilmesi süreci bir p
popülasyonundaki her bir kural önceden tanımlanmıĢ bir uygunluk eĢiğine
sahip olana kadar geliĢtirilmeye devam eder.
Genetik algoritmalar kolaylıkla paralelleĢtirilebilir ve diğer optimizasyon
problemlerinde kullanıldığı gibi sınıflamada kullanılmıĢtır. Veri madenciliğinde
diğer algoritmaların uygunluğunun değerlendirilmesinde kullanılabilir.
3.2. Kümeleme
Kümeleme, veri tabanından ilginç örüntülerin keĢfedildiği bir madencilik
tekniğidir. Kümelemenin genel düĢüncesi, veri tabanını çok sayıda kümeye
ayırmak ve aynı kümeye ait verilerin mümkün olduğu kadar yakın iliĢkide
olmalarının sağlanmasıdır [32].
Veri madenciliğinde kümeleme yaygın Ģekilde kullanılan, verileri sınıflar veya
kümeler içinde gruplayan, bu sayede aynı küme içindeki verilerin diğer
kümedekilere göre daha benzer olduğu bir tekniktir [1].
Kümeleme analizi, nesnelerin altdizinlere gruplanmasını yapan iĢleme denir.
Böylece nesneler, örneklenen kitle özelliklerini iyi yansıtan etkili bir temsil
gücüne sahip olmuĢ olur. Kümeleme, bir denetimsiz öğrenme yöntemidir.
Kümeleme analizinin özellikleri aĢağıda kısaca özetlenmiĢtir:

Denetimsiz (unsupervised) öğrenmedir.

Önceden
tanımlanan
sınıf
ve
sınıf-etiketli
çalıĢmamaktadır.

Kümeleme veri dağılımını anlamada fayda sağlar.

Bir veri madenciliği fonksiyonudur.
öğrenme
örnekleriyle
35
Basit bir kümeleme örneği ġekil 3.3‟ de verilmiĢtir. Bu örnekte soldaki grafikte
yer alan veriler giriĢ olarak verilmiĢ ve kümeleme iĢlemi sonucunda ortaya
çıkan 7 adet küme sağda gösterilmiĢtir.
6
7
5
2
3
1
4
ġekil 3.3. Veri kümeleme örneği
Veri kümeleme güçlü bir geliĢme göstermektedir. Veri tabanlarında toplanan
veri miktarının artmasıyla orantılı olarak, kümeleme analizi son zamanlarda
veri madenciliği araĢtırmalarında aktif bir konu haline gelmiĢtir.
Literatürde pek çok kümeleme algoritması bulunmaktadır. Kullanılacak olan
kümeleme algoritmasının seçimi, veri tipine ve amaca bağlıdır. Genel olarak
baĢlıca kümeleme yöntemleri Ģu Ģekilde sınıflandırılabilir:

Bölümleme yöntemleri (Partitioning methods)

HiyerarĢik yöntemler (Hierarchical methods)

Model tabanlı yöntemler (Model-based methods).
3.2.1. Bölümleme yöntemleri
Bölümleme yönteminde ilk önce örneklem kümesi içinden rastgele k tane
merkez seçilir. Daha sonra her bir noktanın küme merkezlerine olan
uzaklıkları hesaplanır ve bu uzaklığı minimum yapan yeni küme merkezleri
bulunarak güncellenir. Küme merkezlerinde hiçbir değiĢim olmayıncaya
36
kadar, noktaların küme merkezlerine olan uzaklığının hesaplanması ve bu
uzaklığı minimum yapan küme merkezlerinin bulunarak güncellenmesi iĢlemi
tekrarlanır.
K-ortalamalar
(k-means)
ve
k-medoids
birer
bölümleme
kümeleme algoritmasıdır.
Veri
madenciliğinde
kümelemede
kullanılan
ve
en
çok
bilinen
uygulamalardan biri K-ortalama „dır. Öncelikle, K sayıda gözlem N gözlem
içinden küme sayısına göre rastgele seçilir ve ilk kümelerin merkezi olur.
Ġkinci olarak, kalan her bir N-K gözlem için öklid uzaklık cinsinden en yakın
küme bulunur. Her gözlem en yakın kümelere atandıktan sonra, kümenin
merkezi yeniden hesaplanır. Son olarak, tüm gözlemler dağıtıldıktan sonra,
gözlemler ile kümenin merkezi arasındaki öklid uzaklık hesaplanarak en
yakın kümeye atanıp atanmadığı tespit edilir. Kümelemede uygulanan Kortalama algoritması pek çok araĢtırmada kullanılmıĢtır [33].
K-ortalamalar
algoritması
bölümleme
yöntemleri
olarak
adlandırılan
algoritmalardan biridir. Bölümleme kümeleme problemi Ģöyle ifade edilmiĢtir:
d boyutlu metrik uzayda verilen n nesnesinin, aynı kümelerdeki nesneler
diğer kümelerdekine kıyasla daha benzer olacak Ģekilde k kümeye
yerleĢtirerek bölümlenmesinin yapılmasıdır. K değeri probleme göre
belirlenebilir veya belirlenmez. Hata kareler ölçütü (squared-error criterion)
gibi bir kümeleme ölçütünün olması gerekir.
Bu sorunun çözümü Ģöyledir: Bir kümeleme kriteri seçilir, sonra her bir veri
nesnesi için bu kriterleri optimize edecek küme seçimi yapılır. K-ortalamalar
algoritması k kümelerini, her bir kümeyi temsil edecek bir nesnenin keyfi
seçimiyle baĢlatır. Kalan her nesne bir kümeye atanır ve kümeleme kriteri
küme ortalamasını hesaplayabilmek için kullanılır. Bu ortalamalar yeni küme
noktaları olarak kullanılır ve her bir nesne kendisine en benzer olan kümeye
yeniden atanır. Bu kümeler yeniden hesaplanır ve kümelerde hiç bir değiĢim
gözlenilmediği
duruma
ve
değiĢim
istenen
düĢürülünceye kadar bu döngü devam ettirilir.
hata
düzeyinin
altına
37
3.2.2. HiyerarĢik metotlar
HiyerarĢik
kümeleme
nesnelerin
yakınlık
iliĢkisine
göre
oluĢturulan
kümelerden bir ağaç inĢa eder. HiyerarĢik kümeleme aĢağıdaki özelliklere
sahiptir:

Bir veri tabanını bir kaç kümeye ayrıĢtırır.

Bu ayrıĢtırma dendogram adı verilen bir ağaç sayesinde yapılır (Bkz.
ġekil 3.4).

Bu ağaç, yapraklardan gövdeye doğru veya gövdeden yapraklara doğru
kurulabilir. Dendogram istenen seviyede kesilerek kümeler elde edilir.
ġekil 3.4. Veri kümeleme örneği
Bir hiyerarĢik kümeleme metodu veri nesnelerini bir küme ağacına
gruplayarak çalıĢır. HiyerarĢik kümeleme yöntemleri, hiyerarĢik ayrıĢmanın
yukarıdan-aĢağıya veya aĢağıdan-yukarıya oluĢturulmasına bağlı olarak
bütünleĢtirici ve bölücü hiyerarĢik kümeleme olarak sınıflandırılabilir. Saf
hiyerarĢik kümeleme yöntemlerinin kalitesi, bir kez birleĢtirme veya ayırma
kararı iĢletildiğinde uyum gösterememesinden etkilemektedir.
AĢağıdan yukarıya (AGglomerative NESting) ya da bir diğer ifadeyle
bütünleĢtirici yaklaĢıma göre hiyerarĢik kümeleme Ģu Ģekildedir:

Her bir nesne için farklı bir grup oluĢturarak baĢla,
38

Bazı kurallara göre grupları birleĢtir. Örneğin, merkezler arasındaki
uzaklık,ortalama vb.,

Bir sonlandırma durumuna ulaĢılıncaya kadar devam et. Yani, bütün
nesneler tek bir küme içinde kalana kadar ya da istenen sayıda küme
elde edene kadar birleĢtirme iĢlemi devam eder.
Yukarıdan aĢağıya (DIvisive ANAlysis) ya da bir diğer ifadeyle bölücü
yaklaĢıma göre hiyerarĢik kümeleme Ģu Ģekildedir:

Aynı kümedeki bütün nesnelerle baĢla,

Bir kümeyi daha küçük kümelere böl,

Bir sonlandırma durumuna ulaĢılıncaya kadar devam et. Yani, her nesne
ayrı bir küme oluĢturana ya da istenilen küme sayısı elde edilene kadar
ayrılma iĢlemi devam eder
BütünleĢtirici
Bölücü
ġekil 3.5. BütünleĢtirici ve bölücü hiyerarĢik kümelemenin {a,b,c,d,e} veri
nesneleri üzerinde gösterimi
3.2.3. Model bazlı kümeleme metotları
Model tabanlı kümeleme metotları, verilen veri ile bazı matematiksel
modellerin arasındaki uygunluğu optimize etmeye çalıĢır. Bu metotlar verinin
39
olasılık dağılımlarının bir karıĢımından elde edildiğini varsayar. Model tabanlı
kümeleme metotları iki yaklaĢımdan oluĢur:
İstatistiksel Yaklaşım: Kavramsal kümeleme iki adımlı bir iĢlemdir: ilk olarak
kümeleme yapılır sonrasında bunu tanımlama takip eder.
Kavramsal
kümelemedeki
birçok
metot,
kavram
veya
kümelerin
belirlenmesinde olasılık ölçümlerini kullanan istatistiksel yaklaĢımı benimser.
COBWEB, artımlı kavramsal kümelemede popüler ve basit bir metottur. Bu
metotta girdi nesneleri kategorik alan değer çiftleri olarak tanımlanır.
COBWEB sınıflama ağacı formunda bir hiyerarĢik kümeleme oluĢturur.
Sınıflama ağacındaki her bir nokta bir kavrama karĢılık gelmektedir ve bu
nokta altında sınıflama nesneleri özetleyen kavramın olasılıklı tanımlamasını
içerir.
Sinir Ağları Yaklaşımı: Sinir ağları yaklaĢımı ile kümeleme her bir kümeyi bir
“temsilci” olarak sunma eğilimindedir. Bir temsilci, kümenin bir prototipi olarak
rol oynar ve belli bir veri örneğine veya nesneye karĢılık gelmek zorunda
değildir. Yeni nesneler, bazı uzaklık ölçütlerine bağlı olarak temsilcisi en
benzer olan kümeye dağıtılabilirler. Bir kümeye atanan bir nesnenin alanları,
kümenin temsilcisinin alanlarından tahmin edilebilir.
3.3. Birliktelik Kuralları
Birliktelik kuralları, büyük veri kümeleri arasında birliktelik iliĢkileri bulurlar
[34]. Toplanan ve depolanan verinin her geçen gün gittikçe büyümesi
yüzünden, Ģirketler veritabanlarındaki birliktelik kurallarını ortaya çıkarmak
istemektedirler.
Birliktelik kurallarının kullanıldığı en tipik örnek market sepeti uygulamasıdır.
Bu
iĢlem,
müĢterilerin
yaptıkları
alıĢveriĢlerdeki
ürünler
arasındaki
40
birliktelikleri bularak müĢterilerin satın alma alıĢkanlıklarını analiz eder. Bu tip
birlikteliklerin keĢfedilmesi, müĢterilerin hangi ürünleri bir arada aldıkları
bilgisini ortaya çıkarır ve market yöneticileri de bu bilgi ıĢığında daha etki
satıĢ stratejileri geliĢtirebilirler [20].
Örneğin, bir alıĢveriĢ merkezinde, ekmek alan müĢterilerin 80%‟i süt de
almaktadır. ĠliĢki kuralları algoritmasını uygulamanın asıl amacı rastsal
verilerin analizi ile eĢ zamanlı iliĢkileri ortaya çıkarmak ve karar verirken
referans olarak kullanmaktır [32].
Birliktelik
kurallarının
bulunmasında
birçok
yöntem
vardır.
Büyük
veritabanlarında birliktelik kuralları bulmak için algoritma geliĢtirmek çok zor
değildir, buradaki zorluk bu tür algoritmaların çok küçük değerli diğer birçok
birliktelik kuralını da meydana çıkarmasıdır. Bulabileceğimiz olası birliktelik
kuralları sayısı sonsuzdur. Birliktelik kurallarıyla ilgili problem, birliktelik
kurallarını bulmada bir eĢik değeri bulmaktır. Önemsiz gürültüden değerli
bilgiyi ayırabilmek ve bu eĢik değerini bulabilmek çok zordur. Bu yüzden
ilginç birliktelik kurallarından ilginç olmayanları ayırt edebilmek için bazı
ölçütlerin belirlenmesi gereklidir. Bu ölçütler destek ve güven değerleridir [2].
Buradaki destek ve güven ifadeleri, kuralın ilginçlik ölçüleridir. Sırasıyla,
keĢfedilen kuralın kullanıĢlığını ve doğruluğunu gösterirler [35].
Birliktelik kurallarının amacı, kullanıcı tarafından belirlenen minimum destek
ve güven değerlerini sağlayan kuralların bulunmasıdır. Anlamlılığı destek ve
güven değerleri ile ölçülen birliktelik kuralları, "X nesnesini alan bir müĢterinin
muhtemelen Y nesnesini de alması" tipindeki kuralların tanımlanmasını
amaçlamaktadır [2].
41
3.3.1. Apriori algoritması
Birliktelik kuralı için en çok bilinen strateji Apriori‟ dir [50]. Apriori‟ de kullanıcı
minimum destek eĢiğini verir ve algoritma bu eĢik değerinden büyük tüm veri
kümesini arar. Ġkinci adımda, ilk adımda bulunan veri kümelerinden kurallar
oluĢturulmaktadır. Algoritma her kural için güven değerini hesaplar ve
kullanıcı tarafından tanımlanan güven eĢik değerini aĢan kuralları saklar.
Uygulamada görülen en önemli problemlerden biri ise destek ve güven
eĢiklerinin belirlenmesi olmuĢtur [36].
Apriori algoritması veri tabanındaki verileri tekrarlayarak kaydeder ve her
kayıttan sonra geniĢ veri kümelerini oluĢturur. ĠĢlemleri indirgemek için aday
veri kümeleri için sadece destek seviyeleri hesaplanır [50].
Apriori algoritmasında k öğeli sık geçen öğe küme adayları, (k-1) öğeli sık
geçen öğe kümelerinden faydalanılarak bulunur. Ancak bu algoritma veri
tabanının pek çok kere taranmasını gerektirmektedir. Takipteki taramalarda
bir önceki taramada bulunan sık geçen öğe kümeleri aday kümeleri adı
verilen yeni potansiyel sık geçen öğe kümelerini üretmek için kullanılır. Aday
kümelerin
destek
değerleri
tarama
sırasında
hesaplanır
ve
aday
kümelerinden minimum destek metriğini sağlayan kümeler o geçiĢte üretilen
sık geçen öğe kümeleri olur. Sık geçen öğe kümeleri bir sonraki geçiĢ için
aday küme olurlar. Bu süreç yeni bir sık geçen öğe kümesine rastlanıncaya
kadar devam eder.
Bu algoritmadaki temel yaklaĢım eğer k-öğe kümesi minimum destek
metriğini sağlıyorsa bu kümenin alt kümelerinin de minimum destek metriğini
sağladığıdır [1].
42
4. VERĠ MADENCĠLĠĞĠ YAZILIMLARI
4.1. Analysis Manager
Analysis Manager Microsoft firmasının VM için üretmiĢ olduğu ürünüdür [52].
Kümeleme analizi ve karar ağaçları için hazırlanmıĢtır. Analysis Manager
OLAP (çevrim içi analitik iĢlem) küp desteği sunmaktadır. Analysis
Manager‟ın güçlü olduğu taraf kullanıcı-dostu (user friendly) bir ara yüze
sahip olması ve uygulama kolaylığıdır. Aracın SQL SERVER 2000‟le
bütünleĢik çalıĢabilmesi bu aracı etkin hale getirmektedir. Analysis
Manager‟ın bir VM sorgusu için farklı algoritmaları desteklememesi en büyük
eksikliğidir. Kaynak kodun açık olmaması uygulama geliĢtiriciler için büyük
zorluklar oluĢturmaktadır. Kaynak kod yerine Microsoft kümeleme ve karar
ağacı için COM1 desteği sunsa da bu destek bir çok gömülü sistem
uygulamalarında geliĢtiriciler için eksik bir hizmet olarak görülmektedir.
Analysis Manager üretilen sonuçları farklı bir çok gösterim Ģekliyle kullanıcıya
sunabilmektedir. Mesela karar ağaçları için karar ağacını gösterebildiği gibi
sonuçları kural tabloları Ģeklinde yorumlama imkanı vermektedir.
4.2. Darwin
Darwin Oracle firmasının VM aracıdır [53]. Darwin regresyon ağaçları, karar
ağaçları, kümeleme, yapay sinir ağları, Bayesian öğrenme, k-yakınlığında
komĢuluk gibi birçok algoritmayı destekleyen bir VM aracıdır. Paralel
sunucular için geliĢtirilmiĢ bir VM sistemidir. Darwin kullanımı kolay bir ara
yüze sahiptir. Darwin VM algoritmalarından CART, StarTree, StarNet ve
StarMatch‟i kullanır.
4.3. Clementine
Clementine SPSS firmasının VM için geliĢtirmiĢ olduğu bir modüldür
(ref:Integrated Solutions). SPSS istatistiksel bir araçtır. Clementine‟nin SPSS
43
içinde bir modül olarak kullanılması kullanıcıların SPSS‟in istatistiksel
fonksiyonlarından faydalanmasına imkan verir. Yapay sinir ağları ve kural
tümevarım yöntemlerini kullanır. Clementine müĢteri hizmetleri yönetimi,
kimya sektöründe maddelerin aĢındırıcılık tahmininde ve bankacılık alanında
kredi kartı dolandırıcılıkları gibi konularda kendine uygulama alanı bulmuĢtur.
4.4. DBMiner
Kanada Simon Fraser Üniversitesi tarafından geliĢtirilen bir sistemdir [54].
DBMiner sınıflama, kümeleme, eĢleĢtirme ve sıra örüntüleri sorgularını
yapabilecek VM algoritmalarını kullanır.
DBMiner çevrimiçi analitik iĢleme özelliğiyle VM algoritmalarının bütünleĢik
çalıĢabilme özelliği sayesinde ön plana çıkmaktadır. Bu özellik OLAM (Online
Analytical Mining) olarak anılır. DBMiner OLAP ve VM yöntemlerini dinamik
bir Ģekilde seçebilme imkânına sahiptir. Kullanıcının kolay kullanabileceği bir
ara yüze sahiptir. Bu ara yüz sayesinde elde edilen sonuçlar çok yönlü bir
soyutlama kullanılarak gösterilebilmektedir.
DBMiner‟ın diğer sistemlere göre en büyük avantajı geliĢtirilen DMQL‟i (data
mining query language) kullanmasıdır. DMQL SQL benzeri bir VM sorgu
dilidir. DMQL sayesinde çevrimiçi sorgular OLAM veya OLAP modülüne
yönlendirilerek iĢlenir.
DBMiner‟ın VT ara yüzü çok boyutlu veri tabanına temizlenmiĢ, filtrelenmiĢ ve
bütünleĢtirilmiĢ verileri aktarmaya yarar. Veri aktarımı için ODBC ve OLE
DB(Object
Linking
and
Embedding
Database)
gibi
bağlantılar
da
kullanılabilmektedir.
OLAP ve OLAM modülleri arasındaki iliĢkinin varlığı iki modülün birbirlerinin
sonuçlarını kullanılabilmesine imkân tanır.
44
DBMiner ürettiği sonuçları farklı birçok Ģekilde gösterebilme imkanına
sahiptir. Mesela karar ağaçları için karar ağacı Ģeklinde, kural tabloları
Ģeklinde; eĢleĢtirme sorgusu için kural tablosu ve grafikleri üretebilmektedir.
DBMiner ne kadar genel amaçlı bir sistemse de DBMiner‟ı kullanarak ortaya
çıkarılan
özel
amaçlı
sistemler
de
mevcuttur.
Bunlar
arasında
MultiMediaMiner, GeoMiner ve WeblogMiner sayılabilir.
4.5. Data Logic/R
DataLogic/R kümeleme ve sınıflama analizi için kullanılan ticari bir veri
madenciliği aracıdır [37]. DataLogic/R artık nitelik ve verilerin temizlenmesi
iĢlemlerini yapabilmektedir. Sistemin en güçlü olduğu taraf, üretilen kuralların
öğrenme-test geçerliliği ve güvenlik gibi kriterlerde değerler üretmesidir. Bu
değerler üretilen kuralların kalitesini belirlemek için kullanılabilmektedir. Bu
araç, kimya ve ticaret sektöründeki çeĢitli uygulamalarda kullanılmaktadır.
4.6. INLEN
ĠliĢkisel veritabanından aldığı verileri makine öğrenimi teknikleriyle iĢledikten
sonra ortaya çıkan sonuçları veritabanına yazmaktadır. Üretilen bilgi kesimi
basit ya da bileĢik olabilmektedir.
INLEN aracında dört iĢleç vardır:
1. VT yönetim işleci: VT sorgularını yazmak için geliĢtirilen bir iĢleçtir.
2. Bilgi yönetim işleci: Üretilen bilgiyi yönetmek için kullanılır.
3. Bilgi üretim işleci: VT‟ den bilgi almak ve makine öğrenimi algoritmalarını
çağırmak için kullanılır.
4. Makrolar: INLEN iĢleçlerini bir sırada tanımlamayı ve tek bir iĢleç gibi
kullanabilmeyi sağlar.
45
4.7. KDW (Knowledge Discowery Workbench)
KDW kümeleme, sınıflama, bağımlılık analizi algoritmalarını kullanan bir
araçtır [56]. EtkileĢimli veri analizine imkân vermektedir. INLEN sistemiyle
birçok ortak özelliği bulunmaktadır.
4.8. SKICAT (Sky Image Classification & Archiving Tool)
Özel amaçlı bir VM sistemidir. ÖzelleĢtiği konu astronomidir [5]. Bu araç
astronomik verileri indirgemek ve karar ağacı analizi için ID3, GID3, O-Btree
algoritmalarını kullanmaktadır. Görüntü iĢleme, veri sınıflama ve VTYS
metotlarını kullanır. SKICAT adından da anlaĢılabileceği gibi gökyüzü
fotoğraflarındaki
gök
cisimlerini
tanımlamak,
bunları
sınıflandırmak,
kataloglamak için kullanılan bir araçtır.
Sayısal gökyüzü fotoğraflarındaki gök cisimlerinin parlaklık, alan, çekirdek
büyüklüğü
gibi
özelliklerini
kullanarak
sınıflandırma
sorgusunu
gerçekleĢtirmektedir.
SKICAT‟ ın deneysel testlerle fotoğraftan cisimleri tanıma ve sınıflandırma
performansı %94 olarak saptanmıĢtır.
4.9. R-MINI
R-MINI [57], SKICAT gibi özel amaçlı bir VM sistemidir. Finansal konularda
özelleĢen R-MINI sınıflama ve sapma tespiti yapmak için kullanılır. R-MINI
VT‟ den çektiği gürültü içerikli verileri kullanarak tamlık ve tutarlılık kriterlerini
sağlayan en küçük kural kümesini bulur.
46
4.10. TASA (Telecommunication Network Alarm Sequence Analyzer)
TASA, telekomünikasyonda kullanılan özel amaçlı bir VM sistemidir.
Telekomünikasyon hatlarında oluĢabilecek bir hatanın önceden tahmini için
kullanılır. Zaman serileri arası bağımlılıklarda kullanılan VM algoritmaları,
hata tahmini için kullanılmaktadır. Hatlarda olağandıĢı bir olay meydana
geldiğinde bu sistem tetiklenir. Tetikleme sayısının, kontrol edilebilecek
sayının çok üzerinde olması böyle bir sisteme ihtiyaç doğurur.
4.11. GCLUTO (Graphical Clustering Toolkit)
GCLUTO Minnesota Üniversitesi tarafından gerçekleĢtirilmiĢ bir araçtır [58].
Bu araç kümeleme algoritmaları için geliĢtirilmiĢtir. Girdi kütüğünden aldığı
verileri istenen kümeleme algoritmasına göre iĢleyip sonuçları çıktı kütüğüne
yazmaktadır. Kolay kullanılabilir arayüze sahip olması ve görüntüleme
problemlerinin iyi çözülmüĢ olması, üretilen sonuçların farklı gösterimleri ile
GCLUTO kümeleme analizi için güçlü bir araçtır.
4.12. Enterprise Miner
SAS firmasının VM aracıdır. Enterprise Miner karar ağaçları, yapay sinir
ağları, regresyon analizi, 2-aĢama modelleri (two-stage models), kümeleme,
zaman serileri, iliĢkilendirme, vb. VM sorgularını ele alabilmektedir. Grafiksel
arayüzü sayesinde kullanım kolaylığı sağlar ve kullanıcılar uygulamanın
karmaĢıklığından
habersiz
bir
Ģekilde
sadece
girdi
ve
çıktılara
yoğunlaĢabilirler.
Ġstemci bilgisayardaki yazılım gereksinimi Windows 98, 2000 ve NT‟dir.
Sunucu bilgisayardaki yazılım gereksinimi Windows 98, 2000 ve NT ile
Linux‟dür.
47
4.13. Weka
Weka, Yeni Zelanda‟daki Waikato Üniversitesi tarafından geliĢtirilmiĢ olup
“Waikato Environment for Knowledge Analysis” kelimelerinin baĢ harflernin
kısaltmasıdır. Ayrıca Weka, Yeni Zelenda‟daki uçamayan bir kuĢ cinsinin de
ismidir [10]. Weka baĢta Yeni Zelanda‟da tarımsal verinin iĢlenmesi amacıyla
geliĢtirilmiĢtir. Bununla birlikte sahip olduğu öğrenen makine metodları ve veri
mühendisliği kabiliyeti öyle hızlı ve köklü bir Ģekilde geliĢmiĢtir ki, Ģimdi veri
madenciliği uygulamalarının tüm formlarında yaygın olarak kullanılmaktadır
[11].
Weka, bir öğrenen makineler algoritmaları koleksiyonu olduğu gibi yeni
algoritmaların geliĢtirilmesi için de çok uygundur. GNU (General Public
License) altında yayınlanmıĢ, Java dilinde kodlanmıĢ, açık kaynaklı bir
yazılımdır [59]. Ayrıca WEKA, Windows, Linux ve Masintosh gibi farklı iĢletim
sistemleri üzerinde çalıĢabilen bir programdır [10]. Weka Grafiksel Kullanıcı
Arayüzü (Bkz. Resim 4.1), WEKA‟nın grafiksel çevresine eriĢim için
kullanılmaktadır.
Resim 4.1. WEKA grafiksel kullanıcı arayüzü
48
Pencerede dört adet seçenek bulunmaktadır:
Explorer: Verinin WEKA ile keĢfi için bir arayüzdür.
Experimenter: Deneylerin gerçekleĢtirilmesi ve öğrenme planları arasındaki
istatistiksel testleri yürüten bir arayüzdür. Bir veri setine farklı teknikleri
uygulayarak yada aynı tekniği farklı parametrelerle tekrarlayarak, tek seferde
birden fazla deneyin gerçekleĢtirilmesine izin veren bir araçtır.
Knowledge Flow: Weka veri madenciliği paketi ile sağlanan fonksiyonerliğin
alternatif bir arayüzüdür. Bu arayüz temel olarak Explorer ile aynı iĢlevleri
sürükle-bırak arayüzü ile yerine getirmektedir. Experimenter tarafından
desteklenmeyen ek özellikleri ve experimenter de bulunan bazı eksik
özellikleri ile geliĢmekte olan bir bölümdür.
Simple CLI: WEKA komutlarının direkt olarak iĢlenmesine olanak sağlayan
basit bir komut satırı arayüzü sağlar.
49
5. YATIRIM FONU VE VERĠ MADENCĠLĠĞĠ UYGULAMALARI
5.1. Yatırım Fonu Nedir?
Yatırımcıların küçük ya da büyük her türlü birikiminin, profesyonel yöneticiler
tarafından çeĢitli sermaye piyasası araçlarına dağıtılarak yönetildiği mal
varlığıdır. Hazine bonosu, devlet tahvili, repo, hisse senedi ve diğer sermaye
piyasası araçlarından oluĢturulan fon portföyleri, fon iç tüzüklerine uygun
olarak profesyonel fon yöneticileri tarafından yönetilirler [47].
Yatırım fonlarının portföylerinin yönetimi, Sermaye Piyasası Mevzuatı gereği
aracı kurum ve portföy yönetim Ģirketleri tarafından yapılmak zorundadır. [48]
Yatırım fonları Sermaye Piyasası Kurulu ve Bağımsız dıĢ denetim
firmalarınca düzenli olarak denetlenmektedir.
Yatırım fonu satın almak isteyen kiĢiler, fon satıĢı yapan kurumlardan katılım
belgesi satın alarak fona iĢtirak ederler. Birikimlerini profesyonel olarak
yönetemeyen kiĢilerin, profesyonel olarak yönetilen yatırım fonlarından satın
almaları, hem yönetim anlamında riskin ortadan kaldırılması hem de pek çok
farklı seçenek ile yatırımlarının değerlendirilmesi Ģansına sahip olurlar.
Yatırım fonları, A ve B tipi olmak üzere ikiye ayrılır. A tipi fon portföylerinin
aylık ortalama bazda en az % 25‟i Türk Ģirketlerinin hisse senetlerinden
oluĢmaktadır. B tipi fonlar için böyle bir portföy sınırlaması yoktur. B tipi fon
portföyleri büyük ölçüde devlet tahvili, hazine bonosu ve ters repo ağırlıklı
olmak üzere menkul kıymetlerden oluĢmaktadır.
50
5.2. Yatırım Fonu Fiyatının Hesaplanması
Fona iĢtiraki sağlayan katılma belgesinin fiyatı fon kurucusu tarafından her
iĢgünü itibariyle hesaplanmak ve izleyen gün müĢterilere yapılan alıĢ
satıĢlarda bu fiyat uygulanmaktadır.
Fon portföyünde bulunan varlıkların iĢlem gördükleri, alınıp satıldıkları
borsalarda oluĢan fiyatlar dikkate alınarak fon portföy değeri hesaplanmakta
ve fon toplam değeri, değerleme gününde tedavülde olan pay sayısına
bölünerek birim katılma belgesi fiyatına (fon fiyatına) ulaĢılmaktadır [47].
Bu iĢlemlerin yapılması esnasında fonun portföyünde bulunan varlıklardan
elde edilen faiz, temettü, alım satım kazancı ve günlük değer artıĢları aynı
gün fona gelir olarak kaydedilmekte dolayısıyla katılma belgelerinin her gün
için hesaplanan pay fiyatına yansıtılmaktadır. Bu surette belirli bir tarihte
fondan ayrılan yatırımcı o güne kadar fonun kazancından (zararından) kendi
payına düĢen miktarı almıĢ olmaktadır [48].
5.3. Yatırım Fonunun Sağladığı Avantajlar
Yatırım fonu katılımcıları, fona katıldıkları tasarruf ile fonun sermayesine
katılmıĢ olmaktadırlar. Fonların profesyonel yöneticiler tarafından çeĢitli
enstrümanlara yatırım yapılarak yönetilmesi ile fon katılımcıları yönetim
riskini profesyonel yöneticilere devretmiĢ yani yönetim riskini minimum
düzeye indirmiĢ olmaktadırlar.
Yatırım Fonlarının içerisinde yer alan tüm menkul kıymetler Takasbank A.ġ.‟
deki hesaplarında saklanmaktadır. Yatırım fonlarının tüm iĢlemlerinin ĠMKB
piyasalarında gerçekleĢtirilmesi zorunlu olduğundan yatırım fonları en
güvenilir araçlardan birisi olarak kabul edilmektedir [48].
51
Yatırım fonu portföyüne alınabilecek menkul kıymetlerin sabit getirili, dövize
endeksli ve hisse senedi gibi araçlarla çeĢitlenmesi nedeniyle riskin en aza
indirilmesi mümkün olabilmektedir.
Menkul kıymetlerin değerlemesi ve kontrolü ile kupon, faiz ve temettü tahsili
fon yönetimince yapıldığından fon katılımcısının vade takibi, tahsil etme gibi
zaman ve kaynak kullanımını gerektiren iĢlemleri fon yönetimine devretmiĢ
olmakta,
zaman
ve
kaynak
kullanımı
ayırma
gereksinimi
ortadan
kalkmaktadır.
Yatırım fonuna katılım için minimum satın alma miktarı gibi bir gereklilik
olmadığı için küçük tasarruflar ile büyük tasarrufların ulaĢabileceği potansiyel
yüksek kazanç getirilerine ve büyük yatırımcıların sahip olduğu fiyat avantajı
ile yatırım yapılmasına olanak sağlamaktadır.
Fon portföyündeki değer artıĢlarının portföy değerine günlük olarak
yansıtılması nedeniyle iĢlemiĢ olan gelir ile birlikte gerek ihtiyaç kadar
gerekse tamamının istendiği anda ya da en fazla 3 gün içerisinde (fon türüne
bağlı olarak değiĢmektedir) paraya çevrilmesi mümkündür. Piyasadaki bazı
yatırım fonları, katılma belgesi üzerinden çek yazabilme imkânı da
sağlamaktadır.
Ayrıca yatırım fonlarının bireysel ve kurumsal yatırımcılar için çeĢitli vergi
avantajları vardır.
5.4. Yatırım Fonu ve MüĢteri Kaybetme Üzerine Veri Madenciliği
ÇalıĢmaları
Günümüzde, iĢletmelerin karlılıklarını ve varlıklarını koruyabilmeleri müĢteri
odaklı olmalarına ve müĢterileriyle uzun dönemli iliĢki kurmalarına bağlı hale
gelmiĢtir.
1990‟lı
küreselleĢme
yıllardan
sürecinin
itibaren
getirdiği
geleneksel
değiĢiklikler,
pazarlama
tüketicinin
anlayıĢı,
daha
fazla
52
bilinçlenmesi ve teknolojik yenilikler gibi nedenlerle yerini modern pazarlama
anlayıĢına bırakmıĢ, müĢterinin elde tutulması yani rakiplere kaptırılmaması
için yapılması gereken faaliyetler artmıĢtır.
Veri madenciliği pazarlama, finans, bankacılık, imalat, sağlık, müĢteri iliĢkileri
yönetimi ve organizasyon öğrenmede sıklıkla uygulanmaktadır. MüĢteri
kaybetme ve müĢterinin elde tutulması konusu üzerine de çeĢitli çalıĢmalar
yapılmıĢtır.
Kızılkaya Aydoğan, Gencer ve Akbulut (2008) [40], bir kozmetik firmasından
ayrılma eğilimi gösteren müĢteri kesitinin belirlenmesi ve benzer özellikler
gösteren
müĢterilerin
programlarının
gruplandırılarak
geliĢtirilmesini
gruplara
amaçlayan
bir
özel,
çalıĢma
pazarlama
yapmıĢlardır.
ÇalıĢmada, gruplama için kümeleme teknikleri, ayrılacak müĢteri kesitini
belirlemek için sınıflama teknikleri kullanılmıĢtır.
Ahn, Han ve Lee (2006) [41], Kore mobil telekomünikasyon endüstrisinde,
müĢterilerin fatura ve iĢlem hareket bilgileri kullanılarak hizmet pazarında
müĢteri kaybının nedenlerini belirlemeyi amaçlayan bir çalıĢma yapmıĢlardır.
ÇalıĢmaya göre, çağrı kalitesi müĢterinin kaybedilme ihtimalini etkilediği fakat
üyelik kartına sahip müĢterilerin kaybedilme ihtimalini daha çok olduğu ortaya
çıkarılmıĢtır. Ayrıca çalıĢmaya göre sık kullanıcı müĢterilerin de kaybedilme
ihtimalleri yüksektir.
Masand, Datta, Mani ve Li (1999) [42], GTE Wireless firmasında, cep
telefonu kullanan müĢterilerin davranıĢlarını geniĢ bir ölçekte modelleyen
otomatikleĢmiĢ bir sistem geliĢtirmiĢlerdir. Bu sistem cep telefonu kullanan
müĢterilerin tarihsel verilerini kullanarak birçok coğrafi bölge için müĢteri
kaybı faktörlerini tanımlamakta
ve
modelleri yakın
gelecekte
hangi
müĢterilerin kaybedileceğini belirleyebilecek Ģekilde güncellemektedir. Model
100 farklı cep telefonu ve 5 milyon müĢteri için müĢteri kaybedilme skoru
53
geliĢtirme kapasitesine sahiptir. ÇalıĢmada karar ağaçları ve yapay sinir
ağları algoritmaları kullanılmıĢtır.
Ruta, Nauck ve Azvine (2006) [43], telekom sektöründe yüksek kurulum ve
pazarlama maliyetinden dolayı yeni bir müĢteri elde etmenin eldeki bir
müĢteriyi tutmaktan 6 ila 10 kat arasında daha paha olduğu ve bu nedenle
müĢteri kaybetmeye yol açan kriterleri irdelemek gerektiği amacı ile
literatürde mevcut karar ağaçları algoritmalarına rakip geçici dizi füzyon
tekniği ile birlikte yeni bir k-ortalama algoritması önerilmiĢtir. ÖnerilmiĢ metot,
karar ağaçlarının müĢterinin kaybedilip kaybedilmeyeceği sınıflandırmasının
yanında müĢterinin kaybedilme zamanını da göz önüne aldığı ve karar
ağaçları algoritmalarından daha kesin sonuçlar verdiği belirlenmiĢtir.
Huang, Kechadi ve Buckley (2009) [44], literatürde telekomünikasyon
sektöründe çağrı merkezi verileri ile müĢteri kaybı tahmin yöntemlerinin
yaygın olarak uygulandığı fakat broadband internet servisleri verileri ile tatmin
edici çalıĢmanın mevcut olmadığı, broadband kullanımı, tuĢlama tipleri, dialup harcaması, hat bilgisi, fatura ve ödeme bilgisi, hesap bilgisi verileri ile
müĢteri kaybı tahminleri için model oluĢturulabileceği fikri ile çalıĢma
yapmıĢlardır. Bu çalıĢmada dört modelleme tekniğinden, Lojistik regresyon,
karar ağaçları, yapay sinir ağları ve SVM yararlanılmıĢ, yeni özelliklerin
geliĢimi ve tahmin edicilerin karĢılaĢtırmalı bir analizi broadband müĢteri
kaybı tahminleri için yapılmıĢtır. Deneysel sonuçlar broadband servis
alanında müĢteri kaybı tahminleri için bu dört modelleme tekniğiyle yeni
özelliklerin etkin olduğunu göstermektedir.
Gopal ve Meher (2008) [45], telekomünikasyon sektöründe müĢteri iliĢkileri
yönetiminde,
müĢteri
kaybı
konusu
ana
konulardan
biri
olarak
düĢünülmektedir. Bu görüĢle çalıĢmada, müĢteri kaybının zamanı ve
müĢteriyi elde tutma süresini tahmin edecek ordinal regresyon yöntemi
irdelenmiĢtir. Ordinal regresyon modeli müĢteri kaybının modellenmesi
konusunda ilk kez bu çalıĢmada kullanılmıĢtır.
54
Farquad, Ravi ve Raju (2009) [46], banka kredi kartı müĢteri kayıp oranlarını
tahmin etmek üzere Support Vector Machine ve Naive Bayes yöntemlerinin
bir arada kullanan hibrit bir yöntem önermektedirler. ÇalıĢmada %6.89‟unun
kaybedilmiĢ müĢterilerden oluĢan bir veri seti kullanılmıĢtır. %68.52 oranla
doğru sınıflandırılan kurallar elde edilmiĢtir.
55
6. Banka Yatırım Fonu MüĢteri Hareketlerinin Belirlenmesine Yönelik
Bir Veri Madenciliği Uygulaması
Bu çalıĢma kapsamında, Türkiye‟de faaliyet gösteren bir bankanın yatırım
fonları veritabanından yararlanılmıĢtır. Banka yatırım fonu veritabanındaki
müĢterilerin sosyo-demografik verileri ile Temmuz 2009 – Ocak 2010 dönemi
yatırım fonu alıĢ satıĢ iĢlem talimat verileri kullanılmıĢtır.
Banka yatırım fonu veritabanındaki müĢterilerin sosyo-demografik verileri
içerisinden kullanılan değiĢkenler Ģunlardır;

Müşteri Numarası: MüĢteriye ait özel bir numaradır ve veritabanında her
bir müĢteriye ait tek bir müĢteri numarası bulunmaktadır.

Cinsiyet: MüĢterinin cinsiyeti.

Yaş: MüĢterinin yaĢı.

Medeni Durum: MüĢterinin medeni durumu.

Öğrenim Durumu: MüĢterinin öğrenim durumu.

Yaşadığı İl: MüĢterinin yaĢadığı il.

Oturduğu Ev: MüĢterinin oturduğu evin kime ait olduğu bilgisi.

En Son İş Yerinde Çalışma Yılı: MüĢterinin en son çalıĢtığı iĢ yerinde
çalıĢma yılı.

Aylık Net Geliri: MüĢterinin aylık net geliri.

Çalışma Şekli: MüĢterinin çalıĢma Ģekli.

Mesleği: MüĢterinin mesleği.

Eşi Çalışıyor Mu?: MüĢterinin eĢinin çalıĢıp çalıĢmadığı bilgisi.

Otomobili Var Mı?: MüĢterinin arabasının olup olmadığı bilgisi.

Anapara: MüĢterinin Temmuz 2009 ayı itibari ile toplam yatırım fonu
miktarı.

Aktif / Pasif: MüĢterinin Temmuz 2009 – ġubat 2010 tarihleri arasında
yatırım hesabını pasif hale getirip getirmediği bilgisi.

Pasif Tarihi: MüĢterinin hangi ay hesabını pasif hale getirdiği.
56
Banka yatırım fonu veritabanındaki müĢterilerin yatırım fonu alıĢ satıĢ iĢlem
talimat verileri içerisinden kullanılan değiĢkenler Ģunlardır;

Müşteri Numarası: Talimatı veren müĢterinin numarası.

İşlem Tarihi: Talimatın gerçekleĢtiği tarih.

İşlem Cinsi: Talimatı verilen iĢlemin cinsi.

Miktar: Talimat miktarı.
6.1. Problemin Tanımlanması ve Amacın Belirlenmesi
Artan rekabet koĢulları ve bankacılık sektöründe yeni aktörlerin piyasaya
çıkmasının ardından bankaların müĢterilerini elde tutma ve onlardan
maksimum düzeyde faydalanma çabası hız kazanmıĢtır.
Banka için yeni müĢteri bulma çabası ve bu çaba için harcanan tanıtım,
reklam ve promosyon maliyetleri ise gün geçtikçe artmaktadır. Bunun sonucu
olarak mevcut müĢterinin kaybedilmesinin yeni bir müĢteri kazanma ile telafi
edilebileceği düĢünülse de mevcut müĢteriyi kaybetmemek için yapılacak
faaliyetlerin yeni müĢteri bulmak için yapılacak faaliyetlere oranla daha az
maliyetli olduğu bilinmektedir.
Tez kapsamında ülkemizde faaliyet gösteren bir bankanın yatırım fonlarını
kullanan fakat belli iĢlem geçmiĢinden sonra yatırım hesabını kapatarak
banka müĢterisi olmaktan çıkan (kaybedilen) müĢterilerin hangi iĢlem
geçmiĢinden sonra kaybedildiği ve kaybedilen müĢterilerin sosyo-demografik
özelliklerinin ne olduğunun belirlenmesi amaçlanmıĢtır. Belirlenen iĢlem
geçmiĢi ve sosyo-demografik bilgiler ile kaybedilmeye meyilli müĢterilerin
tespit edilmesi ve müĢterinin kaybedilmemesi için yapılması gerekli
faaliyetlerin neler olduğu belirlenecektir.
57
6.2. Verilerin Toplanması ve Hazırlanması
Veri madenciliği sürecinin en zaman alıcı adımlarından birisi veri temizleme
ve ön iĢleme sürecidir. Tez kapsamında kullanılacak verilere karar verildikten
sonra elde edilen veri üzerinde temizleme ve hazırlama süreci üzerinde
durulmuĢtur.
6.2.1. Veri temizleme
Veri temizleme sürecinde bilindiği gibi eksik, hatalı ya da boĢ verilerin
ayıklanması gerekmektedir. Bu aĢamada veritabanında bulunan sosyodemografik verilerden hatalı veya eksik verilere sahip müĢteriler çıkarılmıĢtır.
Hatalı veya eksik verilere sahip müĢterilerin çıkartılması ile çalıĢılacak tüm
değiĢkenlere sahip müĢteriler seçilmiĢ, bu müĢterilerin yatırım fonu alıĢ satıĢ
iĢlemi için vermiĢ oldukları talimat verileri kullanılmıĢtır. Yatırım fonu alıĢ satıĢ
iĢlem talimat verileri ana bankacılık sistemi üzerinde düzgün tutulduğundan
bu veriler için ayıklama yapılmamıĢtır.
Hatalı veya eksik verilere sahip müĢterilerin çıkartılması ile veritabanından
çekilen yaklaĢık 87 000 müĢteriden sadece 65 525 tanesi kullanılmıĢtır. Bu
65 525 müĢteriye ait yaklaĢık 4 000 000 yatırım fonu alıĢ satıĢ iĢlem talimat
verileri kullanılmıĢtır.
6.2.2. Veri ön iĢleme
Veri ön iĢleme sürecinde, seçilen veri madenciliği modelline göre kullanılacak
verilerin hazırlanması gerekmektedir. Bu aĢamada veri ön iĢlemesi gerekli
değiĢkenler belirlenmiĢ, gerekli ön iĢleme iĢlemleri gerçekleĢtirilmiĢtir.
58
Sosyo-demografik verilerin ön iĢlemesi
Müşteri Numarası:
Banka
müĢteri
bilgileri
gizliliği
prensibinin
korunması
amacıyla,
veritabanından çekilen müĢteri numaraları nümerik hale getirilmiĢtir.
Böylelikle çalıĢmada kullanılan müĢteri bilgilerinin hangi müĢteriye ait
olduğunun bilinmesinin önüne geçilmiĢtir.
MüĢteri numarası 1‟den baĢlatılmıĢ, sırası ile bir arttırılarak her bir müĢteriye
verilmiĢtir.
MüĢteri
numarası
değiĢkeni
çalıĢmada
nümerik
değiĢken
olarak
kullanılmıĢtır.
Cinsiyet:
MüĢterinin cinsiyet bilgisi veri tabanından “Bay” ve “Bayan” olarak çekilmiĢtir.
ÇalıĢmanın hızının arttırılması için bu veriler “Bay” olanlar için “1”, “Bayan”
olanlar için ise “2” ile değiĢtirilmiĢtir.
Cinsiyet değiĢkeni çalıĢmada kategorik değiĢken olarak kullanılmıĢtır.
Yaş:
MüĢterinin yaĢ bilgisi elde edilmek için veri tabanından müĢterinin doğum
tarihi bilgisi çekilmiĢ, doğum tarihleri kullanılarak müĢterinin yaĢı belirlenmiĢ
ve belirlenen yaĢlar anlamlı gruplarda kategorize edilmiĢtir.
YaĢı “< 20” olan müĢteriler için “1”, “21 - 30” olan müĢteriler için “2”, “31 - 40”
olan müĢteriler için “3”, “41 - 50” olan müĢteriler için “4”, “51 - 60” olan
müĢteriler için “5” ve “60 >” olan müĢteriler için ise “6” değeri kullanılmıĢtır.
59
YaĢ değiĢkeni çalıĢmada kategorik değiĢken olarak kullanılmıĢtır.
Medeni Durum:
MüĢterinin medeni durumu bilgisi veri tabanından “Evli” ve “Bekâr” olarak
çekilmiĢtir. ÇalıĢmanın hızının arttırılması için bu veriler “Evli” olanlar için “1”,
“Bekâr” olanlar için ise “2” ile değiĢtirilmiĢtir.
Medeni durum değiĢkeni çalıĢmada kategorik değiĢken olarak kullanılmıĢtır.
Öğrenim Durumu:
MüĢterinin öğrenim durumu bilgisi veri tabanından “Ġlk”, “Orta”, “Ġlköğretim”,
“Lise”, “Yüksek Okul”, “Üniversite”, “Lisans Üstü” ve “Doktora” olarak
çekilmiĢtir. ÇalıĢmanın hızının arttırılması için bu veriler “Ġlk” olanlar için “1”,
“Orta” olanlar için “2”, “Ġlköğretim” olanlar için “3”, “Lise” olanlar için “4”,
“Yüksek Okul” olanlar için “5”, “Üniversite” olanlar için “6”, “Lisans Üstü”
olanlar için “7” ve “Doktora” olanlar için ise “8” ile değiĢtirilmiĢtir.
Öğrenim
durumu
değiĢkeni
çalıĢmada
kategorik
değiĢken
olarak
kullanılmıĢtır.
Yaşadığı İl:
MüĢterinin yaĢadığı il bilgisi veri tabanından il kodu ile çekilmiĢtir. Ġl kodlarını
kategorik hale getirmek ve müĢterinin yaĢadığı ilin geliĢmiĢlik değerini de
çalıĢmaya katabilmek için kiĢi baĢına düĢen Gayri Safi Yurtiçi Hâsıla1 verileri
ile kümeleme çalıĢması yapılmıĢtır.
1
İllere göre kişi başına düşen Gayri Safi Yurtiçi Hasıla verileri TÜİK web sayfasından
alınmıştır [39].
60
Banka Yatırım Fonları uzmanlarının görüĢleri bu değiĢkenin en fazla 5
kategorik değer ile ifade edilmesi gerektiğidir. Bu süreçte Banka Yatırım
Fonları uzman görüĢleri de dikkate alınarak kümelemede yaygın olarak
kullanılan k-ortalama algoritması kullanılmıĢtır.
K-ortalama algoritmasının “YaĢadığı Ġl” değiĢkenine uygulanması
K-ortalama algoritması küme sayısı 2‟den 6‟ya kadar WEKA‟ da uygulanmıĢ
ve Çizelge 6.1‟ deki hata kareleri elde edilmiĢtir.
Çizelge 6.1. K-ortalama algoritması azalıĢ yüzde değerleri hata kareleri
toplamı
Küme Sayısı
Hata Kareleri
Toplamı
2
3
4
5
6
0,2569136 0,2568828 0,2568727 0,2568678 0,2568654
Tablo incelendiğinde hata kareleri toplamının sürekli düĢtüğü görülmektedir.
Banka Yatırım Fonları uzmanlarının görüĢleri bu değiĢkenin en fazla 5
kategorik değer ile ifade edilmesi gerektiği yönünde olduğu için küme sayısı 5
olarak belirlenmiĢtir.
Belirlenen küme sayısı ve küme aralık değerlerine göre müĢterilerin yaĢadığı
iller ve verilen kategorik değerler Çizelge 6.2‟ de verilmiĢtir.
YaĢadığı il değiĢkeni çalıĢmada kategorik değiĢken olarak kullanılmıĢtır.
Oturduğu Ev:
MüĢterinin oturduğu ev bilgisi veri tabanından “Kendi Evi”, “Kira”, “Lojman” ve
“Aile Fertlerinden Birine Ait” olarak çekilmiĢtir. ÇalıĢmanın hızının arttırılması
için bu veriler “Kendi Evi” olanlar için “1”, “Kira” olanlar için “2”, “Lojman”
61
olanlar için “3” ve “Aile Fertlerinden Birine Ait” olanlar için ise “4” ile
değiĢtirilmiĢtir.
Oturduğu ev değiĢkeni çalıĢmada kategorik değiĢken olarak kullanılmıĢtır.
Çizelge 6.2. MüĢterilerin yaĢadığı iller ve verilen kategorik değerler
ġehirler
Kırklareli, Yalova, Muğla, Ġzmir, Ġstanbul, Zonguldak,
Ankara, Kırıkkale, Bilecik, EskiĢehir, Bursa, Tekirdağ,
Manisa, Ġçel, Edirne
Çanakkale, Antalya, Artvin, Denizli, NevĢehir, Sakarya,
Aydın, Karaman, Balıkesir, Burdur, Rize, Kilis
Kayseri Kütahya Kastamonu Niğde Hatay Elazığ
Samsun Çorum Gaziantep Karabük K.MaraĢ Tunceli
Konya Isparta Trabzon KırĢehir Sinop Giresun Amasya
UĢak Malatya Sivas Diyarbakır Afyon Batman Erzincan
Osmaniye Düzce Çankırı Siirt GümüĢhane Ordu
Erzurum Bartın Bayburt ġanlıurfa Mardin Aksaray
Adıyaman
Kars Van Iğdır Yozgat Ardahan Hakkâri Bingöl Bitlis
ġırnak MuĢ Ağrı Tokat
Kocaeli, Bolu
KiĢi BaĢı
GSYH
Aralığı
Kategorik
Değer
2339 - 4214
TL
1
1817 - 2338
TL
2
920 - 1816
TL
3
∞ - 919 TL
4
4215 - ∞ TL
5
En Son İş Yerinde Çalışma Yılı:
MüĢterinin en son iĢ yerinde çalıĢma yılı bilgisi veri tabanından nümerik
olarak çekilmiĢ, çekilen nümerik bilgiler anlamlı gruplarda kategorize
edilmiĢtir.
En son iĢ yerinde çalıĢma yılı “< 1” olan müĢteriler için “1”, “2 - 5” olan
müĢteriler için “2”, “6 - 10” olan müĢteriler için “3”, “11 >” olan müĢteriler için
ise “4” değeri kullanılmıĢtır.
En son iĢ yerinde çalıĢma yılı değiĢkeni çalıĢmada kategorik değiĢken olarak
kullanılmıĢtır.
62
Aylık Net Geliri:
MüĢterinin aylık net geliri bilgisi veri tabanından “< 1000 TL”, “1001 – 1500
TL”, “1501 - 2500 TL”, “2501 - 4000 TL” ve “4001 TL >” olarak çekilmiĢtir.
ÇalıĢmanın hızının arttırılması için bu veriler “< 1000 TL” olanlar için “1”,
“1001 - 1500 TL” olanlar için “2”, “1501 - 2500 TL” olanlar için “3”, “2501 4000 TL” olanlar için “4” ve “4001 TL >” olanlar için ise “5” ile değiĢtirilmiĢtir.
Aylık net gelir değiĢkeni çalıĢmada kategorik değiĢken olarak kullanılmıĢtır.
Çalışma Şekli:
MüĢterinin çalıĢma Ģekli bilgisi veri tabanından “Kamu”, “Özel Sektör”,
“Serbest Meslek”, “Yan Gelir Sahibi”, “Emekli”, “Öğrenci”, “Ev Hanımı” ve
“ÇalıĢmıyor” olarak çekilmiĢtir. ÇalıĢmanın hızının arttırılması için bu veriler
“Kamu” olanlar için “1”, “Özel Sektör” olanlar için “2”, “Serbest Meslek” olanlar
için “3”, “Yan Gelir Sahibi” olanlar için “4”, “Emekli” olanlar için “5”, “Öğrenci”
olanlar için “6”, “Ev Hanımı” olanlar için “7” ve “ÇalıĢmıyor” olanlar için ise “8”
ile değiĢtirilmiĢtir.
ÇalıĢma Ģekli değiĢkeni çalıĢmada kategorik değiĢken olarak kullanılmıĢtır.
Mesleği:
MüĢterinin mesleği bilgisi veri tabanından “Akademisyen”, “Asker”, “Avukat”,
“Bakan, Milletvekili, Bürokrat”, “Bankacı”, “Boyacı, Elektrikçi, Tesisatçı,
Tamirci, Marangoz”, “Çiftçi, Besici, Ormancı, Balıkçı”, “DanıĢman, Mali
MüĢavir”, “Doktor / DiĢ Hekimi / Eczacı”, “Ekonomist, Finans Uzmanı,
Borsacı”, “Emlak Komisyoncu”, “Tüccar, Esnaf, Tacir”, “Garson, Komi,
Hizmetli,
Müstahdem”,
“Gazeteci,
Muhabir,
Kameraman”,
“Güvenlik
Görevlisi”, “Hâkim / Savcı”, “ĠĢçi”, “Kuaför, Berber, Güzellik Uzmanı”,
“Kuyumcu, Sarraf”, “Laborant, Biyalog, Radyolog”, “Memur, Kamu Görevlisi”,
63
“Menajer,
Yapımcı,
Yönetmen”,
“Organizatör”,
“Mimar”,
“Mühendis”,
“Müteahhit”, “Noter”, “Öğretmen”, “Pazarlamacı, Reprezant”, “Pilot, Kaptan”,
“Polis”, “Programcı, Analist, Yazılımcı”, “Rehber, Tur Operatörü”, “Reklamcı”,
“Sanatçı”, “Sekreter”, “Sigortacı”, “Sporcu, Antrenör”, “ġoför”, “Teknisyen”,
“Veteriner” ve “Diğer” olarak çekilmiĢtir. ÇalıĢmanın hızının arttırılması için bu
veriler “Akademisyen” olanlar için “1”, “Asker” olanlar için “2”, “Avukat” olanlar
için “3”, “Bakan, Milletvekili, Bürokrat” olanlar için “4”, “Bankacı” olanlar için
“5”, “Boyacı, Elektrikçi, Tesisatçı, Tamirci, Marangoz” olanlar için “6”, “Çiftçi,
Besici, Ormancı, Balıkçı” olanlar için “7”, “DanıĢman, Mali MüĢavir” olanlar
için “8”, “Doktor / DiĢ Hekimi / Eczacı” olanlar için “9”, “Ekonomist, Finans
Uzmanı, Borsacı” olanlar için “10”, “Emlak Komisyoncu” olanlar için “11”,
“Tüccar, Esnaf, Tacir” olanlar için “12”, “Garson, Komi, Hizmetli, Müstahdem”
olanlar için “13”, “Gazeteci, Muhabir, Kameraman” olanlar için “14”, “Güvenlik
Görevlisi” olanlar için “15”, “Hâkim / Savcı” olanlar için “16”, “ĠĢçi” olanlar için
“17”, “Kuaför, Berber, Güzellik Uzmanı” olanlar için “18”, “Kuyumcu, Sarraf”
olanlar için “19”, “Laborant, Biyalog, Radyolog” olanlar için “20”, “Memur,
Kamu Görevlisi” olanlar için “21”, “Menajer, Yapımcı, Yönetmen” olanlar için
“22”, “Organizatör” olanlar için “23”, “Mimar” olanlar için “24”, “Mühendis”
olanlar için “25”, “Müteahhit” olanlar için “26”, “Noter” olanlar için “27”,
“Öğretmen” olanlar için “28”, “Pazarlamacı, Reprezant” olanlar için “29”,
“Pilot, Kaptan” olanlar için “30”, “Polis” olanlar için “31”, “Programcı, Analist,
Yazılımcı” olanlar için “32”, “Rehber, Tur Operatörü” olanlar için “33”,
“Reklamcı” olanlar için “34”, “Sanatçı” olanlar için “35”, “Sekreter” olanlar için
“36”, “Sigortacı” olanlar için “37”, “Sporcu, Antrenör” olanlar için “38”, “ġoför”
olanlar için “39”, “Teknisyen” olanlar için “40”, “Veteriner” olanlar için “41” ve
“Diğer” olanlar için “42 ” ile değiĢtirilmiĢtir.
Mesleği değiĢkeni çalıĢmada kategorik değiĢken olarak kullanılmıĢtır.
64
Eşi Çalışıyor Mu?:
MüĢterinin eĢinin çalıĢıp çalıĢmadığı bilgisi veri tabanından “Evet” ve “Hayır”
olarak çekilmiĢtir. ÇalıĢmanın hızının arttırılması için bu veriler “Evet” olanlar
için “1”, “Hayır” olanlar için ise “2” ile değiĢtirilmiĢtir.
EĢi
ÇalıĢıyor
Mu?
değiĢkeni
çalıĢmada
kategorik
değiĢken
olarak
kullanılmıĢtır.
Otomobili Var Mı?:
MüĢterinin otomobilinin olup olmadığı bilgisi veri tabanından “Evet” ve “Hayır”
olarak çekilmiĢtir. ÇalıĢmanın hızının arttırılması için bu veriler “Evet” olanlar
için “1”, “Hayır” olanlar için ise “2” ile değiĢtirilmiĢtir.
Otomobili
Var
Mı?
değiĢkeni
çalıĢmada
kategorik
değiĢken
olarak
kullanılmıĢtır.
Anapara:
MüĢterinin Temmuz 2009 ayı itibari ile toplam yatırım fon miktarının ġubat
2010 ayı fiyatından TL olarak değeridir.
Anapara değiĢkeni çalıĢmada nümerik değiĢken olarak kullanılmıĢtır.
Aktif / Pasif:
MüĢterinin Temmuz 2009 – ġubat 2010 tarihleri arasında yatırım hesabını
kapatıp
kapatmamıĢ olması bilgisidir.
KapatılmıĢ hesaplar için
kapatılmamıĢ hesaplar için ise “A” olarak veritabanından alınmıĢtır.
Aktif / Pasif değiĢkeni çalıĢmada kategorik değiĢken olarak kullanılmıĢtır.
“P”,
65
Pasif Tarihi:
MüĢterinin yatırım hesabını pasif hale getirdiği ay veritabanından “07.09”,
“08.09”, “09.09”, “10.09”, “11.09”, “12.09” ve “01.10” olarak çekilmiĢtir.
Pasif tarihi değiĢkeni, yatırım fonu alıĢ satıĢ iĢlem tablosunun düzenlenmesi
için kullanılmıĢtır.
Sosyo-demografik verilerin yukarıda belirtilen Ģekilde ön iĢleme aĢamasından
geçirilmesinin ardından 65525 müĢteri için 65525 x 15‟lük bir matris elde
edilmiĢtir.
Yatırım fonu alıĢ satıĢ iĢlem talimat verilerinin ön iĢlemesi
YaklaĢık 4 000 000 yatırım fonu alıĢ satıĢ talimat verisi, seçilen müĢteriler için
veritabanından süzdürülerek her bir müĢteri için iĢlemler tarih bazında
listelenmiĢtir. Listelenen iĢlemler aylara göre toplanarak her bir müĢterinin o
ay içerisinde yapmıĢ olduğu iĢlem miktarı belirlenmiĢ, iĢlem miktarlarının
Temmuz 2009 ayı anapara üzerindeki değiĢim yüzdeleri hesaplanmıĢtır.
Örnek bir müĢteri için yatırım fonu alıĢ satıĢ talimat verisi Çizelge 6.3‟ de
verilmiĢtir.
Çizelge 6.3. Örnek bir müĢteri için yatırım fonu alıĢ satıĢ talimat verisi
MüĢteri
Numarası
1
Anapara
18759,72
Temmuz Ağustos
2009
2009
-0,26
0
Eylül
2009
Ekim
2009
Kasım
2009
1,47
1,63
1,61
Aralık Ocak
2009 2010
1,76
2,26
MüĢterinin sosyo-demografik özellikleri içindeki değiĢkenlerden “Pasif Tarihi”
değiĢkeni “t-1” ayı olarak değerlendirilerek her bir müĢterinin yatırım fonu alıĢ
satıĢ iĢlem talimatı verileri yeniden düzenlenmiĢtir.
66
Örnek olarak 1490 müĢteri numaralı müĢteri Aralık 2009 tarihinde yatırım
hesabını pasif hale getirmiĢ, “t-1” ayı Aralık 2009, “t-2” ayı Kasım 2009, “t-3”
ayı Ekim 2009, “t-4” ayı Eylül 2009, “t-5” ayı Ağustos 2009 ve “t-6” ayı
Temmuz 2009 olmuĢtur. “t-7” ayı hücresi ise sıfır (0) ile doldurulmuĢtur. 1490
müĢteri numaralı müĢterinin yatırım fonu alıĢ satıĢ talimat verisi Çizelge 6.4‟
de verilmiĢtir.
Çizelge 6.4. 1490 müĢteri numaralı müĢterinin yatırım fonu alıĢ satıĢ talimat
verisi
MüĢteri
Numarası
1490
Anapara
t-7
t-6
t-5
t-4
t-3
t-2
t-1
2642,78
0
-0,23
-0,02
0,31
-0,01
0
-1
Düzenlenen yatırım fonu alıĢ satıĢ talimat verisi yüzde oranlarının kategorik
hale getirilmesi bir dizi iĢlem yapılmıĢtır.
Yüzde oranlarının kategorik hale getirilmesi:
Artış veya azalış olmayan (sıfır) değerlerin kategorik hale getirilmesi:
ArtıĢ veya azalıĢ olmayan (sıfır) değerlerin kategorik hale getirilmesi için sabit
anlamına gelen “S” kodu verilmiĢtir.
Azalış olan yüzde değerlerin kategorik hale getirilmesi:
AzalıĢ olan yüzde değerleri kategorik hale getirilmek üzere kümeleme
çalıĢması yapılmıĢtır. Kümeleme çalıĢmasında amaç azalıĢ değerlerinin kaç
kümeye ayrılması gerektiğinin belirlenmesidir.
Banka Yatırım Fonları uzmanlarının görüĢleri azalıĢ yüzde değerlerinin 7 ila
10 kümeye ayrılabileceği, 10 kümeden fazla olmaması gerektiğidir. Bu
67
süreçte Banka Yatırım Fonları uzman görüĢleri de dikkate alınarak
kümelemede yaygın olarak kullanılan k-ortalama algoritması kullanılmıĢtır.
K-ortalama algoritmasının azalıĢ yüzde değerlerine uygulanması
K-ortalama algoritması küme sayısı 7‟den 10‟a kadar WEKA‟ da uygulanmıĢ
ve Çizelge 6.5‟ deki hata kareleri elde edilmiĢtir.
Çizelge 6.5. K-ortalama algoritması azalıĢ yüzde değerleri hata kareleri
toplamı
Küme Sayısı
Hata Kareleri
Toplamı
7
8
9
10
78,79
73,46
59,72
55,77
Hata kareleri toplamları incelendiğinde, küme sayısı 8 olduğu durum ile 9
olduğu durum arasında hata kareleri toplamları bakımından keskin bir düĢüĢ
olduğu görülmektedir. (Bkz. ġekil 6.1) Bu yüzden küme sayısı 8 olarak
belirlenmiĢtir.
Belirlenen küme sayısı ve küme aralık değerlerine göre azalıĢ yüzde
değerleri kategorik hale getirilmiĢtir. Kategorik hale getirme iĢlemi yüzde
değerinin azalıĢ olduğunu belirten ve düĢüĢ anlamına gelen “D” harfi ile küme
numarasının birleĢmesi sonucu oluĢturulmuĢtur. Hangi azalıĢ yüzdesinin
hangi kategoriye ait olduğu Çizelge 6.6‟ da verilmiĢtir.
ġekil 6.1. K-ortalama algoritması hata kareleri toplamı değiĢim grafiği
68
Çizelge 6.6. AzalıĢ yüzdelerinin kategorik sınıflandırılması
AzalıĢ Yüzde Değer
Aralığı
(-1,00) - (-0,81)
(-0,80) - (-0,54)
(-0,53) - (-0,35)
(-0,34) - (-0,21)
(-0,20) - (-0,11)
(-0,10) - (-0,05)
(-0,04) - (-0,02)
(-0,01) - (0)
Kategorik Değer
D8
D7
D6
D5
D4
D3
D2
D1
Değer Adedi
3409 (%5)
3318 (%5)
4781 (%7)
6717 (%10)
10045 (%15)
14133 (%21)
15794 (%24)
7818 (%12)
Artış olan yüzde değerlerin kategorik hale getirilmesi
ArtıĢ olan yüzde değerlerini de kategorik hale getirilmek üzere kümeleme
çalıĢması yapılmıĢtır. Burada da amaç artıĢ değerlerinin kaç kümeye
ayrılması gerektiğinin belirlenmesidir.
Banka Yatırım Fonları uzmanlarının görüĢleri artıĢ yüzde değerlerinin en
fazla 4 kümeye ayrılması gerektiğidir. Çünkü çalıĢma yatırım fon hesabını
kapatan müĢteriler üzerinde yapıldığı için artıĢ yüzde değerlerinin hassas
olarak
takip
edilmesinin
analiz
açısından
bir
faydası
olmayacağı
düĢünülmektedir.
K-ortalama algoritmasının artıĢ yüzde değerlerine uygulanması
K-ortalama algoritması küme sayısı 2‟den 4‟e kadar WEKA‟ da uygulanmıĢ
ve Çizelge 6.7.‟deki hata kareleri elde edilmiĢtir.
Çizelge 6.7. K-ortalama algoritması azalıĢ yüzde değerleri hata kareleri
toplamı
Küme Sayısı
Hata Kareleri
Toplamı
2
3
4
5
0,90
0,35
0,22
0,20
69
Tablo incelendiğinde hata kareleri toplamının sürekli düĢtüğü görülmektedir.
Banka Yatırım Fonları uzmanlarının görüĢleri artıĢ yüzde değerlerinin en
fazla 4 kümeye ayrılması gerektiği yönünde olduğu için küme sayısı 4 olarak
belirlenmiĢtir.
Belirlenen küme sayısı ve küme aralık değerlerine göre artıĢ yüzde değerleri
kategorik hale getirilmiĢtir. Kategorik hale getirme iĢlemi yüzde değerinin artıĢ
olduğunu belirten ve yükseliĢ anlamına gelen “Y” harfi ile küme numarasının
birleĢmesi sonucu oluĢturulmuĢtur. Hangi artıĢ yüzdesinin hangi kategoriye
ait olduğu Çizelge 6.8‟ de verilmiĢtir.
Çizelge 6.8. ArtıĢ yüzdelerinin kategorik sınıflandırılması
Kategorik Değer
ArtıĢ Yüzde Değer
Aralığı
∞ - (2,00)
Y4
Y3
Y2
Y1
Değer Adedi
13086 (%4)
37448 (%11)
80658 (%25)
196452 (%60)
(2,00) - (0,77)
(0,76) - (0,26)
(0,25) - (0)
Kategorik hale getirilen yüzde oranları ile 1490 müĢteri numaralı müĢteri için
oluĢan yatırım fonu alıĢ satıĢ talimat verisi Çizelge 6.9‟ da verilmiĢtir.
Çizelge 6.9. 1490 müĢteri numaralı müĢterinin yatırım fonu alıĢ satıĢ talimat
verisi
MüĢteri
Numarası
1490
Anapara
t-7
t-6
t-5
t-4
t-3
t-2
t-1
2642,78
S
D5
D2
Y2
D1
S
D8
Ön iĢleme sonucu oluĢan sosyo-demografik veriler ile yatırım fonu alıĢ satıĢ
talimat verileri birleĢtirilerek 65 525 x 9‟luk bir matris elde edilmiĢtir.
70
6.2.3. WEKA’ da yatırım fonu alıĢ satıĢ iĢlem talimat verilerinin analizi
Bu sınıflandırma ile yatırım fonu iĢlemi yapmaktan vazgeçerek yatırım
hesabını kapatan müĢterilerin (ayrılan müĢteriler) iĢlem hareket detayları
analiz edilerek ayrılma sürecinde yapılan iĢlem hareketlerinin ortaya
çıkarılması amaçlanmaktadır.
MüĢteri yatırım fonu alıĢ satıĢ talimat verileri ile WEKA‟ da sınıflandırma
teknikleri kullanılmıĢtır. Sınıflandırma tekniklerinde hedef değiĢken olarak
müĢterinin yatırım hesabını pasif hale getirdiğini belirten “Aktif / Pasif”
değiĢkeni kullanılmıĢtır.
J4.8 algoritması sonuç özeti
J4.8 algoritması, C4.5 karar ağacının WEKA tarafından javada kodlanan
versiyonudur. Nümerik özellikler, kayıp değerler, gürültülü veri ile baĢa
çıkabilmekte, kesikli ve sürekli veri üzerinde karar ağacı oluĢturabilmektedir.
J4.8 algoritmasından alınan sonuç Çizelge 6.10‟ da verilmiĢtir.
71
Çizelge 6.10. J4.8 algoritması sonuç özeti
Number of Leaves :
Size of the tree :
135
123
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
65384
99,7848 %
Incorrectly Classified Instances
141
0,2152 %
Kappa statistic
0,9517
Mean absolute error
0,0038
Root mean squared error
0,0438
Relative absolute error
8,6457 %
Root relative squared error
29,4083 %
Coverage of cases (0,95 level)
99,9466 %
Mean rel. region size (0,95 level)
50,7539 %
Total Number of Instances
65525
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0,999 0,042
0,999 0,999 0,999
0,999
A
0,958 0,001
0,947 0,958 0,953
0,999
P
W. Avg. 0,998 0,041
0,998 0,998 0,998
0,999
=== Confusion Matrix ===
a b <-- classified as
63961 79 | a = A
62 1423 | b = P
PART algoritması sonuç özeti
PART algoritması da J4.8 algoritmasında olduğu gibi kullanıcı tarafından
tanımlanan parametreleri kullanarak kısmi karar ağacından kurallar oluĢturur.
PART algoritmasından alınan sonuç Çizelge 6.11‟ de verilmiĢtir.
72
Çizelge 6.11. PART algoritması sonuç özeti
Number of Rules : 79
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
65384
99,7848 %
Incorrectly Classified Instances
141
0,2152 %
Kappa statistic
0,9516
Mean absolute error
0,0039
Root mean squared error
0,0441
Relative absolute error
8,7813 %
Root relative squared error
29,6379 %
Coverage of cases (0,95 level)
99,9176 %
Mean rel. region size (0,95 level)
50,5761 %
Total Number of Instances
65525
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0,999 0,044
0,999 0,999 0,999
0,999
A
0,956 0,001
0,949 0,956 0,953
0,999
P
W. Avg. 0,998 0,043
0,998 0,998 0,998
0,999
=== Confusion Matrix ===
a b <-- classified as
63964 76 | a = A
65 1420 | b = P
JRip algoritması sonuç özeti
JRip algoritması, RIPPER algoritmasının WEKA tarafından javada kodlanan
versiyonudur. Kayıp değerler, gürültülü veri ile baĢa çıkabilmekte, kesikli ve
sürekli veri üzerinde kurallar çıkartabilmektedir. JRip algoritmasından alınan
sonuç Çizelge 6.12‟ de verilmiĢtir.
73
Çizelge 6.12. JRip algoritması sonuç özeti
Number of Rules : 14
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
65410
99,8245 %
Incorrectly Classified Instances
115
0,1755 %
Kappa statistic
0,9615
Mean absolute error
0,0031
Root mean squared error
0,0394
Relative absolute error
6,9969 %
Root relative squared error
26,4558 %
Coverage of cases (0,95 level)
99,9359 %
Mean rel. region size (0,95 level)
50,4357 %
Total Number of Instances
65525
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0,998 0,008
1
0,998 0,999
0,996
A
0,992 0,002
0,935 0,992 0,962
0,996
P
W. Avg. 0,998 0,008
0,998 0,998 0,998
0,996
=== Confusion Matrix ===
a b <-- classified as
63937 103 | a = A
12 1473 | b = P
Naive Bayes algoritması sonuç özeti
Naive Bayes algoritması, Bayes teoremine dayanan standart olasılıklı
sınıflandırma yöntemidir. Naive Bayes algoritmasından alınan sonuç Çizelge
6.13‟ de verilmiĢtir.
74
Çizelge 6.13. Naive Bayes algoritması sonuç özeti
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
64321
98,1625 %
Incorrectly Classified Instances
1204
1,8375 %
Kappa statistic
0,6778
Mean absolute error
0,0241
Root mean squared error
0,1229
Relative absolute error
54,2791 %
Root relative squared error
82,5678 %
Coverage of cases (0,95 level)
99,3285 %
Mean rel. region size (0,95 level)
52,6723 %
Total Number of Instances
65525
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0,984 0,111
0,997 0,984 0,991
0,991
A
0,889 0,016
0,56
0,889 0,687
0,991
P
W. Avg. 0,982 0,109
0,987 0,982 0,984
0,991
=== Confusion Matrix ===
a b <-- classified as
63001 1039 | a = A
165 1320 | b = P
OneR algoritması sonuç özeti
OneR algoritması, basit sınıflandırma kuralları bulmamızı sağlayan, tek bir
özellik üzerinde tek seviyeli karar ağacı oluĢturan bir algoritmadır.
DeğiĢkenlerden baskın olanı seçilir ve o değiĢkene göre tek seviye dallar
oluĢturulur. OneR algoritmasından alınan sonuç Çizelge 6.14‟ de verilmiĢtir.
75
Çizelge 6.14. OneR algoritması sonuç özeti
Number of Leaves :
1
Size of the tree :
13
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
64477
98,4006 %
Incorrectly Classified Instances
1048
1,5994 %
Kappa statistic
0,5144
Mean absolute error
0,016
Root mean squared error
0,1265
Relative absolute error
36,0931 %
Root relative squared error
84,9758 %
Coverage of cases (0,95 level)
98,4006 %
Mean rel. region size (0,95 level)
50
%
Total Number of Instances
65525
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0,998 0,615
0,986 0,998 0,992
0,691
A
0,385 0,002
0,81
0,385 0,521
0,691
P
W. Avg. 0,984 0,602
0,982 0,984 0,981
0,691
=== Confusion Matrix ===
a b <-- classified as
63906 134 | a = A
914 571 | b = P
6.2.4. WEKA’ da yatırım fonu alıĢ satıĢ iĢlem talimat verilerinin analiz
sonuçlarının karĢılaĢtırılması
Yatırım fonu alıĢ satıĢ talimat verilerinin sınıflandırma algoritmaları ile analiz
edilmesi sonucu oluĢan karar ağaçları incelenmiĢtir. PART, JRip ve OneR
algoritmaları kural öğrenici algoritmalar olduklarından verdikleri sonuçlar da
kural Ģeklindedir. Fakat J4.8 algoritması karar ağacı Ģeklinde sonuç
verdiğinden J4.8 algoritma sonucu oluĢan karar ağacı kural haline
dönüĢtürülmüĢtür. DönüĢtürme iĢlemi sonucu 31 adet kural elde edilmiĢtir.
76
Yatırım fonu alıĢ satıĢ talimat verilerinin sınıflandırma algoritmaları ile analiz
edilmesinin
sonunda
oluĢan
model
çıktıları,
aĢağıda
bahsedilen
değerlendirme kriterleri ile karĢılaĢtırılmıĢtır.
Number of Rules / Number of Leaves: Sınıflandırma algoritması tarafından
çıkartılan
kural
sayısı
veya
oluĢturulan
karar
ağacının
boyutunu
göstermektedir.
True Positive Rate (TP Rate): Sınıflandırma algoritması tarafından herhangi
bir sınıfa atanan kayıtlardan gerçekte o sınıfa ait olanların oranını yüzdesel
olarak gösterir.
False Positive Rate (FP): Sınıflandırma algoritması tarafından herhangi bir
sınıfa atandığı halde gerçekte o sınıfa ait olmayan kayıtların oranını gösterir.
Precision: Gerçekte herhangi bir sınıfa ait olan kayıtların hangi oranda
sınıflandırma algoritması tarafından o sınıfa atandığı gösterir.
Kappa İstatistiği: Tahmin doğruluğunun ölçüsüdür.
Confusion Matrix: Doğru olarak sınıflandırılan örneklerin sayısı bu matrisin
diyagonal elemanlarının toplamına eĢittir [38]. Doğru olarak sınıflandırılan
kayıt yüzdesini kullanacağımız algoritmayı seçerken göz önüne alacağız.
Sınıflandırma
çalıĢması
sonunda,
kullanılan
farklı
sınıflandırma
algoritmalarına göre karĢılaĢtırma tablosu oluĢturulmuĢtur. KarĢılaĢtırma
tablosu Çizelge 6.15‟ de verilmiĢtir.
77
Çizelge 6.15. Yatırım fonu alıĢ satıĢ talimat verileri sınıflandırma sonuçları
karĢılaĢtırma çizelgesi
Kural
Sayısı /
Karar
Ağacı
Dal
Sayısı
Pasif
MüĢteriler
Ġçin
Çıkartılan
Kural
Sayısı
Pasif
MüĢteriler
için Doğru
Sınıflandırıl
an Kayıt
Yüzdesi
Pasif
MüĢteriler
Ġçin Hatalı
Sınıflandırı
lan Kayıt
Yüzdesi
Kappa
Ġstatistiği
YanlıĢ
Sınıfland
ırılan
Pasif
MüĢteri
Sayısı
J4.8
123
31
95,8
0,1
0,9517
62
PART
79
25
95,6
0,1
0,9516
65
JRip
Naive
Bayes
OneR
14
14
99,2
0,2
0,9515
12
--
--
88,9
1,6
0,6778
165
1
1
38,5
0,2
0,5144
914
Algoritma
Sınıflandırma sonuçları incelendiğinde, doğru olarak sınıflandırılan kayıt
yüzdesi ve çıkarılan kural sayısının en yüksek olduğu algoritmanın, %95,8
doğruluk oranı ve 31 kural sayısı ile J4.8 algoritması olduğu görülmektedir.
J4.8 algoritması ile oluĢturulan kurallar, kurala uyan müĢteri sayısı ve yüzdesi
Ģu Ģekildedir;

Kural 1: Eğer (t-2 = D8) ve (t-1 = S) = P (492, % 33,13)

Kural 2: Eğer (t-7 = S) ve (t-6 = S) ve (t-1 = D8) = P (354, % 23,84)

Kural 3: Eğer (t-3 = D8) ve (t-2 = S) ve (t-1 = S) = P (212, % 14,28)

Kural 4: Eğer (anapara > 85.95) ve (t-4 = D8) ve (t-3 = S) ve (t-2 = S) ve
(t-1 = S) = P (88, % 5,93)

Kural 5: Eğer (t-7 = S) ve (t-6 = Y2) ve (t-1 = D8) = P (71, % 4,78)

Kural 6: Eğer (t-7 = D4) ve (t-2 = D8) ve (t-1 = D8) = P (8, % 0,54)

Kural 7: Eğer (t-7 = D5) ve (t-2 = D8) ve (t-1 = D8) = P (9, % 0,61)

Kural 8: Eğer (t-7 = D6) ve (t-5 = D6) ve (t-1 = D8) = P (2, % 0,13)

Kural 9: Eğer (t-7 = D6) ve (t-5 = D7) ve (t-1 = D8) = P (1, % 0,07)

Kural 10: Eğer (t-7 = D7) ve (t-1 = D8) = P (12, % 0,81)

Kural 11: Eğer (t-7 = S) ve (t-6 = D1) ve (t-1 = D8) = P (4, % 0,27)
78

Kural 12: Eğer (t-7 = S) ve (t-6 = D2) ve (t-1 = D8) = P (3, % 0,20)

Kural 13: Eğer (t-7 = S) ve (t-6 = D3) ve (t-1 = D8) = P (21, % 1,41)

Kural 14: Eğer (t-7 = S) ve (t-6 = D4) ve (t-1 = D8) = P (31, % 2,09)

Kural 15: Eğer (t-7 = S) ve (t-6 = D5) ve (t-1 = D8) = P (17, % 1,14)

Kural 16: Eğer (t-7 = S) ve (t-6 = D6) ve (t-1 = D8) = P (12, % 0,81)

Kural 17: Eğer (t-7 = S) ve (t-6 = D7) ve (t-1 = D8) = P (10, % 0,67)

Kural 18: Eğer (t-7 = S) ve (t-6 = D8) ve (t-1 = D8) = P (8, % 0,54)

Kural 19: Eğer (t-7 = S) ve (t-6 = Y1) ve (t-1 = D8) = P (9, % 0,61)

Kural 20: Eğer (t-7 = S) ve (t-6 = Y3) ve (t-1 = D8) = P (9, % 0,61)

Kural 21: Eğer (anapara > 25) ve (t-5 = D8) ve (t-4 = S) ve (t-3 = S) ve (t-2
= S) ve (t-1 = S) = P (50, % 3,37)

Kural 22: Eğer (t-7 = D1) ve (t-1 = D8) = P (1, % 0,07)

Kural 23: Eğer (t-7 = D2) ve (t-1 = D8) = P (3, % 0,20)

Kural 24: Eğer (t-7 = D3) ve (t-1 = D8) = P (4, % 0,27)

Kural 25: Eğer (t-7 = D8) ve (t-1 = D8) = P (2, % 0,13)

Kural 26: Eğer (t-7 = Y1) ve (t-1 = D8) = P (12, % 0,81)

Kural 27: Eğer (t-7 = Y2) ve (t-1 = D8) = P (15, % 1,01)

Kural 28: Eğer (t-7 = Y3) ve (t-1 = D8) = P (2, % 0,13)

Kural 29: Eğer (t-7 = S) ve (t-6 = Y4) ve (t-1 = D8) = P (5, % 0,34)

Kural 30: Eğer (anapara <= 85.95) ve (t-4 = D8) ve (t-3 = S) ve (t-2 = S)
ve (t-1 = S) = P (6, % 0,40)

Kural 31: Eğer (t-5 = S) ve (t-4 = S) ve (t-3 = S) ve (t-2 = S) ve (t-1 = S) =
P (12, % 0,81)
OluĢturulan kurallar, yatırım hesabını kapatan müĢterilerin iĢlem yapma
karakteristiğini yansıtmaktadır. Bu kurallar ileride yatırım hesabını kapatmak
isteyen müĢterilerin yatırım hesabını kapatmadan tespit edilmesinde
kullanılacaktır. Fakat hangi sosyo-demografik karakteristiğe sahip müĢterinin
hangi kural ile yatırım hesabını kapatarak banka yatırım fonu müĢterisi
olmaktan çıktığını ise yansıtmamaktadır. MüĢteri sosyo-demografik verileri
ancak yeni bir analiz yapılarak kurallara dâhil edilebilecektir. Bunu
gerçekleĢtirebilmek için ise kuralları sağlayan müĢteriler belirlenerek müĢteri
79
sosyo-demografik verileri yeniden düzenlenmiĢtir.
Düzenlenen sosyo-
demografik veriler ile sınıflama teknikleri kullanılarak tekrar analiz yapılmıĢtır.
6.2.5. WEKA’ da müĢteri sosyo-demografik verilerinin analizi
Yatırım hesabını kapatarak banka yatırım fonu müĢterisi olmaktan çıkmıĢ
müĢterilerin sosyo-demografik verileri ile WEKA‟da sınıflandırma teknikleri
kullanılarak analiz yapılmıĢtır. Sınıflandırma tekniklerinde hedef değiĢken
olarak müĢterinin yatırım hesabını pasif hale getirirken izlediği yolu belirten
kural numarası değiĢken olarak kullanılmıĢtır.
Id3 algoritması sonuç özeti
Id3 algoritması ağaç bölünmesinde bilgi kazancı kriterini kullanana karar
ağacı algoritmasıdır. Yalnızca kesikli veriler ile çalıĢır. Id3 algoritmasından
alınan sonuç Çizelge 6.16‟da verilmiĢtir.
Çizelge 6.16. Id3 algoritması sonuç özeti
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
1456
Incorrectly Classified Instances
29
Kappa statistic
0,9757
Mean absolute error
0,0013
Root mean squared error
0,0258
Relative absolute error
2,5627 %
Root relative squared error
16,0408 %
Coverage of cases (0,95 level)
100
%
Mean rel. region size (0,95 level)
3,43 %
Total Number of Instances
1485
98,0471 %
1,9529 %
80
J4.8 algoritması sonuç özeti
J4.8 algoritmasından alınan sonuç Çizelge 6.17‟ de verilmiĢtir.
Çizelge 6.17. J4.8 algoritması sonuç özeti
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
755
50,8418 %
Incorrectly Classified Instances
730
49,1582 %
Kappa statistic
0,3244
Mean absolute error
0,0397
Root mean squared error
0,141
Relative absolute error
76,2236 %
Root relative squared error
87,4831 %
Coverage of cases (0,95 level)
98,3165 %
Mean rel. region size (0,95 level)
18,4925 %
Total Number of Instances
1485
JRip algoritması sonuç özeti
Jrip algoritmasından alınan sonuç Çizelge 6.18‟ de verilmiĢtir.
Çizelge 6.18. JRip algoritması sonuç özeti
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
498
33,5354 %
Incorrectly Classified Instances
987
66,4646 %
Kappa statistic
0,008
Mean absolute error
0,0516
Root mean squared error
0,1606
Relative absolute error
98,9963 %
Root relative squared error
99,6986 %
Coverage of cases (0,95 level)
95,5556 %
Mean rel. region size (0,95 level)
51,4174 %
Total Number of Instances
1485
81
PART algoritması sonuç özeti
PART algoritmasından alınan sonuç Çizelge 6.19‟ da verilmiĢtir.
Çizelge 6.19. PART algoritması sonuç özeti
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
856
57,6431 %
Incorrectly Classified Instances
629
42,3569 %
Kappa statistic
0,4373
Mean absolute error
0,0354
Root mean squared error
0,133
Relative absolute error
67,8162 %
Root relative squared error
82,5175 %
Coverage of cases (0,95 level)
99,9327 %
Mean rel. region size (0,95 level)
11,5238 %
Total Number of Instances
1485
6.2.6. WEKA’
da
müĢteri
sosyo-demografik
verilerinin
analiz
sonuçlarının karĢılaĢtırılması
MüĢteri sosyo-demografik verilerinin sınıflandırma algoritmaları ile analiz
edilmesinin sonunda oluĢan model çıktıları, Bölüm 6.2.4‟ de bahsedilen
değerlendirme kriterleri ile karĢılaĢtırılmıĢtır.
Sınıflandırma
çalıĢması
sonunda,
kullanılan
farklı
sınıflandırma
algoritmalarına göre karĢılaĢtırma tablosu oluĢturulmuĢtur. KarĢılaĢtırma
tablosu Çizelge 6.20‟ de verilmiĢtir.
82
Çizelge 6.20. MüĢteri sosyo-demografik verileri sınıflandırma sonuçları
karĢılaĢtırma çizelgesi
Doğru
Sınıflandırılan
Kayıt Yüzdesi
Hatalı
Sınıflandırılan
Kayıt Yüzdesi
Kappa
Ġstatistiği
YanlıĢ
Sınıflandırılan
Kayıt Sayısı
Id3
98,04
1,95
0,9757
29
J4.8
50,84
49,15
0,3244
730
PART
57,64
42,35
0,4373
629
JRip
33,53
66,46
0,008
987
Algoritma
Sınıflandırma sonuçları incelendiğinde, doğru olarak sınıflandırılan kayıt
yüzdesinin en yüksek olduğu algoritmanın, %98,04 doğruluk oranı ile Id3
algoritması olduğu görülmektedir.
Bankada yatırım fonu iĢlemi yapan fakat belli bir iĢlem geçmiĢinden sonra
yatırım hesabını pasif hale getirerek banka yatırım fonu müĢterisi olmaktan
çıkmıĢ müĢterilerin yatırım fonu alıĢ satıĢ talimat verileri ile sosyo-demografik
verilerinin sınıflandırılması sonucu iki aĢamalı bir karar ağacına ulaĢılmıĢtır.
Yatırım fonu alıĢ satıĢ talimat verileri müĢterilerin hangi iĢlem hareketinden
sonra yatırım hesabını kapattığı kurallarını içermektedir. Bu kuralları
gerçekleĢtiren müĢterilerin sosyo-demografik verilerinin sınıflandırılmasından
ise müĢterinin sosyo-demografik karakteristiği ortaya çıkartılmıĢtır.
6.2.7. MüĢterinin yatırım hesabını kapatma iĢlem hareketleri ile sosyodemografik karakteristiğinin birleĢtirilmesi
MüĢterinin yatırım hesabını kapatma iĢlem hareketleri ile sosyo-demografik
karakteristiği birleĢtirilmiĢ, iki aĢamalı bir karar ağacı oluĢturulmuĢtur. Ġki
aĢamalı
karar
ağacı
ile
müĢterilerin
sosyo-demografik
özelliklerinin
%81.91‟ini karĢılayan beĢ kuralın karar ağaçları aĢağıdaki Ģekilde verilmiĢtir.
Diğer kuralları ise yine aĢağıda yer almaktadır.
83
Kural 1 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 1: Eğer (t-2 = D8) ve (t-1 = S) = P (492, % 33,13)
Sosyo-demografik karakteristik;

(Mesleği = 2)

(Mesleği = 3) ve (YaĢı = 2) ve (En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 1)

(Mesleği = 3) ve (YaĢı = 3) ve (Net_geliri = 3) ve (Öğrenim_durumu = 6)

(Mesleği = 3) ve (YaĢı = 3) ve (Net_geliri = 3) ve (Öğrenim_durumu = 8)

(Mesleği = 3) ve (YaĢı = 3) ve (Net_geliri = 5) ve (Medeni_durumu = 1)

(Mesleği = 3) ve (YaĢı = 3) ve (Net_geliri = 5) ve (Medeni_durumu = 2) ve
(Öğrenim_durumu = 5)

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 1) ve
(ÇalıĢma_Ģekli = 3) ve (Cinsiyeti = 1)

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 2) ve (Oturduğu_ev
= 1)

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 4) ve (Cinsiyeti = 2)
ve (ÇalıĢma_Ģekli = 3)

(Mesleği = 3) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
1) ve (Oturduğu_ev = 1)

(Mesleği = 3) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
1) ve (Oturduğu_ev = 2)

(Mesleği = 3) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 3) ve (YaĢı = 6) ve (Öğrenim_durumu = 6)

(Mesleği = 3) ve
(YaĢı = 6) ve
(Öğrenim_durumu = 7) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 3) ve
(YaĢı = 6) ve
(Öğrenim_durumu = 7) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 5) ve (YaĢı = 3) ve (Medeni_durumu = 1)

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 1) ve
(Medeni_durumu = 2) ve (Cinsiyeti = 2)
84

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 5) ve (Cinsiyeti = 1) ve (Medeni_durumu = 1)

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 5) ve (Cinsiyeti = 2)

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 5) ve (YaĢı = 5) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 2)

(Mesleği = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 1) ve () ve (Medeni_durumu
= 2)

(Mesleği = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 2)

(Mesleği = 7) ve (En_son_çalıĢma_yılı = 2) ve (ÇalıĢma_Ģekli = 1)

(Mesleği = 7) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 7) ve (En_son_çalıĢma_yılı = 4) ve (Cinsiyeti = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 2) ve (YaĢı = 2) ve (Net_geliri = 5)

(Mesleği = 8) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Medeni_durumu
= 1)

(Mesleği = 8) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (Cinsiyeti = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 3) ve (Oturduğu_ev = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 5) ve (Cinsiyeti = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 2) ve (YaĢı = 6)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 3) ve (YaĢı = 4)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 3) ve (YaĢı = 6)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 3)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 4)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢadığı_il = 1)
85

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 3) ve (Oturduğu_ev = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 4) ve (EĢi_çalıĢıyor_mu = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 2)
ve (Cinsiyeti = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 3)
ve (Cinsiyeti = 2) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 3)
ve (Cinsiyeti = 2) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 4)
ve (Oturduğu_ev = 1) ve (YaĢadığı_il = 2) ve (Cinsiyeti = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 4)
ve (Oturduğu_ev = 3)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 5)
ve (Cinsiyeti = 1) ve (En_son_çalıĢma_yılı = 2) ve (YaĢadığı_il = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 5)
ve (Cinsiyeti = 2) ve (Medeni_durumu = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 6)
ve (Cinsiyeti = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 1) ve (YaĢadığı_il
= 2)

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Medeni_durumu
= 2) ve (YaĢadığı_il = 2)

(Mesleği = 9) ve
(Öğrenim_durumu = 4) ve
(YaĢı = 3) ve
(En_son_çalıĢma_yılı = 1) ve (Medeni_durumu = 2)

(Mesleği = 9) ve
(Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 4)
(YaĢı = 3) ve
86

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (Net_geliri = 4)
ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Medeni_durumu
= 1)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 4)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 4) ve (Cinsiyeti = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 5)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 6)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 4) ve (YaĢadığı_il = 5)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 1) ve (YaĢadığı_il = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 1) ve (YaĢı = 3) ve (Medeni_durumu = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 1) ve (YaĢı = 4) ve (Medeni_durumu = 1) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 1) ve (YaĢı = 4) ve (Medeni_durumu = 1) ve (Oturduğu_ev = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 3) ve (Cinsiyeti = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 4) ve (Cinsiyeti = 2)
87

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 3) ve
(Net_geliri = 3) ve (EĢi_çalıĢıyor_mu = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 3) ve
(Net_geliri = 4)

(Mesleği = 9) ve (Öğrenim_durumu = 8) ve (Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 1) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 10) ve (Net_geliri = 2) ve (YaĢı = 2)

(Mesleği = 10) ve (Net_geliri = 2) ve (YaĢı = 3) ve (Öğrenim_durumu = 6)
ve (Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 2) ve (YaĢı = 4) ve (Cinsiyeti = 1)

(Mesleği = 10) ve (Net_geliri = 2) ve (YaĢı = 6) ve () ve () ve () ve

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 2) ve (YaĢadığı_il = 1)

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
4)

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 5)

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 6) ve (Cinsiyeti = 1)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 1)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 2) ve
(YaĢadığı_il = 4)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 4) ve (YaĢı = 3)
ve (Cinsiyeti = 1)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 5) ve (YaĢı = 3)
ve (Cinsiyeti = 1) ve (Oturduğu_ev = 2)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 5) ve (YaĢı = 5)
ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 5)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 2) ve (Medeni_durumu = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
1) ve (Öğrenim_durumu = 5)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
1) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 1)
88

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
4) ve (Medeni_durumu = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
1) ve (Medeni_durumu = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
2) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 1) ve (ÇalıĢma_Ģekli = 3)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
2) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
2) ve (YaĢadığı_il = 3)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
4) ve (Cinsiyeti = 1)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 5) ve (Öğrenim_durumu = 6)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 1) ve
(Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 2)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Öğrenim_durumu = 4) ve (Oturduğu_ev = 1) ve (Cinsiyeti = 1)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Öğrenim_durumu = 4) ve (Oturduğu_ev = 2)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Öğrenim_durumu = 6)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve
(EĢi_çalıĢıyor_mu = 2)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 1) ve (Medeni_durumu = 2)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 2)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 3)
89

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
3) ve (Öğrenim_durumu = 4)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
5) ve (Öğrenim_durumu = 1)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
5) ve (Öğrenim_durumu = 2)

(Mesleği = 11) ve (YaĢı = 6)

(Mesleği = 12) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 12) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
3)

(Mesleği = 12) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
5) ve (Cinsiyeti = 1)

(Mesleği = 12) ve (YaĢı = 4) ve (YaĢadığı_il = 3)

(Mesleği = 12) ve (YaĢı = 4) ve (YaĢadığı_il = 4)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 12) ve
(YaĢı = 6) ve
(Medeni_durumu = 1) ve
(Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 12) ve
(YaĢı = 6) ve
(Medeni_durumu = 1) ve
(Öğrenim_durumu = 6)

(Mesleği = 12) ve (YaĢı = 6) ve (Medeni_durumu = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 2) ve (EĢi_çalıĢıyor_mu = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 3)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢadığı_il = 1) ve (Medeni_durumu = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 3) ve
(YaĢı = 3)
90

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 4) ve
(Medeni_durumu = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 3) ve
(Oturduğu_ev = 1) ve (Cinsiyeti = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 3) ve
(Oturduğu_ev = 1) ve (Cinsiyeti = 2) ve (YaĢı = 4)

(Mesleği = 13) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(Medeni_durumu = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 1) ve
(Cinsiyeti = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 8)

(Mesleği = 14) ve (Öğrenim_durumu = 2)

(Mesleği = 14) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 3)

(Mesleği = 14) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 14) ve (Öğrenim_durumu = 6) ve (YaĢı = 3)

(Mesleği = 14) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Net_geliri = 2)

(Mesleği = 14) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Net_geliri = 4)

(Mesleği = 14) ve (Öğrenim_durumu = 6) ve (YaĢı = 6)

(Mesleği = 14) ve (Öğrenim_durumu = 8) ve (Cinsiyeti = 2) ve
(YaĢadığı_il = 3)

(Mesleği = 15) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 2) ve
(EĢi_çalıĢıyor_mu = 1)

(Mesleği = 16) ve (YaĢı = 6)

(Mesleği = 18) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 18) ve (Öğrenim_durumu = 5) ve (YaĢı = 3) ve
(Medeni_durumu = 2)

(Mesleği = 18) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 2) ve
(Cinsiyeti = 1)

(Mesleği = 18) ve (Öğrenim_durumu = 7) ve (YaĢı = 5)

(Mesleği = 18) ve (Öğrenim_durumu = 8)
91

(Mesleği = 19) ve (Öğrenim_durumu = 4) ve (YaĢı = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 1)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 19) ve (Öğrenim_durumu = 7)

(Mesleği = 20) ve (En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 2)

(Mesleği = 20) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 1) ve (Cinsiyeti = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 1) ve (Cinsiyeti = 2) ve
(YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 1) ve (Cinsiyeti = 2) ve
(YaĢadığı_il = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 4)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 4) ve (Cinsiyeti = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 2) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 2) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 2)
92

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 1) ve (Net_geliri = 1) ve (Cinsiyeti = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 1) ve (Net_geliri = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 1) ve (Net_geliri = 3) ve (Cinsiyeti = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 1) ve (Net_geliri = 5)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 4) ve
(Net_geliri = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 4) ve
(Net_geliri = 5) ve (Cinsiyeti = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 1) ve (Oturduğu_ev = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 3) ve
(YaĢadığı_il = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(YaĢı = 3) ve (YaĢadığı_il = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 22) ve (Öğrenim_durumu = 2) ve (YaĢadığı_il = 1) ve (YaĢı =
4)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (Oturduğu_ev =
1)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (Oturduğu_ev =
3)
93

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (YaĢadığı_il =
4)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 22) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 4) ve
(Cinsiyeti = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 1)
ve (Oturduğu_ev = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 7) ve (YaĢı = 3)

(Mesleği = 22) ve (Öğrenim_durumu = 7) ve (YaĢı = 4)

(Mesleği = 22) ve (Öğrenim_durumu = 7) ve (YaĢı = 5)

(Mesleği = 22) ve (Öğrenim_durumu = 8)

(Mesleği = 23) ve (Öğrenim_durumu = 2) ve (YaĢı = 5)

(Mesleği = 23) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 23) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Cinsiyeti = 2) ve (Medeni_durumu = 2)

(Mesleği = 23) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 4) ve
(Net_geliri = 3)

(Mesleği = 23) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (Oturduğu_ev =
1)

(Mesleği = 23) ve (Öğrenim_durumu = 6) ve (YaĢı = 6)

(Mesleği = 23) ve (Öğrenim_durumu = 7)

(Mesleği = 23) ve (Öğrenim_durumu = 8)

(Mesleği = 24) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 1)
94

(Mesleği = 24) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 24) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 3) ve (YaĢı
= 2) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 3) ve (YaĢı
= 3)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 4) ve (YaĢı = 3)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 4)
ve (En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 1) ve (ÇalıĢma_Ģekli = 3)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 4)
ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 5)
ve (Oturduğu_ev = 4)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 6)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (YaĢadığı_il =
2) ve (Cinsiyeti = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve
(Medeni_durumu = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve (Oturduğu_ev =
1) ve (Cinsiyeti = 1) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve (Oturduğu_ev =
2) ve (Cinsiyeti = 1) ve (Medeni_durumu = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve (Oturduğu_ev =
1)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve (Oturduğu_ev =
2)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve (Oturduğu_ev =
4) ve (Net_geliri = 5)

(Mesleği = 24) ve (Öğrenim_durumu = 7) ve (Oturduğu_ev = 1) ve
(Cinsiyeti = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 2)
95

(Mesleği = 25) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (YaĢadığı_il =
1)

(Mesleği = 25) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (YaĢadığı_il =
3)

(Mesleği = 25) ve (Öğrenim_durumu = 4) ve (YaĢı = 6) ve (YaĢadığı_il =
1)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 4) ve (Net_geliri = 4)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 4) ve (Net_geliri = 5)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 1) ve
(YaĢadığı_il = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve (YaĢı = 5)
ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve (YaĢı = 6)
ve (Medeni_durumu = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 4)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 6)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 3) ve (Cinsiyeti = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (YaĢadığı_il = 1) ve (Cinsiyeti = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (YaĢadığı_il = 3)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 4)
ve (YaĢadığı_il = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 6)
ve (Oturduğu_ev = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 7) ve (YaĢı = 6)

(Mesleği = 25) ve (Öğrenim_durumu = 8) ve (Net_geliri = 1) ve
(YaĢadığı_il = 3)
96

(Mesleği = 25) ve (Öğrenim_durumu = 8) ve (Net_geliri = 2) ve
(YaĢadığı_il = 5)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (Medeni_durumu = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 5) ve (YaĢı = 6)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Oturduğu_ev =
2)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve
(Medeni_durumu = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Oturduğu_ev =
1) ve (Net_geliri = 5)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Oturduğu_ev =
3)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 3) ve
(YaĢadığı_il = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 3) ve
(YaĢadığı_il = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 6)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 2) ve (Oturduğu_ev = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (YaĢı = 3) ve (Medeni_durumu = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 3) ve
(YaĢı = 6)

(Mesleği = 26) ve (Öğrenim_durumu = 7) ve (YaĢı = 6)

(Mesleği = 26) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 1)
97

(Mesleği = 26) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 2) ve
(EĢi_çalıĢıyor_mu = 1)

(Mesleği = 27) ve (Öğrenim_durumu = 4) ve (Cinsiyeti = 1) ve (YaĢı = 3)

(Mesleği = 27) ve (Öğrenim_durumu = 5) ve (YaĢı = 4)

(Mesleği = 27) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(Medeni_durumu = 2)

(Mesleği = 27) ve (Öğrenim_durumu = 7) ve (YaĢı = 6)

(Mesleği = 27) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 28) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 1) ve
(Net_geliri = 2)

(Mesleği = 28) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 1) ve
(Net_geliri = 4)

(Mesleği = 28) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 2) ve (YaĢı =
5)

(Mesleği = 28) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 4) ve
(Medeni_durumu = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 3) ve (Medeni_durumu = 1) ve (YaĢadığı_il = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 4)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 5)

(Mesleği = 28) ve (Öğrenim_durumu = 6) ve (YaĢı = 2)

(Mesleği = 28) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (Cinsiyeti = 1)
ve (YaĢadığı_il = 3)

(Mesleği = 28) ve (Öğrenim_durumu = 6) ve (YaĢı = 5)

(Mesleği = 28) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve
(Medeni_durumu = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 7) ve (Cinsiyeti = 2)

(Mesleği
=
29)
ve
(ÇalıĢma_Ģekli
(En_son_çalıĢma_yılı = 1)
=
2)
ve
(YaĢı
=
4)
ve
98

(Mesleği
=
29)
ve
(ÇalıĢma_Ģekli
=
2)
ve
(YaĢı
=
4)
ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 3) ve (Medeni_durumu = 2)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 6) ve (Öğrenim_durumu = 4) ve
(YaĢadığı_il = 1)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 6) ve (Öğrenim_durumu = 5) ve
(YaĢadığı_il = 5)

(Mesleği = 30) ve (Öğrenim_durumu = 2)

(Mesleği = 30) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 30) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 4) ve
(Cinsiyeti = 2)

(Mesleği = 30) ve (Öğrenim_durumu = 5)

(Mesleği = 30) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 1) ve
(Medeni_durumu = 2)

(Mesleği = 30) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 5)

(Mesleği = 30) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 31) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 2) ve
(YaĢadığı_il = 1)

(Mesleği = 31) ve (En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 1)

(Mesleği = 31) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 32) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 1) ve
(Medeni_durumu = 1)

(Mesleği = 32) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 32) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 2) ve
(Cinsiyeti = 2)

(Mesleği = 32) ve (Öğrenim_durumu = 6) ve (Medeni_durumu = 1) ve
(Cinsiyeti = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 3)

(Mesleği = 33) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (Oturduğu_ev = 1) ve (YaĢı = 2)
99

(Mesleği = 33) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (Oturduğu_ev = 1) ve (YaĢı = 3) ve (Medeni_durumu =
1)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı
= 2) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı
= 3) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 1) ve (Medeni_durumu = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 6) ve
(YaĢadığı_il = 1) ve (Oturduğu_ev = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 6) ve
(YaĢadığı_il = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 6) ve
(YaĢadığı_il = 4)

(Mesleği = 33) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 2) ve
(Cinsiyeti = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 6) ve
(YaĢadığı_il = 5)

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 1) ve (Oturduğu_ev =
2)

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(Medeni_durumu = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 34) ve (Öğrenim_durumu = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 2) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 2) ve (YaĢadığı_il = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 1) ve (YaĢı =
3) ve (Oturduğu_ev = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 1) ve (YaĢı =
3) ve (Oturduğu_ev = 4)
100

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 1) ve (YaĢı =
5) ve (Medeni_durumu = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 1) ve (YaĢı =
5) ve (Medeni_durumu = 2) ve (EĢi_çalıĢıyor_mu = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 2) ve
(Cinsiyeti = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 2)

(Mesleği = 35) ve (Öğrenim_durumu = 4) ve (YaĢı = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve
(EĢi_çalıĢıyor_mu = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (YaĢadığı_il =
3) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 5) ve (YaĢı = 4) ve (YaĢadığı_il =
1)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(Medeni_durumu = 1) ve (Cinsiyeti = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 1)
ve (Oturduğu_ev = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 2)
ve (Net_geliri = 5) ve (YaĢadığı_il = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 6)

(Mesleği = 35) ve (Öğrenim_durumu = 7) ve (YaĢı = 4) ve (YaĢadığı_il =
1)

(Mesleği = 35) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 36) ve (Öğrenim_durumu = 4) ve (Medeni_durumu = 2)

(Mesleği = 36) ve (Öğrenim_durumu = 6)

(Mesleği = 37) ve (YaĢı = 2) ve (YaĢadığı_il = 2) ve (Cinsiyeti = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
2) ve (Medeni_durumu = 1) ve (Net_geliri = 5)
101

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
4) ve (Medeni_durumu = 2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 2) ve (Oturduğu_ev = 1) ve (Cinsiyeti = 1)
ve (Medeni_durumu = 1) ve (EĢi_çalıĢıyor_mu = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 2) ve (Oturduğu_ev = 1) ve (Cinsiyeti = 1)
ve (Medeni_durumu = 2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 2) ve (Oturduğu_ev = 4)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 2) ve (Öğrenim_durumu =
4) ve (Cinsiyeti = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 2) ve (Öğrenim_durumu =
6)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 3) ve (Öğrenim_durumu =
5)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 4) ve (Medeni_durumu = 2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 5) ve (Öğrenim_durumu =
8)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 1)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 3) ve (Öğrenim_durumu = 2)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 3) ve (Öğrenim_durumu = 4)
ve (YaĢadığı_il = 2)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 3) ve (Öğrenim_durumu = 7)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 5) ve (En_son_çalıĢma_yılı =
3)

(Mesleği = 37) ve (YaĢı = 5) ve (Öğrenim_durumu = 2)

(Mesleği = 37) ve (YaĢı = 5) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il =
1) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 37) ve (YaĢı = 5) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il =
1) ve (En_son_çalıĢma_yılı = 4)
102

(Mesleği = 37) ve (YaĢı = 5) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il =
5)

(Mesleği = 37) ve (YaĢı = 6) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 38) ve (YaĢı = 1) ve (YaĢadığı_il = 4) ve (Net_geliri = 3)

(Mesleği = 38) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Medeni_durumu = 1)

(Mesleği = 38) ve (YaĢı = 4) ve (Cinsiyeti = 2)

(Mesleği = 38) ve (YaĢı = 5) ve (Öğrenim_durumu = 1)

(Mesleği = 38) ve (YaĢı = 6) ve (YaĢadığı_il = 1)

(Mesleği = 39)

(Mesleği = 40) ve (YaĢı = 4)

(Mesleği = 41) ve (YaĢı = 6)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 1) ve (Oturduğu_ev = 1)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 5) ve (YaĢadığı_il = 1) ve
(Cinsiyeti = 1)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
4) ve (Cinsiyeti = 1) ve (Oturduğu_ev = 2)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
5) ve (Net_geliri = 1)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (otovarmi = 1)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 2) ve (Öğrenim_durumu =
2)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 5) ve (Medeni_durumu = 1)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 5) ve (Medeni_durumu = 2)
ve (Net_geliri = 3)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Oturduğu_ev = 3)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Oturduğu_ev = 4)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 2)
103

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 4) ve (Cinsiyeti =
1) ve (Medeni_durumu = 1)

(Mesleği = 42) ve (YaĢı = 4) ve (Öğrenim_durumu = 5)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 2) ve (Oturduğu_ev = 1) ve (Net_geliri = 2) ve (EĢi_çalıĢıyor_mu = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 2) ve (Oturduğu_ev = 2) ve (Öğrenim_durumu = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 4) ve (Net_geliri = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 3)

(Mesleği = 42) ve (YaĢı = 6) ve (Öğrenim_durumu = 2) ve
(Medeni_durumu = 2)
Kural 1‟e uygun iĢlem yaparak yatırım hesabını kapatan müĢterilerin sosyodemografik karakteristiğinden bir kesit ġekil 6.2‟ de verilmiĢtir.
ġekil 6.2. Kural 1‟e uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit
104
Kural 2 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 2: Eğer (t-7 = S) ve (t-6 = S) ve (t-1 = D8) = P (354, % 23,84)
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 3) ve (Net_geliri = 2) ve (Cinsiyeti = 1)

(Mesleği = 3) ve (YaĢı = 3) ve (Net_geliri = 5) ve (Medeni_durumu = 2) ve
(Öğrenim_durumu = 7)

(Mesleği = 3) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
2)

(Mesleği = 4) ve (Cinsiyeti = 1)

(Mesleği = 5) ve (YaĢı = 2)

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 5) ve (Cinsiyeti = 1) ve (Medeni_durumu = 2)

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 6) ve (Oturduğu_ev = 3)

(Mesleği = 5) ve (YaĢı = 5) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 1)

(Mesleği = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 2) ve (En_son_çalıĢma_yılı =
1)

(Mesleği = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 2) ve (En_son_çalıĢma_yılı =
2)

(Mesleği = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 3)

(Mesleği = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 4)

(Mesleği = 7) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 1) ve ()

(Mesleği = 7) ve (En_son_çalıĢma_yılı = 4) ve (Cinsiyeti = 2) ve ()

(Mesleği = 8) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 2) ve (YaĢı = 3)

(Mesleği = 8) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Medeni_durumu
= 2)

(Mesleği = 8) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (Cinsiyeti = 2)
105

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 5) ve (Cinsiyeti = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 3) ve (Medeni_durumu = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 2) ve (YaĢı = 4)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢadığı_il = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 3) ve (Oturduğu_ev = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 4) ve (EĢi_çalıĢıyor_mu = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 5)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 3)
ve (Cinsiyeti = 2) ve (En_son_çalıĢma_yılı = 2) ve ( Medeni_durumu = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 4)
ve (Oturduğu_ev = 1) ve (YaĢadığı_il = 2) ve (Cinsiyeti = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 4)
ve (Oturduğu_ev = 1) ve (YaĢadığı_il = 3)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 4)
ve (Oturduğu_ev = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 7) ve (YaĢı = 4) ve (Oturduğu_ev =
1)

(Mesleği = 8) ve (Öğrenim_durumu = 7) ve (YaĢı = 6) ve (YaĢadığı_il = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 2) ve
(Oturduğu_ev = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Medeni_durumu
= 2) ve (YaĢadığı_il = 1)

(Mesleği = 9) ve
(Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 1) ve (Medeni_durumu = 1)
(YaĢı = 3) ve
106

(Mesleği = 9) ve
(Öğrenim_durumu = 4) ve
(YaĢı = 3) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 6)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 1) ve (YaĢı = 4) ve (Medeni_durumu = 2) ve (En_son_çalıĢma_yılı = 2)
ve (Cinsiyeti = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 3) ve (Cinsiyeti = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 1) ve (Oturduğu_ev = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 4) ve (Cinsiyeti = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 4) ve (Cinsiyeti = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢadığı_il = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 3) ve
(Net_geliri = 5)

(Mesleği = 9) ve (Öğrenim_durumu = 8) ve (Cinsiyeti = 1) ve (YaĢadığı_il
= 1)

(Mesleği = 10) ve (Net_geliri = 1) ve (En_son_çalıĢma_yılı = 3) ve
(Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 1) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 10) ve (Net_geliri = 2) ve (YaĢı = 3) ve (Öğrenim_durumu = 4)
107

(Mesleği = 10) ve (Net_geliri = 2) ve (YaĢı = 3) ve (Öğrenim_durumu = 6)
ve (Cinsiyeti = 1)

(Mesleği = 10) ve (Net_geliri = 2) ve (YaĢı = 4) ve (Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 3) ve (Medeni_durumu = 1)
ve (Oturduğu_ev = 1)

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 3) ve (Medeni_durumu = 1)
ve (Oturduğu_ev = 2)

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
2)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 4) ve (YaĢı = 3)
ve (Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 4) ve (YaĢı = 4)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 5) ve (YaĢı = 3)
ve (Cinsiyeti = 1) ve (Oturduğu_ev = 1)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
1) ve (Öğrenim_durumu = 4)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
3) ve (EĢi_çalıĢıyor_mu = 1)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
4) ve (Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 5) ve (Öğrenim_durumu = 8)

(Mesleği = 11) ve (YaĢı = 1) ve (YaĢadığı_il = 2)

(Mesleği = 11) ve (YaĢı = 2) ve (Net_geliri = 5) ve (Oturduğu_ev = 1)

(Mesleği = 11) ve (YaĢı = 2) ve (Net_geliri = 5) ve (Oturduğu_ev = 2) ve
(Cinsiyeti = 1)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Öğrenim_durumu = 4) ve (Oturduğu_ev = 3)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Öğrenim_durumu = 5)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve
(EĢi_çalıĢıyor_mu = 1)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 1)
108

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 2)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 4) ve (Cinsiyeti = 1)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il =
1) ve (Cinsiyeti = 2)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il =
3)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 6) ve (Oturduğu_ev =
1) ve (Net_geliri = 5)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 7)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 1) ve
(Öğrenim_durumu = 1)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 1) ve
(Öğrenim_durumu = 4)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
3) ve (Öğrenim_durumu = 1)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
3) ve (Öğrenim_durumu = 2)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 12) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
2) ve (Oturduğu_ev = 2)

(Mesleği = 12) ve (YaĢı = 4) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 2)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 1)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 6) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 8) ve (YaĢadığı_il =
1)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 4)

(Mesleği = 13) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 8)

(Mesleği = 13) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2)
109

(Mesleği = 14) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 2)

(Mesleği = 14) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 14) ve (Öğrenim_durumu = 5) ve (Net_geliri = 3)

(Mesleği = 14) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Net_geliri = 3)

(Mesleği = 14) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Net_geliri = 5)

(Mesleği = 14) ve (Öğrenim_durumu = 6) ve (YaĢı = 5)

(Mesleği = 14) ve (Öğrenim_durumu = 7) ve (Medeni_durumu = 2)

(Mesleği = 14) ve (Öğrenim_durumu = 8) ve (Cinsiyeti = 1)

(Mesleği = 15) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 3)

(Mesleği = 15) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1)

(Mesleği = 15) ve (Öğrenim_durumu = 8)

(Mesleği = 18) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 5)

(Mesleği = 18) ve (Öğrenim_durumu = 7) ve (YaĢı = 4) ve (Oturduğu_ev =
4)

(Mesleği = 19) ve (Öğrenim_durumu = 2) ve (Oturduğu_ev = 1)

(Mesleği = 19) ve (Öğrenim_durumu = 2) ve (Oturduğu_ev = 3) ve
(Cinsiyeti = 1)

(Mesleği = 19) ve (Öğrenim_durumu = 2) ve (Oturduğu_ev = 3) ve
(Cinsiyeti = 2) ve (Medeni_durumu = 1)

(Mesleği = 19) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve
(Medeni_durumu = 1) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve (YaĢadığı_il =
2)
110

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve (YaĢadığı_il =
4)

(Mesleği = 20) ve (En_son_çalıĢma_yılı = 1) ve (Medeni_durumu = 1)

(Mesleği = 20) ve (En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 3) ve (Cinsiyeti = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 2) ve (YaĢadığı_il = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 1) ve
(Net_geliri = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 1) ve
(Net_geliri = 5)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 1) ve (Net_geliri = 1) ve (Cinsiyeti = 2) ve (YaĢı = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 1) ve (Net_geliri = 3) ve (Cinsiyeti = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 4)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢadığı_il = 1) ve (YaĢı = 4)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 1) ve (Oturduğu_ev = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 1) ve (Oturduğu_ev = 4)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 3) ve (Medeni_durumu = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (Cinsiyeti = 2)
111

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(YaĢı = 4)

(Mesleği = 21) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 3) ve
(Oturduğu_ev = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 5)

(Mesleği = 22) ve (Öğrenim_durumu = 2) ve (YaĢadığı_il = 2) ve
(EĢi_çalıĢıyor_mu = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Cinsiyeti = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 1) ve
(Cinsiyeti = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 3) ve
(Oturduğu_ev = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 23) ve (Öğrenim_durumu = 2) ve (YaĢı = 3)

(Mesleği = 23) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Cinsiyeti = 1)

(Mesleği = 23) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 3) ve
(Cinsiyeti = 2)

(Mesleği = 23) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (Oturduğu_ev =
2)

(Mesleği = 23) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (Oturduğu_ev =
3)

(Mesleği = 23) ve (Öğrenim_durumu = 6) ve (YaĢı = 4)

(Mesleği = 24) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 5)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 2)
112

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 4) ve (YaĢı = 4)
ve (YaĢadığı_il = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 4) ve (YaĢı = 4)
ve (YaĢadığı_il = 3)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (Medeni_durumu = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 4)
ve (En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 1) ve (ÇalıĢma_Ģekli = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 4)
ve (En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 5)
ve (Oturduğu_ev = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (YaĢadığı_il =
1) ve (Oturduğu_ev = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (YaĢadığı_il =
5)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve (Oturduğu_ev =
1) ve (Cinsiyeti = 1) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve (Oturduğu_ev =
3)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve (Oturduğu_ev =
3)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve (Oturduğu_ev =
4) ve (Net_geliri = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 7) ve (Oturduğu_ev = 4)

(Mesleği = 25) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (Cinsiyeti = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (YaĢadığı_il =
4)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 3) ve (Cinsiyeti = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 4)
113

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 1) ve
(YaĢadığı_il = 3)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve (YaĢı = 4)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢı = 5)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 2)
ve (Oturduğu_ev = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (YaĢadığı_il = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 5)
ve (Oturduğu_ev = 3)

(Mesleği = 25) ve (Öğrenim_durumu = 8) ve (Net_geliri = 1) ve
(YaĢadığı_il = 5)

(Mesleği = 25) ve (Öğrenim_durumu = 8) ve (Net_geliri = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 1) ve (YaĢı = 3)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 2) ve (Cinsiyeti
= 2)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (Medeni_durumu = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve
(Medeni_durumu = 2) ve (YaĢadığı_il = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Oturduğu_ev =
1) ve (Net_geliri = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Oturduğu_ev =
1) ve (Net_geliri = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Oturduğu_ev =
2)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 6) ve (Oturduğu_ev =
3)
114

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 2) ve
(Medeni_durumu = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (YaĢı = 3) ve (Medeni_durumu = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 27) ve (Öğrenim_durumu = 4) ve (Cinsiyeti = 2)

(Mesleği = 27) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 27) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 3)

(Mesleği = 27) ve (Öğrenim_durumu = 7) ve (YaĢı = 5)

(Mesleği = 28) ve (Öğrenim_durumu = 2)

(Mesleği = 28) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 2) ve (YaĢı =
2)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 3) ve (Medeni_durumu = 2)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 1)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı = 3) ve (YaĢadığı_il = 1)

(Mesleği
=
29)
ve
(ÇalıĢma_Ģekli
=
2)
ve
(YaĢı
=
4)
ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 5) ve (YaĢadığı_il = 1)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 5) ve (YaĢadığı_il = 4)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 6) ve (Öğrenim_durumu = 4) ve
(YaĢadığı_il = 4)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 6) ve (Öğrenim_durumu = 5) ve
(YaĢadığı_il = 1)
115

(Mesleği = 30) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Cinsiyeti = 2)

(Mesleği = 30) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 2)

(Mesleği = 31) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 1)

(Mesleği = 31) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 2) ve
(YaĢadığı_il = 2)

(Mesleği = 32) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 1) ve
(Medeni_durumu = 2)

(Mesleği = 32) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 32) ve (Öğrenim_durumu = 6) ve (Medeni_durumu = 2) ve
(YaĢadığı_il = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 1) ve (YaĢı = 4)

(Mesleği = 33) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (Oturduğu_ev = 1) ve (YaĢı = 3) ve (Medeni_durumu =
2)

(Mesleği = 33) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (Oturduğu_ev = 1) ve (YaĢı = 5)

(Mesleği = 33) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (Oturduğu_ev = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı
= 3) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı
= 3) ve (YaĢadığı_il = 3)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 3)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 8)

(Mesleği = 33) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 3) ve
(Cinsiyeti = 1) ve (YaĢı = 3)

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 5)

(Mesleği = 34) ve (Öğrenim_durumu = 2) ve (YaĢadığı_il = 4)
116

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 1) ve (YaĢı =
4) ve (Cinsiyeti = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 2) ve
(Cinsiyeti = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 3) ve
(Cinsiyeti = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 6)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 3)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(Oturduğu_ev = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(Oturduğu_ev = 4)

(Mesleği = 35) ve (Öğrenim_durumu = 2) ve (YaĢı = 3) ve () ve

(Mesleği = 35) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve
(EĢi_çalıĢıyor_mu = 2)

(Mesleği = 35) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (YaĢadığı_il =
3) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 35) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve
(EĢi_çalıĢıyor_mu = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 5) ve (YaĢı = 5) ve (Cinsiyeti = 1)
ve (Medeni_durumu = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 5) ve (YaĢı = 5) ve (Cinsiyeti = 1)
ve (Medeni_durumu = 2) ve (YaĢadığı_il = 5)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(Medeni_durumu = 2) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 2)
ve (Net_geliri = 4)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 2)
ve (Net_geliri = 5) ve (YaĢadığı_il = 2)
117

(Mesleği = 35) ve (Öğrenim_durumu = 7) ve (YaĢı = 4) ve (YaĢadığı_il =
3)

(Mesleği = 36) ve (Öğrenim_durumu = 4) ve (Medeni_durumu = 1)

(Mesleği = 37) ve (YaĢı = 2) ve (YaĢadığı_il = 4)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
2) ve (Medeni_durumu = 1) ve (Net_geliri = 3)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
4) ve (Medeni_durumu = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
5) ve (Cinsiyeti = 2) ve (Medeni_durumu = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
7) ve (Medeni_durumu = 1)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 3) ve (Öğrenim_durumu = 1)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 5) ve (En_son_çalıĢma_yılı =
2) ve (Öğrenim_durumu = 5)

(Mesleği = 37) ve (YaĢı = 5) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il =
4)

(Mesleği = 37) ve (YaĢı = 5) ve (Öğrenim_durumu = 6)

(Mesleği = 37) ve (YaĢı = 6) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 38) ve (YaĢı = 1) ve (YaĢadığı_il = 2) ve (Net_geliri = 1)

(Mesleği = 38) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Medeni_durumu = 2)

(Mesleği = 38) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve (YaĢadığı_il
= 1)

(Mesleği = 38) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 40) ve (YaĢı = 6)

(Mesleği = 41) ve (YaĢı = 5)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 1) ve (Oturduğu_ev = 3)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 2)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 3) ve (Oturduğu_ev = 1) ve
(Cinsiyeti = 1)
118

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 3) ve (Oturduğu_ev = 1) ve
(Cinsiyeti = 2)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 5) ve (YaĢadığı_il = 3)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
2) ve (Net_geliri = 2)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
4) ve (Cinsiyeti = 2)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
5) ve (Net_geliri = 2)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 5) ve (Medeni_durumu = 2)
ve (Net_geliri = 2)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 4) ve (Medeni_durumu = 1) ve (YaĢadığı_il = 1)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 6)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 3) ve
(Medeni_durumu = 1) ve (Cinsiyeti = 1)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 4) ve (Cinsiyeti =
1) ve (Medeni_durumu = 2)

(Mesleği = 42) ve (YaĢı = 4) ve (Öğrenim_durumu = 4) ve () ve () ve

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 1) ve (Öğrenim_durumu = 2) ve (Net_geliri = 1)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 2) ve (Oturduğu_ev = 1) ve (Net_geliri = 2) ve (EĢi_çalıĢıyor_mu = 1)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 2) ve (Oturduğu_ev = 2) ve (Öğrenim_durumu = 6)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 2) ve (Oturduğu_ev = 4)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 3) ve (Medeni_durumu = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 4) ve (Net_geliri = 1) ve (Medeni_durumu = 2) ve (Oturduğu_ev = 1)
119

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 2) ve (Medeni_durumu = 2)
ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 5) ve (En_son_çalıĢma_yılı
= 1)

Mesleği = 42) ve (YaĢı = 6) ve (Öğrenim_durumu = 2) ve
(Medeni_durumu = 1)

(Mesleği = 42) ve (YaĢı = 6) ve (Öğrenim_durumu = 6)
Kural 2‟ye uygun iĢlem yaparak yatırım hesabını kapatan müĢterilerin sosyodemografik karakteristiğinden bir kesit ġekil 6.3‟de verilmiĢtir.
ġekil 6.3. Kural 2‟ye uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit
Kural 3 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 3: Eğer (t-3 = D8) ve (t-2 = S) ve (t-1 = S) = P (212, % 14,28)
Sosyo-demografik karakteristik;
120

(Mesleği = 3) ve (YaĢı = 2) ve (En_son_çalıĢma_yılı = 1) ve (YaĢadığı_il =
1)

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 1) ve
(ÇalıĢma_Ģekli = 2) ve (Cinsiyeti = 2) ve (Net_geliri = 3)

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 4) ve (Cinsiyeti = 1)

(Mesleği = 3) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
1) ve (Oturduğu_ev = 3)

(Mesleği = 3) ve
(YaĢı = 6) ve
(Öğrenim_durumu = 7) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği
=
5)
ve
(YaĢı
=
3)
ve
(Medeni_durumu
=
2)
ve
=
3)
ve
(Medeni_durumu
=
2)
ve
(En_son_çalıĢma_yılı = 2)

(Mesleği
=
5)
ve
(YaĢı
(En_son_çalıĢma_yılı = 4)

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 2) ve (En_son_çalıĢma_yılı =
4)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 4) ve (Cinsiyeti = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 5)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 2)
ve (Cinsiyeti = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 3)
ve (Cinsiyeti = 1) ve (ÇalıĢma_Ģekli = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 5)
ve (Cinsiyeti = 2) ve (Medeni_durumu = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 6)
ve (Cinsiyeti = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 7) ve (YaĢı = 4) ve (Oturduğu_ev =
4)
121

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Medeni_durumu
= 1)

(Mesleği = 9) ve
(Öğrenim_durumu = 4) ve
(YaĢı = 3) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (Net_geliri = 3)
ve (Medeni_durumu = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 6)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 4) ve (YaĢadığı_il = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 1) ve (YaĢı = 3) ve (Medeni_durumu = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 1) ve (YaĢı = 4) ve (Medeni_durumu = 1) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 1) ve (YaĢı = 4) ve (Medeni_durumu = 2) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 1) ve (YaĢı = 4) ve (Medeni_durumu = 2) ve (En_son_çalıĢma_yılı = 2)
ve (Cinsiyeti = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 3) ve (YaĢı = 6)

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 6)

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 3) ve
(Net_geliri = 3) ve (EĢi_çalıĢıyor_mu = 2)

(Mesleği = 10) ve (Net_geliri = 2) ve (YaĢı = 5)

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 2) ve (YaĢadığı_il = 4)

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 3) ve (Medeni_durumu = 2)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 2) ve
(YaĢadığı_il = 2)
122

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 2) ve (Medeni_durumu = 1)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
4) ve (Medeni_durumu = 1) ve (Cinsiyeti = 2) ve (ÇalıĢma_Ģekli = 3)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
1) ve (Medeni_durumu = 1)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
2) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 1) ve (ÇalıĢma_Ģekli = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
2) ve (YaĢadığı_il = 5)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 5) ve (Öğrenim_durumu = 5)
ve (Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 3)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 1) ve (Medeni_durumu = 1)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 1) ve
(Öğrenim_durumu = 2)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 3) ve () ve

(Mesleği = 12) ve (YaĢı = 2) ve (Cinsiyeti = 2)

(Mesleği = 12) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 3) ve
(Medeni_durumu = 2)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 8) ve (YaĢadığı_il =
3)

(Mesleği = 12) ve
(YaĢı = 6) ve
(Medeni_durumu = 1) ve
(Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢadığı_il = 1) ve (Medeni_durumu = 2) ve (YaĢı = 2) ve (otovarmi = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢadığı_il = 5)
123

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 4) ve
(Medeni_durumu = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 3) ve
(Oturduğu_ev = 2) ve (Cinsiyeti = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 13) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(Medeni_durumu = 1)

(Mesleği = 14) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 3)

(Mesleği = 14) ve (Öğrenim_durumu = 7) ve (Medeni_durumu = 1)

(Mesleği = 15) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 4)

(Mesleği = 15) ve (Öğrenim_durumu = 6)

(Mesleği = 15) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 1) ve
(Oturduğu_ev = 1)

(Mesleği = 18) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 18) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 1) ve
(Cinsiyeti = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 2) ve (Oturduğu_ev = 3) ve
(Cinsiyeti = 2) ve (Medeni_durumu = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (Cinsiyeti = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Cinsiyeti = 1)

(Mesleği = 19) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 4)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 3) ve (Cinsiyeti
= 1)
124

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢadığı_il = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 3) ve (Medeni_durumu = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (Cinsiyeti = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 3) ve
(YaĢadığı_il = 2) ve (YaĢı = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(YaĢı = 3) ve (YaĢadığı_il = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5)

(Mesleği = 21) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 22) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 4) ve
(Cinsiyeti = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (YaĢadığı_il =
2)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 1)
ve (Oturduğu_ev = 2)

(Mesleği = 23) ve (Öğrenim_durumu = 1)

(Mesleği = 23) ve (Öğrenim_durumu = 2) ve (YaĢı = 2)

(Mesleği = 23) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 3) ve
(Cinsiyeti = 1)

(Mesleği = 23) ve (Öğrenim_durumu = 5)

(Mesleği = 24) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 3)
125

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (YaĢadığı_il =
1) ve (Oturduğu_ev = 1) ve (Cinsiyeti = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve
(Medeni_durumu = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 8)

(Mesleği = 25) ve (Öğrenim_durumu = 4) ve (YaĢı = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 3) ve (Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 6)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 1) ve
(YaĢadığı_il = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve (YaĢı = 3)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve (YaĢı = 5)
ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢı = 4)
ve (Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 5)

(Mesleği = 25) ve (Öğrenim_durumu = 8) ve (Net_geliri = 3)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 1) ve (YaĢı = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 3) ve
(Medeni_durumu = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 5) ve (YaĢı = 5)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Oturduğu_ev =
4) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Oturduğu_ev =
4)
126

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 6) ve (Oturduğu_ev =
1)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 5)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 4) ve (Oturduğu_ev = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 3) ve
(YaĢadığı_il = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 3) ve
(YaĢı = 3)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 3) ve
(YaĢı = 5)

(Mesleği = 26) ve (Öğrenim_durumu = 7) ve (YaĢı = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 2) ve
(EĢi_çalıĢıyor_mu = 2)

(Mesleği = 27) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 2)

(Mesleği = 27) ve (Öğrenim_durumu = 4) ve (Cinsiyeti = 1) ve (YaĢı = 5)

(Mesleği = 27) ve (Öğrenim_durumu = 5) ve (YaĢı = 5) ve
(Medeni_durumu = 2)

(Mesleği = 27) ve (Öğrenim_durumu = 5) ve (YaĢı = 6)

(Mesleği = 27) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(Medeni_durumu = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (Cinsiyeti = 1)
ve (YaĢadığı_il = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 7) ve (Cinsiyeti = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 8)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı = 2) ve (Cinsiyeti = 2) ve
(Medeni_durumu = 2)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 3) ve (Medeni_durumu = 1)

(Mesleği = 30) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Cinsiyeti = 1)
127

(Mesleği = 30) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 4) ve
(Cinsiyeti = 1)

(Mesleği = 30) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 1) ve
(Medeni_durumu = 1) ve (Cinsiyeti = 1)

(Mesleği = 32) ve (Öğrenim_durumu = 6) ve (Medeni_durumu = 1) ve
(Cinsiyeti = 2) (Mesleği = 32) ve (Öğrenim_durumu = 7)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 6) ve
(YaĢadığı_il = 1) ve (Oturduğu_ev = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 2) ve
(Cinsiyeti = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 3) ve
(Cinsiyeti = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 8)

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (YaĢadığı_il =
1)

(Mesleği = 34) ve (Öğrenim_durumu = 2) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 1) ve (YaĢı =
5) ve (Medeni_durumu = 2) ve (EĢi_çalıĢıyor_mu = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 4)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 5) ve (Medeni_durumu = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 7)

(Mesleği = 35) ve (Öğrenim_durumu = 2) ve (YaĢı = 4)

(Mesleği = 35) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (YaĢadığı_il =
1)

(Mesleği = 35) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (YaĢadığı_il =
5)

(Mesleği = 35) ve (Öğrenim_durumu = 5) ve (YaĢı = 3) ve (YaĢadığı_il =
1)

(Mesleği = 35) ve (Öğrenim_durumu = 5) ve (YaĢı = 3) ve (YaĢadığı_il =
5)
128

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 2) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 2)
ve (Net_geliri = 2)

(Mesleği = 37) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 1)

(Mesleği = 37) ve (YaĢı = 2) ve (YaĢadığı_il = 3) ve (Cinsiyeti = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
2) ve (Medeni_durumu = 2) ve (Oturduğu_ev = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
5) ve (Cinsiyeti = 2) ve (Medeni_durumu = 2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 1) ve (Medeni_durumu =
1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 2) ve (Oturduğu_ev = 1) ve (Cinsiyeti = 2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 2) ve (Öğrenim_durumu =
5)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 4) ve (Medeni_durumu = 1)

(Mesleği = 37) ve (YaĢı = 5) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il =
1) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 37) ve (YaĢı = 5) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il =
3)

(Mesleği = 38) ve (YaĢı = 1) ve (YaĢadığı_il = 1)

(Mesleği = 38) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 40) ve (YaĢı = 5) ve (Medeni_durumu = 1)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 1) ve (Oturduğu_ev = 2)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 4)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
4) ve (Cinsiyeti = 1) ve (Oturduğu_ev = 1)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 2) ve (Öğrenim_durumu =
4)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 3)
129

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 3) ve
(Medeni_durumu = 1) ve (Cinsiyeti = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 1) ve (Öğrenim_durumu = 2) ve (Net_geliri = 3)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 2) ve (Oturduğu_ev = 1) ve (Net_geliri = 1)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 4) ve (Net_geliri = 1) ve (Medeni_durumu = 2) ve (Oturduğu_ev = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 2) ve (Medeni_durumu = 2)
ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 42) ve (YaĢı = 6) ve (Öğrenim_durumu = 5)
Kural 3‟e uygun iĢlem yaparak yatırım hesabını kapatan müĢterilerin sosyodemografik karakteristiğinden bir kesit ġekil 6.4‟de verilmiĢtir.
ġekil 6.4. Kural 3‟e uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit
130
Kural 4 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 4: Eğer (anapara > 85.95) ve (t-4 = D8) ve (t-3 = S) ve (t-2 = S) ve (t-1
= S) = P (88, % 5,93)
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 2) ve (Oturduğu_ev
= 3)

(Mesleği = 4) ve (Cinsiyeti = 2)

(Mesleği = 5) ve (YaĢı = 5) ve (Öğrenim_durumu = 7)

(Mesleği = 8) ve (Öğrenim_durumu = 2) ve (YaĢı = 4) ve (Medeni_durumu
= 2)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 3) ve (Oturduğu_ev = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 3) ve (Medeni_durumu = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 4)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 8) ve (Öğrenim_durumu = 7) ve (YaĢı = 3)

(Mesleği = 8) ve (Öğrenim_durumu = 7) ve (YaĢı = 6) ve (YaĢadığı_il = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 3) ve (YaĢı = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 4) ve (YaĢadığı_il = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 4) ve (YaĢadığı_il = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 4)

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 4) ve (Cinsiyeti = 2)
131

(Mesleği = 9) ve (Öğrenim_durumu = 8) ve (Cinsiyeti = 1) ve (YaĢadığı_il
= 5)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 5) ve (YaĢı = 3)
ve (Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 3)
ve (En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 1)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 4)
ve (YaĢadığı_il = 1) ve (ÇalıĢma_Ģekli = 3)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
2) ve (Medeni_durumu = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
4) ve (Medeni_durumu = 1) ve (Cinsiyeti = 1)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
4) ve (Medeni_durumu = 1) ve (Cinsiyeti = 2) ve (ÇalıĢma_Ģekli = 2)

(Mesleği = 12) ve (YaĢı = 2) ve (Cinsiyeti = 1) ve (Net_geliri = 5)

(Mesleği = 12) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 2) ve (EĢi_çalıĢıyor_mu = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 3) ve
(YaĢı = 4)

(Mesleği = 13) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 3)

(Mesleği = 13) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 5)

(Mesleği = 14) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 2)

(Mesleği = 14) ve (Öğrenim_durumu = 8) ve (Cinsiyeti = 2) ve
(YaĢadığı_il = 1)

(Mesleği = 15) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 1)

(Mesleği = 15) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 1) ve
(Oturduğu_ev = 2)

(Mesleği = 17)
132

(Mesleği = 18) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 2) ve
(Cinsiyeti = 2)

(Mesleği = 18) ve (Öğrenim_durumu = 7) ve (YaĢı = 4) ve (Oturduğu_ev =
1)

(Mesleği = 19) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Cinsiyeti = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 3) ve (Cinsiyeti = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 4) ve (Cinsiyeti = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 1) ve
(Net_geliri = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(Oturduğu_ev = 1) ve (Net_geliri = 1) ve (Cinsiyeti = 2) ve (YaĢı = 4)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢadığı_il = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (Oturduğu_ev =
4)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (YaĢadığı_il =
1)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 23) ve (Öğrenim_durumu = 2) ve (YaĢı = 6) ve (Oturduğu_ev =
2)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢı = 4)
ve (Cinsiyeti = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (YaĢadığı_il = 1) ve (Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 6)
ve (Oturduğu_ev = 3)
133

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 2) ve (Cinsiyeti
= 1)

(Mesleği = 26) ve (Öğrenim_durumu = 2) ve (Net_geliri = 3) ve
(Medeni_durumu = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve
(Medeni_durumu = 2) ve (YaĢadığı_il = 3)

(Mesleği = 27) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 3)

(Mesleği = 28) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve
(Medeni_durumu = 2)

(Mesleği = 30) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 3)

(Mesleği = 30) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 31) ve (En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 2)

(Mesleği = 32) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 32) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 2) ve
(Cinsiyeti = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 1) ve (Oturduğu_ev =
3)

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(Medeni_durumu = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 5) ve (Cinsiyeti = 2)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(Medeni_durumu = 1) ve (Cinsiyeti = 2)

(Mesleği = 35) ve (Öğrenim_durumu = 7) ve (YaĢı = 3) ve (Cinsiyeti = 2)

(Mesleği = 37) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 2) ve
(Oturduğu_ev = 1)

(Mesleği = 37) ve (YaĢı = 2) ve (YaĢadığı_il = 3) ve (Cinsiyeti = 2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
5) ve (Cinsiyeti = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 4)
134

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 2) ve (Öğrenim_durumu =
4) ve (Cinsiyeti = 2)

(Mesleği = 38) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve (YaĢadığı_il
= 5)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
2) ve (Net_geliri = 1)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (otovarmi = 2)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 3) ve
(Medeni_durumu = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 1) ve (Öğrenim_durumu = 6)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 4)
Kural 4‟e uygun iĢlem yaparak yatırım hesabını kapatan müĢterilerin sosyodemografik karakteristiğinden bir kesit ġekil 6.5‟de verilmiĢtir.
ġekil 6.5. Kural 4‟e uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit
135
Kural 5 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 5: Eğer (t-7 = S) ve (t-6 = Y2) ve (t-1 = D8) = P (71, % 4,78)
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 3) ve (Net_geliri = 2) ve (Cinsiyeti = 2)

(Mesleği = 3) ve (YaĢı = 3) ve (Net_geliri = 3) ve (Öğrenim_durumu = 7)

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 6) ve (Oturduğu_ev = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 2) ve (YaĢı = 2) ve (Net_geliri = 4)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 4) ve (Cinsiyeti = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 4) ve (YaĢı = 4)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 3) ve (YaĢı = 3)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 4)
ve (Oturduğu_ev = 1) ve (YaĢadığı_il = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 5)
ve (Cinsiyeti = 1) ve (En_son_çalıĢma_yılı = 1) ve (Oturduğu_ev = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 5)
ve (Cinsiyeti = 1) ve (En_son_çalıĢma_yılı = 2) ve ( YaĢadığı_il = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 7) ve (YaĢı = 5)

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 5) ve (Medeni_durumu
= 2)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 3) ve (YaĢı = 4)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 2) ve (YaĢı =
3) ve (Medeni_durumu = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 2) ve (YaĢı =
6)
136

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢadığı_il = 1)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 5) ve (YaĢı = 4)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 5) ve (YaĢı = 5)
ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 4)
ve (YaĢadığı_il = 3)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 7)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 5) ve (Öğrenim_durumu = 5)
ve (Cinsiyeti = 1)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 5)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 4) ve (Cinsiyeti = 2)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il =
2)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 6) ve (Oturduğu_ev =
3)

(Mesleği = 12) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
5) ve (Cinsiyeti = 2)

(Mesleği = 12) ve (YaĢı = 4) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 1) v

(Mesleği = 13) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 3) ve
(Oturduğu_ev = 1) ve (Cinsiyeti = 2) ve (YaĢı = 3)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve (YaĢadığı_il =
1)

(Mesleği = 20) ve (En_son_çalıĢma_yılı = 1) ve (Medeni_durumu = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 3)
137

(Mesleği = 21) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 4) ve
(Cinsiyeti = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 6)

(Mesleği = 23) ve (Öğrenim_durumu = 2) ve (YaĢı = 6) ve (Oturduğu_ev =
1)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve (Oturduğu_ev =
2) ve (Cinsiyeti = 1) ve (Medeni_durumu = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢı = 6)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 2)
ve (Oturduğu_ev = 4)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 4)
ve (YaĢadığı_il = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Oturduğu_ev =
4) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 27) ve (Öğrenim_durumu = 5) ve (YaĢı = 5) ve
(Medeni_durumu = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢadığı_il = 4)

(Mesleği = 28) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve
(En_son_çalıĢma_yılı = 3)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı = 2) ve (Cinsiyeti = 2) ve
(Medeni_durumu = 1)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı = 3) ve (YaĢadığı_il = 3)

(Mesleği = 30) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 1) ve
(Medeni_durumu = 1) ve (Cinsiyeti = 2)

(Mesleği = 32) ve (Öğrenim_durumu = 6) ve (Medeni_durumu = 2) ve
(YaĢadığı_il = 1)
138

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı
= 3) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 1) ve (Medeni_durumu = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 1) ve (YaĢı =
4) ve (Cinsiyeti = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 5) ve (Medeni_durumu = 2)

(Mesleği = 35) ve (Öğrenim_durumu = 5) ve (YaĢı = 4) ve (YaĢadığı_il =
3)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 2) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 35) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
2) ve (Medeni_durumu = 2) ve (Oturduğu_ev = 2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 1) ve (Medeni_durumu =
2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
7) ve (Medeni_durumu = 2)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 5) ve (En_son_çalıĢma_yılı =
1)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 5) ve (En_son_çalıĢma_yılı =
2) ve (Öğrenim_durumu = 4)

(Mesleği = 38) ve (YaĢı = 4) ve (Cinsiyeti = 1)

(Mesleği = 38) ve (YaĢı = 6) ve (YaĢadığı_il = 2)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 5) ve (YaĢadığı_il = 1) ve
(Cinsiyeti = 2) ve (Oturduğu_ev = 3)
Kural 5‟e uygun iĢlem yaparak yatırım hesabını kapatan müĢterilerin sosyodemografik karakteristiğinden bir kesit ġekil 6.6‟da verilmiĢtir.
139
ġekil 6.6. Kural 5‟e uygun iĢlem yaparak yatırım hesabını kapatan
müĢterilerin sosyo-demografik karakteristiğinden bir kesit
Kural 6 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 6: Eğer (t-7 = D4) ve (t-2 = D8) ve (t-1 = D8) = P (8, % 0,54)
Sosyo-demografik karakteristik;

(Mesleği = 18) ve (Öğrenim_durumu = 7) ve (YaĢı = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 4) ve
(Net_geliri = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 3) ve
(YaĢadığı_il = 2) ve (YaĢı = 4)

(Mesleği = 22) ve (Öğrenim_durumu = 7) ve (YaĢı = 6) ve (YaĢadığı_il =
5)
140

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (YaĢadığı_il =
2) ve (cinsiyet = 1)

(Mesleği = 36) ve (Öğrenim_durumu = 2) ve (YaĢı = 2)

(Mesleği = 37) ve (YaĢı = 5) ve (Öğrenim_durumu = 1)

(Mesleği = 38) ve (YaĢı = 5) ve (Öğrenim_durumu = 4)
Kural 7 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 7: Eğer (t-7 = D5) ve (t-2 = D8) ve (t-1 = D8) = P (9, % 0,61)
Sosyo-demografik karakteristik;

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 6) ve (Cinsiyeti = 2)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 6) ve (Oturduğu_ev =
1) ve (Net_geliri = 2)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 6) ve (Oturduğu_ev =
4)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 2)
ve (Medeni_durumu = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 2) ve
(Medeni_durumu = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 1) ve (YaĢı =
3) ve (Oturduğu_ev = 2)

(Mesleği = 34) ve (Öğrenim_durumu = 4) ve (YaĢadığı_il = 3) ve
(Cinsiyeti = 1)

(Mesleği = 36) ve (Öğrenim_durumu = 2) ve (YaĢı = 3)

(Mesleği = 42) ve (YaĢı = 4) ve (Öğrenim_durumu = 6)
141
Kural 8 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 8: Eğer (t-7 = D6) ve (t-5 = D6) ve (t-1 = D8) = P (2, % 0,13)
Sosyo-demografik karakteristik;

(Mesleği = 35) ve (Öğrenim_durumu = 7) ve (YaĢı = 3) ve (Cinsiyeti = 1)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 3) ve (Medeni_durumu = 1)
Kural 9 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 9: Eğer (t-7 = D6) ve (t-5 = D7) ve (t-1 = D8) = P (1, % 0,07)
Sosyo-demografik karakteristik;

(Mesleği = 14) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 3)
Kural 10 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 10: Eğer (t-7 = D7) ve (t-1 = D8) = P (12, % 0,81)
Sosyo-demografik karakteristik;

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 1) ve (YaĢadığı_il = 5)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 3) ve (YaĢı = 5)

(Mesleği = 10) ve (Net_geliri = 1) ve (En_son_çalıĢma_yılı = 3) ve
(Cinsiyeti = 1)
142

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 15) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 2) ve
(Cinsiyeti = 1)

(Mesleği = 18) ve (Öğrenim_durumu = 5) ve (YaĢı = 3) ve
(Medeni_durumu = 1)

(Mesleği = 18) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 1) ve
(Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 5)
ve (Oturduğu_ev = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 5) ve (YaĢı = 3) ve (YaĢadığı_il =
2)

(Mesleği = 3) ve (YaĢı = 4) ve (Net_geliri = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 1) ve (Öğrenim_durumu = 4)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 5) ve (En_son_çalıĢma_yılı
= 3)
Kural 11 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 11: Eğer (t-7 = S) ve (t-6 = D1) ve (t-1 = D8) = P (4, % 0,27)
Sosyo-demografik karakteristik;

(Mesleği = 19) ve (Öğrenim_durumu = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 2) ve (YaĢadığı_il = 1) ve (YaĢı =
3)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve (Oturduğu_ev =
2) ve (Cinsiyeti = 2)

(Mesleği = 37) ve (YaĢı = 2) ve (YaĢadığı_il = 2) ve (Cinsiyeti = 2) ve
(Medeni_durumu = 1)
143
Kural 12 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 12: Eğer (t-7 = S) ve (t-6 = D2) ve (t-1 = D8) = P (3, % 0,20)
Sosyo-demografik karakteristik;
(Mesleği = 10) ve (Net_geliri = 2) ve (YaĢı = 3) ve (Öğrenim_durumu = 7)
(Mesleği = 21) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 1)
(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı
= 2) ve (En_son_çalıĢma_yılı = 2)
Kural 13 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 13: Eğer (t-7 = S) ve (t-6 = D3) ve (t-1 = D8) = P (21, % 1,41)
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 3) ve (Net_geliri = 5) ve (Medeni_durumu = 2) ve
(Öğrenim_durumu = 6)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 3) ve (YaĢı = 5)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 3) ve
(Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 3)
ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 4)
ve (YaĢadığı_il = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 8)

(Mesleği = 21) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 4) ve
(Net_geliri = 5) ve (Cinsiyeti = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 1) ve (Oturduğu_ev = 1)
144

(Mesleği = 22) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 4) ve
(Cinsiyeti = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı =3) ve
(Oturduğu_ev = 3)

(Mesleği = 24) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 3) ve (YaĢı
= 4)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve (YaĢı = 6)
ve (Medeni_durumu = 1)

(Mesleği = 27) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 28) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 32) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(Medeni_durumu = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı
= 4)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 2) ve (Oturduğu_ev = 1) ve (Cinsiyeti = 1)
ve (Medeni_durumu = 1) ve (EĢi_çalıĢıyor_mu = 2)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 3) ve (Öğrenim_durumu = 4)
ve (YaĢadığı_il = 1)

(Mesleği = 37) ve (YaĢı = 4) ve (Net_geliri = 3) ve (Öğrenim_durumu = 6)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 4) ve (Net_geliri = 3)
Kural 14 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 14: Eğer (t-7 = S) ve (t-6 = D4) ve (t-1 = D8) = P (31, % 2,09)
Sosyo-demografik karakteristik;
145

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 4) ve (Cinsiyeti = 2)
ve (ÇalıĢma_Ģekli = 2)

(Mesleği = 3) ve (YaĢı = 6) ve (Öğrenim_durumu = 5)

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 1) ve
(Medeni_durumu = 2) ve (Cinsiyeti = 1)

(Mesleği = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 1) ve
(Medeni_durumu = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (Cinsiyeti = 2)

(Mesleği = 8) ve (Öğrenim_durumu = 4) ve (YaĢı = 5)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 3)
ve (Cinsiyeti = 1) ve (ÇalıĢma_Ģekli = 3)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 5)
ve (Cinsiyeti = 1) ve (En_son_çalıĢma_yılı = 1) ve (Oturduğu_ev = 1)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 1) ve
(En_son_çalıĢma_yılı = 2) ve (YaĢı = 4) ve (Cinsiyeti = 2)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
1)

(Mesleği = 15) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 2) ve
(EĢi_çalıĢıyor_mu = 2)

(Mesleği = 15) ve (Öğrenim_durumu = 7) ve (En_son_çalıĢma_yılı = 2) ve
(Cinsiyeti = 2)

(Mesleği = 16) ve (YaĢı = 5)

(Mesleği = 19) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve
(Medeni_durumu = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (Cinsiyeti = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 5)

(Mesleği = 23) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(Cinsiyeti = 2) ve (Medeni_durumu = 1)
146

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 4)
ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 7) ve (Oturduğu_ev = 1) ve
(Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 5) ve (YaĢı = 5)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı = 2) ve (Cinsiyeti = 1)

(Mesleği = 32) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(Medeni_durumu = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 6) ve
(YaĢadığı_il = 3)

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 5)

(Mesleği = 35) ve (Öğrenim_durumu = 5) ve (YaĢı = 5) ve (Cinsiyeti = 1)
ve (Medeni_durumu = 2) ve (YaĢadığı_il = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 1)
ve (Oturduğu_ev = 2)

(Mesleği = 37) ve (YaĢı = 2) ve (YaĢadığı_il = 1) ve (Cinsiyeti = 2) ve
(Oturduğu_ev = 4)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Oturduğu_ev = 1) ve (Cinsiyeti = 2)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 4) ve (Cinsiyeti =
2)
Kural 15 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 15: Eğer (t-7 = S) ve (t-6 = D5) ve (t-1 = D8) = P (17, % 1,14)
Sosyo-demografik karakteristik;
147

(Mesleği = 3) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
5)

(Mesleği = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 1) ve
(Medeni_durumu = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 2) ve (YaĢı = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 2) ve
(Oturduğu_ev = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (Net_geliri = 4)
ve (En_son_çalıĢma_yılı = 1

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 2) ve (YaĢı =
3) ve (Medeni_durumu = 2)

(Mesleği = 10) ve (Net_geliri = 1) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 2) ve
(YaĢadığı_il = 1)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 3)
ve (En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
1) ve (Öğrenim_durumu = 6) ve (YaĢadığı_il = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 7)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢadığı_il = 1) ve (YaĢı = 3) ve (Medeni_durumu = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢadığı_il = 1) ve (YaĢı = 5)

(Mesleği = 22) ve (Öğrenim_durumu = 2) ve (YaĢadığı_il = 2) ve
(EĢi_çalıĢıyor_mu = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 2)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 2)

(Mesleği = 35) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve
(EĢi_çalıĢıyor_mu = 2)
148
Kural 16 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 16: Eğer (t-7 = S) ve (t-6 = D6) ve (t-1 = D8) = P (12, % 0,81)
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 2) ve (En_son_çalıĢma_yılı = 1) ve (YaĢadığı_il =
2)

(Mesleği = 7) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 2)

(Mesleği = 11) ve (YaĢı = 2) ve (Net_geliri = 2) ve (Medeni_durumu = 1)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (Cinsiyeti = 2)
ve (Medeni_durumu = 2)

(Mesleği = 23) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 4) ve
(Net_geliri = 5)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve (Oturduğu_ev =
1) ve (Cinsiyeti = 2)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 5) ve (YaĢadığı_il = 2)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 6) ve (Öğrenim_durumu = 6) ve
(Oturduğu_ev = 1)

(Mesleği = 29) ve (ÇalıĢma_Ģekli = 6) ve (Öğrenim_durumu = 6) ve
(Oturduğu_ev = 2)

(Mesleği = 37) ve (YaĢı = 6) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 5) ve (En_son_çalıĢma_yılı
= 2)
Kural 17 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 17: Eğer (t-7 = S) ve (t-6 = D7) ve (t-1 = D8) = P (10, % 0,67)
Sosyo-demografik karakteristik;
149

(Mesleği = 3) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 1)

(Mesleği = 5) ve (YaĢı = 5) ve (Öğrenim_durumu = 8)

(Mesleği = 8) ve (Öğrenim_durumu = 2) ve (YaĢı = 4) ve (Medeni_durumu
= 1)

(Mesleği = 8) ve (Öğrenim_durumu = 8)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 3) ve (YaĢadığı_il
= 1) ve (YaĢı = 6)

(Mesleği = 11) ve (YaĢı = 1) ve (YaĢadığı_il = 1)

(Mesleği = 12) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
2) ve (Oturduğu_ev = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 7) ve (Oturduğu_ev = 2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 2)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 5) ve (YaĢadığı_il = 4)
Kural 18 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 18: Eğer (t-7 = S) ve (t-6 = D8) ve (t-1 = D8) = P (8, % 0,54)
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 2) ve (En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 2)

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 1) ve
(ÇalıĢma_Ģekli = 3) ve (Cinsiyeti = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 3) ve
(Cinsiyeti = 1)

(Mesleği = 19) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve
(Medeni_durumu = 1) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 1) ve (YaĢı = 2)
150

(Mesleği = 24) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 3) ve (YaĢı
= 2) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 4) ve (YaĢı = 4)

(Mesleği = 38) ve (YaĢı = 5) ve (Öğrenim_durumu = 6)
Kural 19 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 19: Eğer (t-7 = S) ve (t-6 = Y1) ve (t-1 = D8) = P (9, % 0,61)
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 1) ve
(ÇalıĢma_Ģekli = 2) ve (Cinsiyeti = 2) ve (Net_geliri = 5)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il =
1) ve (Cinsiyeti = 1)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 6) ve
(En_son_çalıĢma_yılı = 2)

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 4) ve (YaĢı = 6) ve (YaĢadığı_il =
2)

(Mesleği = 35) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(Medeni_durumu = 2) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 35) ve (Öğrenim_durumu = 7) ve (YaĢı = 6)

(Mesleği = 37) ve (YaĢı = 2) ve (YaĢadığı_il = 2) ve (Cinsiyeti = 2) ve
(Medeni_durumu = 2)

(Mesleği = 42) ve (YaĢı = 6) ve (Öğrenim_durumu = 7)
151
Kural 20 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 20: Eğer (t-7 = S) ve (t-6 = Y3) ve (t-1 = D8) = P (9, % 0,61)
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı =
2) ve (Medeni_durumu = 1)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 6) ve (YaĢadığı_il = 1) ve
(Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve
(En_son_çalıĢma_yılı = 3) ve (Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve (YaĢı = 6)
ve (Oturduğu_ev = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (YaĢadığı_il =
3)

(Mesleği = 34) ve (Öğrenim_durumu = 5) ve (Cinsiyeti = 1)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 5) ve (Öğrenim_durumu =
4) ve (Cinsiyeti = 2)
Kural 21 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 21: Eğer (anapara > 25) ve (t-5 = D8) ve (t-4 = S) ve (t-3 = S) ve (t-2 =
S) ve (t-1 = S) = P (50, % 3,37)
Sosyo-demografik karakteristik;

(Mesleği
=
5)
ve
(YaĢı
=
3)
ve
(Medeni_durumu
=
2)
(En_son_çalıĢma_yılı = 1)

(Mesleği = 8) ve (Öğrenim_durumu = 4) ve (YaĢı = 3) ve (Cinsiyeti = 1)
ve
152

(Mesleği = 8) ve (Öğrenim_durumu = 5) ve (YaĢadığı_il = 1) ve
(En_son_çalıĢma_yılı = 4) ve (YaĢı = 3)

(Mesleği = 9) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 1) ve (YaĢadığı_il
= 1)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 2) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 4) ve (YaĢı = 2)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 5) ve (YaĢı = 5)
ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 3)
ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 10) ve (Net_geliri = 4) ve (Öğrenim_durumu = 6) ve (YaĢı = 4)
ve (YaĢadığı_il = 1) ve (ÇalıĢma_Ģekli = 2)

(Mesleği = 10) ve (Net_geliri = 5) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı =
3) ve (EĢi_çalıĢıyor_mu = 2)

(Mesleği = 11) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Öğrenim_durumu = 4) ve (Oturduğu_ev = 1) ve (Cinsiyeti = 2)

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 1) ve (Medeni_durumu = 2)

(Mesleği = 12) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 3) ve
(Medeni_durumu = 1)

(Mesleği = 12) ve (YaĢı = 5) ve (Öğrenim_durumu = 7)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢadığı_il = 1) ve (Medeni_durumu = 2) ve (YaĢı = 2) ve (otovarmi = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢadığı_il = 1) ve (Medeni_durumu = 2) ve (YaĢı = 4)

(Mesleği = 13) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 1) ve
(Cinsiyeti = 1)

(Mesleği = 14) ve (Öğrenim_durumu = 5) ve (Net_geliri = 2)

(Mesleği = 14) ve (Öğrenim_durumu = 6) ve (YaĢı = 2)

(Mesleği = 18) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 1)

(Mesleği = 18) ve (Öğrenim_durumu = 5) ve (YaĢı = 4)
153

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve
(En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 1)

(Mesleği = 21) ve (Öğrenim_durumu = 1) ve (Cinsiyeti = 2) ve
(YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 2) ve (YaĢadığı_il = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 1)

(Mesleği = 22) ve (Öğrenim_durumu = 7) ve (YaĢı = 6) ve (YaĢadığı_il =
3)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (YaĢadığı_il =
1) ve (Oturduğu_ev = 1) ve (Cinsiyeti = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (YaĢadığı_il =
4)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 1) ve
(En_son_çalıĢma_yılı = 4) ve (Oturduğu_ev = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (YaĢadığı_il = 2)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 2) ve (Oturduğu_ev = 1)

(Mesleği = 26) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 2) ve (Oturduğu_ev = 2)

(Mesleği = 27) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 5)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢadığı_il = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 6) ve (YaĢı = 3) ve (Cinsiyeti = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 2) ve
(Net_geliri = 1)

(Mesleği = 33) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 3) ve
(Cinsiyeti = 1) ve (YaĢı = 4)
154

(Mesleği = 33) ve (Öğrenim_durumu = 6) ve (YaĢı = 4) ve (YaĢadığı_il =
2)

(Mesleği = 33) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 1)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢı = 2)

(Mesleği = 36) ve (Öğrenim_durumu = 5)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 3) ve (Öğrenim_durumu =
6)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 5) ve (Öğrenim_durumu =
4) ve (Cinsiyeti = 1)

(Mesleği = 38) ve (YaĢı = 1) ve (YaĢadığı_il = 4) ve (Net_geliri = 1)

(Mesleği = 40) ve (YaĢı = 5) ve (Medeni_durumu = 2)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 4) ve (Medeni_durumu = 1) ve (YaĢadığı_il = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 1) ve (En_son_çalıĢma_yılı
= 4) ve (Net_geliri = 1) ve (Medeni_durumu = 1)
Kural 22 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 22: Eğer (t-7 = D1) ve (t-1 = D8) = P (1, % 0,07)
Sosyo-demografik karakteristik;

(Mesleği = 11) ve (YaĢı = 2) ve (Net_geliri = 5) ve (Oturduğu_ev = 2) ve
(Cinsiyeti = 2)
Kural 23 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 23: Eğer (t-7 = D2) ve (t-1 = D8) = P (3, % 0,20)
Sosyo-demografik karakteristik;
155

(Mesleği = 8) ve (Öğrenim_durumu = 1) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 10) ve (Net_geliri = 3) ve (YaĢı = 3) ve (Medeni_durumu = 1)
ve (Oturduğu_ev = 4)

(Mesleği = 32) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 2)
Kural 24 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 24: Eğer (t-7 = D3) ve (t-1 = D8) = P (4, % 0,27)
Sosyo-demografik karakteristik;

(Mesleği = 7) ve (En_son_çalıĢma_yılı = 2) ve (ÇalıĢma_Ģekli = 2)

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 2) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 34) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 4) ve
(Oturduğu_ev = 1)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 2) ve
(Öğrenim_durumu = 4) ve (Medeni_durumu = 2)
Kural 25 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 25: Eğer (t-7 = D8) ve (t-1 = D8) = P (2, % 0,13)
Sosyo-demografik karakteristik;

(Mesleği = 21) ve (Öğrenim_durumu = 4) ve (Net_geliri = 3) ve (Cinsiyeti
= 2)

(Mesleği = 30) ve (Öğrenim_durumu = 8)
156
Kural 26 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 26: Eğer (t-7 = Y1) ve (t-1 = D8) = P (12, % 0,81)
Sosyo-demografik karakteristik;

(Mesleği = 9) ve (Öğrenim_durumu = 4) ve (YaĢı = 4) ve (Net_geliri = 3)
ve (Medeni_durumu = 2)

(Mesleği = 14) ve (Öğrenim_durumu = 5) ve (Net_geliri = 4)

(Mesleği = 14) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 4)

(Mesleği = 21) ve (Öğrenim_durumu = 7) ve (YaĢadığı_il = 3) ve
(Oturduğu_ev = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 4) ve (YaĢı = 2) ve (Cinsiyeti = 2)

(Mesleği = 22) ve (Öğrenim_durumu = 6) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 4)

(Mesleği = 26) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (YaĢadığı_il = 1)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢı = 3) ve (Medeni_durumu = 1) ve (YaĢadığı_il = 4)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 1) ve (Öğrenim_durumu =
6) ve (En_son_çalıĢma_yılı = 2) ve (Oturduğu_ev = 3)

(Mesleği = 38) ve (YaĢı = 1) ve (YaĢadığı_il = 2) ve (Net_geliri = 3)

(Mesleği = 42) ve (YaĢı = 2) ve (YaĢadığı_il = 4)

(Mesleği = 42) ve (YaĢı = 3) ve (En_son_çalıĢma_yılı = 1) ve
(Oturduğu_ev = 1) ve (Cinsiyeti = 1)
Kural 27 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 27: Eğer (t-7 = Y2) ve (t-1 = D8) = P (15, % 1,01)
157
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 4) ve (En_son_çalıĢma_yılı = 1) ve
(ÇalıĢma_Ģekli = 2) ve (Cinsiyeti = 1)

(Mesleği = 11) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 2) ve (Net_geliri =
5) ve (Öğrenim_durumu = 4)

(Mesleği = 12) ve (YaĢı = 2) ve (Cinsiyeti = 1) ve (Net_geliri = 3)

(Mesleği = 21) ve (Öğrenim_durumu = 6) ve (En_son_çalıĢma_yılı = 1) ve
(YaĢadığı_il = 1) ve (YaĢı = 3) ve (Medeni_durumu = 2)

(Mesleği = 24) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 5) ve
(En_son_çalıĢma_yılı = 1)

(Mesleği = 25) ve (Öğrenim_durumu = 7) ve (YaĢı = 4)

(Mesleği = 27) ve (Öğrenim_durumu = 2) ve (Cinsiyeti = 1)

(Mesleği = 27) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 4)

(Mesleği = 28) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 35) ve (Öğrenim_durumu = 8) ve (En_son_çalıĢma_yılı = 2)

(Mesleği = 37) ve (YaĢı = 3) ve (YaĢadığı_il = 3) ve (Öğrenim_durumu =
4)

(Mesleği = 38) ve (YaĢı = 5) ve (Öğrenim_durumu = 2)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 3) ve (Oturduğu_ev = 3)

(Mesleği = 42) ve (YaĢı = 1) ve (Net_geliri = 5) ve (YaĢadığı_il = 1) ve
(Cinsiyeti = 2) ve (Oturduğu_ev = 1)
Kural 28 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 28: Eğer (t-7 = Y3) ve (t-1 = D8) = P (2, % 0,13)
Sosyo-demografik karakteristik;

(Mesleği = 11) ve (YaĢı = 4) ve (Öğrenim_durumu = 4) ve
(En_son_çalıĢma_yılı = 2) ve (Cinsiyeti = 1) ve (Medeni_durumu = 1)
158

(Mesleği = 33) ve (Öğrenim_durumu = 4) ve (ÇalıĢma_Ģekli = 2) ve (YaĢı
= 3) ve (YaĢadığı_il = 2)
Kural 29 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 29: Eğer (t-7 = S) ve (t-6 = Y4) ve (t-1 = D8) = P (5, % 0,34)
Sosyo-demografik karakteristik;

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 4) ve (YaĢı = 4)
ve (YaĢadığı_il = 1)

(Mesleği = 24) ve (Öğrenim_durumu = 5) ve (Net_geliri = 5) ve (YaĢı = 3)
ve (Medeni_durumu = 2)

(Mesleği = 28) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 1) ve
(Net_geliri = 5)

(Mesleği = 28) ve (Öğrenim_durumu = 4) ve (Oturduğu_ev = 4) ve
(Medeni_durumu = 2)

(Mesleği = 33) ve (Öğrenim_durumu = 1) ve (YaĢı = 5)
Kural 30 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 30: Eğer (anapara <= 85.95) ve (t-4 = D8) ve (t-3 = S) ve (t-2 = S) ve (t1 = S) = P (6, % 0,40)
Sosyo-demografik karakteristik;

(Mesleği = 3) ve (YaĢı = 5) ve (En_son_çalıĢma_yılı = 1) ve (Cinsiyeti = 2)

(Mesleği = 11) ve (YaĢı = 2) ve (Net_geliri = 2) ve (Medeni_durumu = 2)

(Mesleği = 13) ve (Öğrenim_durumu = 4) ve (En_son_çalıĢma_yılı = 2) ve
(YaĢadığı_il = 2)
159

(Mesleği = 19) ve (Öğrenim_durumu = 6) ve (YaĢı = 6) ve (YaĢadığı_il =
3)

(Mesleği = 25) ve (Öğrenim_durumu = 5) ve (YaĢı = 4) ve (Net_geliri = 2)
Kural 31 ve bu kuralı gerçekleĢtirerek yatırım hesabını kapatan müĢterilerin
sosyo-demografik karakteristiği
Kural 31: Eğer (t-5 = S) ve (t-4 = S) ve (t-3 = S) ve (t-2 = S) ve (t-1 = S) = P
(12, % 0,81)
Sosyo-demografik karakteristik;

(Mesleği = 8) ve (Öğrenim_durumu = 2) ve (YaĢı = 6)

(Mesleği = 8) ve (Öğrenim_durumu = 6) ve (Net_geliri = 4) ve (YaĢı = 3)
ve (Cinsiyeti = 2) ve (En_son_çalıĢma_yılı = 2) ve (Medeni_durumu = 2)

(Mesleği = 9) ve (Öğrenim_durumu = 5) ve (Oturduğu_ev = 2) ve (YaĢı =
4)

(Mesleği = 9) ve (Öğrenim_durumu = 6) ve (Net_geliri = 5) ve
(En_son_çalıĢma_yılı = 1) ve (Oturduğu_ev = 1)

(Mesleği = 13) ve (Öğrenim_durumu = 2) ve (En_son_çalıĢma_yılı = 3)

(Mesleği = 13) ve (Öğrenim_durumu = 5) ve (ÇalıĢma_Ģekli = 3) ve
(Oturduğu_ev = 2) ve (Cinsiyeti = 1)

(Mesleği = 18) ve (Öğrenim_durumu = 5) ve (YaĢı = 5)

(Mesleği = 22) ve (Öğrenim_durumu = 5) ve (En_son_çalıĢma_yılı = 1) ve
(Cinsiyeti = 2)

(Mesleği = 25) ve (Öğrenim_durumu = 8) ve (Net_geliri = 2) ve
(YaĢadığı_il = 1)

(Mesleği = 35) ve (Öğrenim_durumu = 5) ve (YaĢı = 5) ve (Cinsiyeti = 2)

(Mesleği = 42) ve (YaĢı = 5) ve (YaĢadığı_il = 2) ve (Medeni_durumu = 1)
160
6.2.8. Sonuçların yorumlanması
J4.8 algoritması ile yatırım hesabını kapatan müĢterilerin hangi iĢlem detayı
ile hesabını kapattığı bilgisine ulaĢılmıĢ ve ulaĢılan iĢlem detay bilgisi yatırım
hesabını kapatan müĢterilerin hesap kapatma kuralı olarak kabul edilmiĢtir.
Kabul edilen kuralları gerçekleĢtiren müĢterilerin sosyo-demografik verilerini
Id3 algoritması ile analiz ederek yatırım hesabını belirlenen kurala göre
kapatan müĢterinin sosyo-demografik karakteristiği ortaya çıkartılmıĢtır.
En çok karĢılaĢılan yatırım hesabını kapatma kuralı 1. kuraldır. Bu kuralı
takip ederek yatırım hesabını kapatan müĢteri oranı %33.13‟dür. Kurala göre
t-2 ayında hesabında D8 değerine göre iĢlem yapan ve t-1 ayında hiç iĢlem
yapmayan yani hesabında bulunan yatırım fonlarının en az %80‟ini t-2 ayında
satarak t-1 ayında hiç iĢlem yapmamıĢ olan kiĢi t ayında hesabını kapatarak
banka yatırım fonu müĢterisi olmaktan çıkmaktadır. Bu kiĢiler t-1 ayında hiç
iĢlem yapmamıĢ ve t ayında yatırım hesabını kapatmıĢ iseler aslında t-2
ayında hesaplarında bulunan yatırım fonlarının tamamını satmıĢlardır.
MüĢterilerin yatırım hesabındaki fonları satmakta hızlı hareket ettiği ve
yatırım hesabını kapatmak için yalnızca bir ay bekledikleri görülmektedir. Bu
grup müĢterilerin yatırım hesaplarını kapatmamaları için irtibata geçerek ikna
etmek için bankanın fazla zamanı yoktur. Özel ilgilenilmesi gereken bir grup
olduğu açıktır. Bu kuralı gerçekleĢtirerek yatırım fonu hesabını kapatan
müĢterilerin
sosyo-demografik
verilerine
baktığımızda;
çok
değiĢik
mesleklerden, çeĢitli çalıĢma Ģekillerine sahip, değiĢik yaĢ gruplarında kiĢiler
oldukları görülmektedir. Ġlginç özelliklerden biri, mesleği 2 yani asker ve 39
yani Ģoför olan müĢterilerin tamamı bu kurala göre hareket etmektedir.
Yine çok karĢılaĢılan yatırım hesabını kapatma kuralı 2. kuraldır. Bu kuralı
takip ederek yatırım hesabını kapatan müĢteri oranı ise %23.84‟dür. Kurala
göre t-7 ve t-6 aylarında iĢlem yapmayarak t-1 ayında hesabında D8
değerine göre iĢlem yapan ve t ayında hesabını kapatarak banka yatırım
fonu müĢterisi olmaktan çıkmaktadır. Bu kurala göre yatırım hesabını
161
kapatan müĢterilerin 1. kurala göre yatırım hesabını kapatan müĢterilere göre
daha hızlı hareket ettiği, hesabını kapatmak için hiç vakit kaybetmedikleri
görünmektedir. 1. kuralda olduğu gibi yine bu grup müĢterilerin yatırım
hesaplarını kapatmamaları için irtibata geçerek ikna etmek için bankanın
fazla zamanı yoktur. Özel ilgilenilmesi gereken bir gruptur. Bu kuralı
gerçekleĢtirerek yatırım fonu hesabını kapatan müĢterilerin sosyo-demografik
verilerine baktığımızda; çok değiĢik mesleklerden, çeĢitli çalıĢma Ģekillerine
sahip, değiĢik yaĢ gruplarında kiĢiler oldukları görülmektedir. Mesleği 4 yani
Bakan, Milletvekili, Bürokrat olan müĢterilerden bay olanlar bu kurala göre
hareket etmektedir.
Çok karĢılaĢılan yatırım hesabını kapatma kurallarından biri de %14.28‟lik
oran ile 3. kuraldır. Kurala göre t-3 ayında hesabında D8 değerine göre iĢlem
yapan, t-2 ve t-1 ayında hiç iĢlem yapmayan, t ayında ise hesabını kapatarak
banka yatırım fonu müĢterisi olmaktan çıkmaktadır. 1. ve 2. kurala göre
yatırım hesabını kapatmak için bir ay daha fazla bekleyen bu grup
müĢterilerin de özel ilgilenilmesi gereken müĢteriler oldukları söylenebilir.
4. kurala göre yatırım hesabını kapatan müĢteriler ise 1., 2. ve 3. kurala göre
kapatan müĢterilere nazaran yatırım hesabın kapatmak için daha yavaĢ
davranmakta, t-4 ayında D8 değerine göre iĢlem yaparak t-3, t-2 ve t-1
aylarında iĢlem yapmadan ve hesapların kapatmadan beklemektedirler.
Mesleği 17 yani iĢçi olan müĢterilerin tamamı ve mesleği 4 yani Bakan,
Milletvekili, Bürokrat olan müĢterilerden bayan olanlar bu kurala göre hareket
etmektedir.
13., 14., 15., 16., 17. ve 18. kurala göre yatırım hesabını kapatan müĢteriler
t-1 ayında D8 değerine göre iĢlem yaparak yatırım hesaplarını kapatmalarına
rağmen t-6 ayında D3, D4, D5, D6 ve D7 değerine göre iĢlem yaparak
yatırım hesaplarını kapatacaklarının sinyallerini vermiĢler fakat D8 değerine
göre iĢlem yaptıktan hemen sonra yatırım hesaplarını kapatmıĢlardır.
162
Hesapları üzerinde yüklü miktarda satıĢ yaparak yatırım hesapları kapatan
müĢterilerin aksine 19., 20. ve 29. kuralları gerçekleĢtiren müĢteriler t-1
ayında D8 değerine göre iĢlem yapmıĢ olmalarına rağmen t-6 ayında Y1, Y2
ve hatta Y4 değerine göre iĢlem yaparak yatırım fonu hesapları
arttırmıĢlardır. Yine bu grup müĢterilerin yatırım hesabını kapatmak için acele
eden müĢteriler arasında yer aldıkları söylenebilir.
Yatırım hesabını kapatma yani hesabında bulunan tüm fonun satılması
iĢleminin satıĢ ağırlıklı olduğu yani D8 iĢleminde yoğunlaĢtığı ortadadır.
MüĢterinin yüksek miktarda satıĢ iĢlemi (özellikle D7 ve D8) yapmadan fark
edilmesi, proaktif davranılarak hesabını kapatmadan bankada kalması için
ikna
edilmesi,
ise
sınıflandırılması
yapılan
sosyo-demografik
karakteristiklerinin takip edilmesi ile mümkün olacaktır. Bunun en çarpıcı
örneği ve kanıtı, mesleği asker veya Ģoför olan tüm müĢterilerin 2. kurala
göre ve mesleği 17 yani iĢçi olan müĢterilerin ise 4. kurala göre iĢlem
yaptıklarının saptanması olmuĢtur.
Parasının değer kaybetmemesi ve kazancından arta kalan paranın tasarruf
araçlarında değerlenmesini isteyen müĢteriler belli yatırım araçlarından
paralarını
değerlendirdikten
sonra
ihtiyaçları
olduğu
zaman
yatırım
araçlarındaki (vadeli mevduat, yatırım fonu, hisse senedi, devlet iç borçlanma
senetleri vb.) tasarruflarını bozdurarak çeĢitli ihtiyaçlarını gidermek isterler.
Bu yüzden yatırım hesabını kapatarak tüm portföyünü boĢaltan müĢterilerin
her zaman kaybedildiği düĢünülmemelidir. Bu müĢterilerin yatırım hesaplarını
kapatarak her zamana baĢka bankaya taĢıdıklarını düĢünmek yanlıĢ olur.
Yatırım hesabındaki parayı tamamen çeken müĢterinin menkul veya
gayrimenkule yatırım yaptığı olasılığı da düĢünülmelidir. Bu durumda
müĢterisinin yatırım hesabını kapatmasını istemeyen banka yönetimi
hesabını kapatmaya meyilli olan ve yaptığımız çalıĢmada ortaya çıkan iĢlem
hareketlerini
gösteren
müĢterileri
önceden
tespit
etmeli,
hesaplarını
kapatmamaları için çeĢitli tutundurma faaliyetleri yapmaları gerekmektedir.
Örneğin müĢteri, konut veya otomobil almak için yatırım hesabındaki parayı
163
tamamen çekmiĢ ve yatırım hesabını kapatmıĢ olabilir. Bu durumun önceden
tespit edilmeli ve bankanın mevcut kredi alternatifleri ile müĢteriye kredi
önerisinde bulunulmalı, yatırım hesabını kapatmadan müĢteriye kredi
kullandırılmaya çalıĢılmalıdır. Bu durumda müĢteri bankanın hem yatırım
fonu müĢterisi hem de kredi müĢterisi olmuĢ olacaktır ki bu durumda banka
müĢteriye hem çapraz satıĢ yapmıĢ hem de müĢterisini kaybetmemiĢ
olacaktır.
164
7. SONUÇ VE DEĞERLENDĠRME
Bilginin, bilgiye ulaĢmanın, rekabet etmek için farkında olmanın öneminin
arttığı günümüz teknolojisinde firmaların veri madenciliği gibi bir bilim ile öne
çıkmak
için
çalıĢma
yapmaları
doğal
bir
gerekliliktir.
MüĢterilerinin
ihtiyaçlarını bilen, onları elde tutmak için çalıĢmalar yapan, onlara hangi
ürünleri hangi zamanlama ve hizmet Ģekli ile sunması gerektiğini planlayan
firmaların rakiplerine göre daha rekabetçi olmaları, pazardan daha fazla pay
almaları ise doğaldır.
Firmaları pazarda daha rekabetçi kılan unsurlardan biri de Ģüphesiz sadık
müĢteri portföyüdür. Sadık müĢteri yapma faaliyeti firmalar için zorlu bir
süreçtir. Bir müĢterinin kazanılması için harcanan reklam ve tutundurma
faaliyetleri giderleri firmanın giderlerinin önemli bir kısmını tutmaktadır. Bu
yüzden firmalar portföyüne kazandırdıkları müĢterileri asla kaybetmek
istemezler.
Bu çalıĢma, kaybedilen yatırım fonu müĢterilerinin kaybedilme sürecinde
göstermiĢ oldukları iĢlem hareket detayının kural haline dönüĢtürülmesi, kural
haline dönüĢtürülen iĢlem hareket detaylarını sergileyerek yatırım hesabını
kapatmıĢ müĢterilerin sosyo-demografik karakteristiğinin çıkartılması ve
bundan sonra hesabını kapatmaya meyilli müĢterilerin tespit edilerek
kaybedilmesinin önlenmesi üzerine yoğunlaĢmıĢtır.
Bu çalıĢmada, belli bir iĢlem geçmiĢinden sonra yatırım hesabını kapatarak
banka müĢterisi olmaktan çıkan müĢterilerin yatırım fonu alıĢ satıĢ talimat
verileri sınıflandırma yöntemleri kullanılarak analiz edilmiĢ, analiz sonuçları
kural haline dönüĢtürülmüĢ, kuralları takip ederek yatırım hesabını kapatan
müĢterilerin sosyo-demografik özellikleri ile tekrar sınıflandırma yapılmıĢtır.
Ġki sınıflandırma yöntemi çıktıları birleĢtirilerek yatırım hesabını kapatma
kuralı
ve
kuralı
gerçekleĢtiren
müĢteri
sosyo-demografik
özellikleri
oluĢturulmuĢtur. WEKA‟ da gerçekleĢtirilen madencilik uygulamasında J4.8,
165
Id3, PART, OneR, JRip ve Naive Bayes gibi algoritmalar sınanarak içlerinden
en uygun olanları seçilmiĢtir. MüĢterinin yatırım fonu alıĢ satıĢ talimat
verilerinin sınıflandırılması için J4.8 algoritması, sosyo-demografik verilerinin
sınıflandırılması için ise Id3 algoritması kullanılmıĢtır.
MüĢterinin yatırım fonu alıĢ satıĢ talimat verilerinin sınıflandırılması
incelendiğinde, herhangi bir t anında D8 değerine göre iĢlem yapmıĢ olma
özelliğinin baskın olarak yatırım hesabını kapatma iĢlemi ile örtüĢtüğü
görülmektedir. MüĢterinin bu iĢlemi yapmadan tespit edilmesine olanak
sağlayan bilgi ise sosyo-demografik verilerin sınıflandırılması sonuçlarında
saklıdır. Birbirinden bağımsız olarak kullanılamayacak bu sınıflandırmalar
beraber kullanıldığında hangi özelliklere sahip müĢterinin hangi iĢlem
davranıĢı ile yatırım hesabını kapatacağı öngörülebilmektedir. Bu öngörü,
bankanın müĢteri kaybetmemek için alacağı önlemlere ıĢıt tutacaktır.
Yapılan çalıĢma ile yatırım hesabını kapatarak banka müĢterisi olmaktan
çıkmıĢ müĢterilerin hangi iĢlem hareket ile hareket ederek yatırım hesabını
kapattığı,
bu
hareketi
gösteren
müĢterilerin
karakteristiğinin ne olduğu belirlenmiĢtir.
sosyo-demografik
Belirlenen sosyo-demografik
karakteristiğe göre yatırım hesabını kapatmamıĢ müĢterilerin hangi iĢlem
hareketi ile yatırım hesabını kapatabileceği öngörülebilmektedir. Hesabını
kapatmaya yönelik iĢlem yapmaya baĢlayan müĢterilerin ise kolayca tespit
edilmesi ve hesaplarını kapatmadan müdahale edilerek bankada tekrar
kazandırılması mümkündür.
Sonuç olarak, tespit edilen sosyo-demografik ve yatırım fonu iĢlemi yapma
özellikleri ile bankada hesabını kapatmaya yönelen müĢteriler tespit
edilebilecek, çeĢitli tutundurma faaliyetleri ile proaktif davranılarak müĢteri
kaybının yaĢanması engellenebilecektir.
166
KAYNAKLAR
1. Han, J., Kamber, M., “Data Mining: Concepts and Techniques 1st ed.”,
Morgan Kaufmann, USA, 3-16, (2001).
2. Dolgun, M.Ö., “Büyük AlıĢveriĢ Merkezleri Ġçin Veri Madenciliği
Uygulamaları”, Yüksek Lisans Tezi, Hacettepe Üniversitesi Fen Bilimleri
Enstitüsü, Ankara, 18-33 (2006)
3. Chien, C F., Chen, L.F., “Data mining to improve personnel selection and
enhance human capital: A case study in high-technology industry”,
Expert Systems with Applications, 34(1): 280-290 (2008).
4. Giudici, P., “Applied Data Mining: Statistical Methods for Business and
Industry 1st ed.”, John Wiley & Sons, England, 1-15, 85-110, (2003).
5. Fayyad, U., Piatetsky-Shapiro G., Smyth P., “From Data Mining to
Knowledge Discovery in Databases,” American Association for Artificial
Intelligence, 3(17): 37-54 (1996).
6. Holsheimer, M., Siebes, A., “Data mining: The search for knowledge in
databases.”, Technical Report , CWI, Netherlands, 12 (1994).
7. Jacobs, P., ”Data Mining: What general managers need to know”, Harvard
Management Update, 4 (10): 8-9 (1999).
8. Hand, D.J., “Data mining: statistics and more ?”, The American
Statistician, 52: 112-118 (1998).
9. Aydoğan, F., “E-ticarette veri madenciliği yaklaĢımlarıyla müĢteriye hizmet
sunan akıllı modüllerin tasarımı ve gerçekleĢtirimi”, Yüksek Lisans Tezi,
Hacettepe Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 10-18, 66-74,
88-95 (2003).
167
10. Witten, I.H., Frank, E., “Data Mining: Practical Machine Learning Tools
and Techniques 2nd ed.”, Morgan Kaufmann, USA, 62-415 (2005).
11. Frank, E., Hall, M., Holmes, G., Kirkby, R., Pfahringer, B., Witten, I. H.,
“WEKA: A Machine Learning Workbench for Data Mining”, University of
Waikato, New Zealand, 7-10 (2004).
12. Kolay, G., “ĠĢletmelerde Bilgi Sistemleri Verimliliğini Arttırmada Veri
Madenciliği Yöntemi: Bir Simülasyon ÇalıĢması”, Yüksek Lisans Tezi,
Zonguldak Karaelmas Üniversitesi Sosyal Bilimler Enstitüsü,
Zonguldak, 32-52 (2006).
13. Shearer, C., “The Crisp-DM model: The new blueprint for data mining”,
Journal of Data Warehousing, 5 (4): 13-23 (2000).
14. Akpınar, H., “Veritabanlarında bilgi keĢfi ve veri madenciliği”, İstanbul
Üniversitesi İşletme Fakültesi Dergisi, 29: 1-22 (2000).
15. Piramuthu, S., “Evaluating feature selection methods for learning in data
mining
applications”,
Thirty-First
Annual
Hawai
International
Conference on System Sciences, 5: 294 (1998).
16. Akbulut, S., “Veri madenciliği teknikleri ile bir kozmetik markanın ayrılan
müĢteri analizi ve müĢteri segmentasyonu”, Yüksek Lisans Tezi, Gazi
Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 7-25 (2005).
17. Dalkılıç, G., Türkmen, F., “Karınca Kolonisi Optimizasyonu”, Yüksek
Performanslı Bilişim Sempozyumu, Kocaeli, (2002).
18. Dorigo, M., Maniezzo, V., Colorni, A., “The Ant System : Optimization by
a colony of cooperating agents”, IEEE Transactions on Systems, Man,
and Cybernetics-Part B, 26 (1) : 1 - 13 (1996).
168
19. Ġnternet: Boğaziçi Üniversitesi “Zeki veri madenciliği: Ham veriden altın
bilgiye ulaĢma yöntemleri”, www.cmpe.boun.edu.tr/~ethem/files/papers/
veri-maden_2k-notlar.doc (1999).
20. Özekes, S., “Veri Madenciliği Modelleri ve Uygulama Alanları”, İstanbul
Ticaret Üniversitesi Dergisi, 2003: 65-82 (2001).
21. Kalıkov, A., “Veri madenciliği ve bir e-ticaret uygulaması”, Yüksek Lisans
Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 22-38 (2006).
22. Chu, W., Lin, T.Y., “Foundations and Advances in Data Mining 1st ed.”,
Springer Publisherss, USA, 25, 100 (2005).
23. Seow, H.V., Thomas, L.C., “To ask or not to ask, that is the question”,
European Journal of Operational Reserch, 183: 1513 – 1520 (2007).
24.
AltıntaĢ,
T.,
“Veri
madenciliği
metotlarından
algoritmalarının uygulamalı etkinlik analizi”,
olan
kümeleme
Yüksek Lisans Tezi,
Sakarya Üniversitesi Fen Bilimleri Enstitüsü,
Sakarya, 14 - 16
(2006).
25. Kirkos, E., Spathis, C., Manolopoulos, Y., “Data Mining techniques for
detection of fraudulent financial statements”, Expert Systems with
Applications, 32 : 995 – 1003 (2007).
26. Ġnternet: Two Crows Corporation “Introduction to Data Mining and
Knowledge Discovery,”, http://www.twocrows.com/intro-dm.pdf (2005).
27. Koyuncugil, A.S., “Bulanık Veri Madenciliği ve Sermaye Piyasalarına
Uygulanması”, Doktora Tezi, Ankara Üniversitesi Fen Bilimleri
Enstitüsü, Ankara, 70 - 80 (2006).
28.
Kasap,
E.,
“Sigortacılık
Sektöründe
MüĢteri
ĠliĢkileri
Yönetimi
YaklaĢımıyla Veri Madenciliği Teknikleri ve Bir Uygulama”, Yüksek
169
Lisans
Tezi,
Marmara
Üniversitesi
Bankacılık
ve
Sigortacılık
Enstitüsü, Ġstanbul, 50 - 52 (2007).
29. Yılmaz, L., “A Decision Support System Using Data Mining”, Yüksek
Lisans Tezi, Yeditepe Üniversitesi Fen Bilimleri Enstitüsü, Ġstanbul,
16 - 22 (2002).
30. Yurtoğlu, H., “Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi:
Bazı Makroekonomik DeğiĢkenler için Türkiye Örneği”, Ekonomik
Modeller Ve Stratejik Araştırmalar Genel Müdürlüğü, 12 - 32 (2005).
31. Kantardzic, M., “Data Mining: Concepts, Models, Methods, and
Algorithms”, IEEE Press & John Wiley, USA, 1 - 18, 154 - 155 (2002).
32. Hsu, M.H., “A personalized English learning recommender system for
ESL students”, Expert Systems with Applications, 34 : 683 - 688
(2008).
33. Liao, S.H., Wen, C.H., “Artificial neural networks classification and
clustring of methologies and applications - literature analysis from 1995
to 2005”, Expert Systems With Applications, 32 : 1 - 11 (2007).
34. Han, J., Fu, Y., “Mining Multiple-Level Association Rules in Large
Databases”, IEEE Transactions on Knowledge and Data Engineering,
11 (5) : 798 - 805 (1999).
35. Zaki, M.J., “Parallel and Distributed Association Mining: A Survey”, IEEE
Concurrency Special issue on Parallel Mechanisms for Data Mining,
7 (5) : 14 - 25 (1999).
36. Plasse, M., Niang, N., Saporta, G., Villeminot, A., Leblond, L., “Combined
use of association rules mining and clustring methods to find relevant
links between binary rare attributes in a large data set” , Computationel
Statistics & Data Analysis, 52 : 596 - 613 (2007).
170
37. Frank, E., Hall, M., Holmes, G., Kirkby, R., Pfahringer, B., Witten, I., H.,
“WEKA: A Machine Learning Workbench for Data Mining”, University of
Waikato, New Zealand, 7 - 10 (2004).
38. Bilen, H., “Veri Madenciliği Ġle Bankacılık Sektörü ÇalıĢanlarını
Değerlendirmeye Yönelik Bir Uygulama”, Yüksek Lisans Tezi, Gazi
Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 10 - 12, 45 - 47, 68 - 71
(2008).
39. Ġnternet: Türkiye Ġstatistik Kurumu “Ġllere göre kiĢi baĢına düĢen Gayri
Safi Yurtiçi Hasıla verileri” http://www.tuik.gov.tr/ (2010).
40. Aydoğan, E., Gencer, C., Akbulut, S., “Churn Analysis and Customer
Segmentation of a Cosmetics Brand Using Data Mining Techniques”,
Journal of Engineering anh Natural Sciences, Sigma, 26 (2008).
41. Ahn,, J.H., Han, S.P., Lee, Y.S., “Customer Churn Analysis: Churn
Determinants and Madiation Effects of Partial Defection in the Korean
Mobile
Telecommunications
Service
Industry”,
ScienceDirect,
Telecommunications Policy, 30 : 552 - 568 (2006).
42. Masand, B., Datta, P., Mani, D.R., Li, B., “CHAMP: A Prototype for
Automated Cellular Churn Prediction”, Data Mining and Knowledge
Discovery 3, Netherlands, 219 - 225 (1999).
43. Ruta, D., Nauck, D., Azvine, B., “K Nearest Squence Method and Its
Application to Churn Prediction”, Springer-Verlag, Berlin Heidelberg,
207 - 215 (2006).
44. Huang, B. Q., Kechadi, M. T., Buckley, B., “Customer Churn Prediction
for Broadband Internet Services”, Springer-Verlag, Berlin Heidelberg,
229 - 243 (2009).
171
45. Gopal, R. K., Meher, S. K., “Customer Churn Time Prediction in Mobile
Telecominication Industry Using Ordinal Regression”, Springer-Verlag,
Berlin Heidelberg, 884 - 889 (2008).
46. Farquad, M.A.H., Ravi, V., Raju, S.B., “Data Mining Using Rules
Extracted from SVM: An Application to Churn Prediction in Bank Credit
Cards”, Springer-Verlag, Berlin Heidelberg, 390 - 397 (2009).
47.
Ġnternet:
Türkiye
Ziraat
Bankası
A.ġ.
“Yatırım
Fonları”
Bankası
T.A.O.
“Yatırım
Fonları”
http://www.ziraat.com.tr (2010).
48.
Ġnternet:
Türkiye
Vakıflar
http://www.vakifbank.com.tr (2010).
172
ÖZGEÇMĠġ
KiĢisel Bilgiler
Soyadı, adı
: ÇĠL, Fatih
Uyruğu
: T.C.
Doğum tarihi ve yeri
: 24.09.1983 Ankara
Medeni hali
: Evli
Telefon
: 0 (312) 591 20 61
e-mail
: fatihcil2003@gmail.com
Eğitim
Derece
Eğitim Birimi
Mezuniyet tarihi
Lisans
Gazi Üniversitesi / Endüstri Mühendisliği
2006
Lise
Ankara Bahçelievler Deneme Lisesi
2001
Yıl
Yer
Görev
2007 –
Özel bir banka
Programcı
ĠĢ Deneyimi
2006 – 2007 Özel Ģirket
Yabancı Dil
Ġngilizce, Almanca
DanıĢman
Download