Scoring neighborhoods for locating atm using machine learning

Abstract

Facility location is a general problem that is important for many different sectors and it is even more important when building the facility costs too much. In this project we analyzed the neighborhoods of Turkey and built two different models to estimate the good and bad neighborhoods for locating an ATM, which has significant costs for banks to build one. We used demographic and socio-economic data of 4,504 neighborhoods in Turkey and built models using Linear Regression and Decision Tree techniques of Machine Learning to find the best neighborhoods for locating a new ATM for a new bank entering the market. We compared the results of two machine learning methods and the results showed that we can make successful predictions of the neighborhoods by using machine learning methods which are good to locate an ATM without classical optimization techniques that requires complex calculations and machine learning methods.

Tesis yer seçimi, birçok farklı sektörde var olan genel ve önemli bir sorundur. Eğer kurulmak istenen tesis maliyeti yüksek ve kurması zor / karmaşık bir tesis ise sorun daha da önem kazanmaktadır. Bu projede, Türkiye'nin mahallelerini analiz ettik ve bankalar için oldukça yüksek maliyeti olan “Nereye ATM konulmalı” sorusuna cevap olarak ATM yerleştirmek için iyi ve kötü mahalleleri tahminleyen iki farklı model geliştirdik. Türkiye'deki 4.504 mahallenin demografik, sosyoekonomik ve diğer bazı verilerini kullanarak, sektöre yeni giren bir bankanın hangi mahallelere ATM açması gerektiğini tahminleyen ve Makine Öğreniminin Doğrusal Regresyon ve Karar Ağacı tekniklerini kullanan modeller oluşturduk . İki makine öğrenim yönteminin sonuçlarını karşılaştırdık ve gördük ki geleneksel ve karmaşık olan optimizasyon yöntemi yerine makina öğrenim yöntemlerini kullanarak ATM kurmak için iyi olan mahalleler başarılı bir şekilde tahmin edilebilmektedir.