Makine Öğrenmesi Tekniklerinin Bütçe Verimliliğine Uygulanması Üzerine Bir Çalışma

Abstract

Bu tez çalışmasının amacını satış ve promosyon bilgilerinden elde edilen büyük bir veri seti üzerinde daha az sayıdaki özellik sayısının kullanılarak pazarlamanın etkin olabileceği müşteri kitlesinin çeşitli makine öğrenmesi algoritmaları aracılığıyla seçilerek skorlanması oluşturmuştur. Bu amaç doğrultusunda, geçmiş yıllardan beri toplanılan müşteri bazlı pazarlama verileri üzerinden daha önce pazarlama bütçesi için ayrılmış ve başarılı olunmuş kitle işaretlenerek, deney veri seti farklı makine öğrenmesi algoritmaları KNIME 4.2.1 programında analiz edilmiştir. Makine öğrenmesi algoritmalarının matematiksel ve veri işleme farklılıkları dikkate alınarak, veri seti üzerinde karar ağacı, rastgele orman, çok katmanlı algılayıcı ve gradyan artırma algoritmaları kullanılarak performans analizleri gerçekleştirilmiştir. Bu algoritmaların sonuçları doğruluk, duyarlılık, kesinlik, seçicilik ve F-Ölçütü oranları belirlenerek birbirleriyle karşılaştırılmıştır. Pazarlamanın etkin olabileceği müşteri kitlesinin belirlenmesi için kullanılan dört algoritmadan elde edilen doğruluk değerleri birbirlerine yakın olduğundan bu algoritmaların herbirinin kullanışlı olduğu söylenebilir. Ancak en iyi performansı sergileyen algoritmanın gradyan artırma makineleri olduğu görülmüş ve bu algoritmanın pazarlamanın etkin olabileceği kitlenin tespit edilmesinde kullanımı tavsiye edilmiştir. Diğer taraftan, çalışmada özellik sayısının azaltıldığı ve karmaşıklık durumlarının en aza indirgendiği modellerin performans ölçümünden yüksek doğruluk değerleri elde edilmiştir. Bu bağlamda, yapılan çalışma en önemli ve doğru seçilmiş özelliklerden oluşturulan bir modele dayalı analizlerin yapılabileceğini göstermesi açısından değerlidir. Gerçek dünya verilerinin kullanıldığı bu çalışmada, izlenilen yöntemin ve elde edilen bulguların veri bilimine katkı sağlaması ve rehberlik etmesi beklenmektedir. Bu çalışmanın altyapı ve kapsamının geliştirilmesi, şirketlerin finansal öngörüler sağlayabildiği bütçe destek sistemlerinin oluşturulabilmesine olanak sağlayacaktır.