Davranışsal Hedefleme, Dijital Pazarlama, Segmentasyon

Veri Madenciliğinin 4 Temel Görevi

include-your-whole-team

Veri madenciliği görevleri genel olarak ikiye ayrılır; tanımlayıcı görevler ve öngörü görevleri. Öngörü görevlerinin amacı, bir varlığın (veri madenciliğinde varlıklar karşımıza kayıtlar olarak çıkıyor) bir özelliğinin diğer özelliklerinden yola çıkarak öngörülmesidir. Öngörülen değer sürekli sayısal bir değer olabileceği gibi kategorik bir veri de olabilir. Tanımlayıcı görevler ise, veri madenciliği teknikleri aracılığıyla, özellikler arasındaki ilişkilerin ortaya çıkarılmasını amaçlar. Tanımlayıcı görevleri ve öngörü görevlerini dört başlıkta toplayabiliriz.

1- Öngörü Modellemesi 

Öngörü modelleme çalışması, çalışma sonucunda belirli bir konuda öngörü için kullanılacak bir model oluşturmayı amaçlar. Öngörüye yönelik modelleme sınıflama ve regresyon olmak üzere ikiye ayrılır. Sınıflama, öngörüyü kategorik olarak yaparken yani öngörü değeri bir kategori olurken, regresyonda ise öngörü değeri sürekli bir sayısal değer olur.

Bankadan kredi almak için başvuran potansiyel bir müşterinin, maaşı, ev sahibi olup olmadığı gibi bilgilerini dikkate alarak, krediyi ödeyip ödeyemeyeceğini öngören bir model oluşturma çalışılması kategorik modellemeye örnektir. Bu örnekte iki kategori vardır; “Krediyi geri ödeyebilir” ve “Krediyi Geri Ödeyemez”. El yazısını tanımaya çalışan bir uygulamada ise her bir harf bir kategoriye denk düşer ve bu durumda Türkçe için yirmi dokuz ayrı kategoriden bahsedebiliriz.

Regresyon için ise, bir gayrimenkulün özelliklerinden yola çıkarak, gayrimenkulün olası satış değerini hesaplayan bir model geliştirilmesini örnek olarak verebiliriz. Bu örnekte öngörülen değer sürekli sayısal bir veridir.

Öneri: Aşağıdaki yazılarımız da ilginizi çekebilir 😉

2- İlişki Analizi

İlişki analizi, veri içinde güçlü bir şekilde ilişkilenmiş özelliklerin keşfini amaçlar. Genelde bu ilişkiler kurallar şeklinde ifade bulur. Verinin özellikleri arasındaki olası ilişkilerin, özellik sayısına bağlı olarak üstel bir şekilde artması nedeniyle, ilişki analizi bir yandan zayıf ilişkileri gözardı ederken, güçlü ilişkileri saptamaya  çalışır. Birliktelik analizinin kullanıldığı alanlardan bir kaçı; gen gruplarının saptanması, web sitesi üzerinde birlikte gezilen sayfaların saptanması ve marketten birlikte satın alınan ürünlerin belirlenmesi sayılabilir.

Marketten birlikte alınma ihtimali yüksek ürünleri saptanmasına Market Sepeti Analizi (Market Basket Analysis) ismi verilmiştir. Market sepet analizi, müşterilerin birlikte satın alma ihtimali yüksek ürünlerin saptanarak, raf yerleşim ve fiyatlamayı ona göre düzenlemeyi ve ciroyu artırmayı amaçlamaktadır.

Market sepet analizi sonucunda krem peynir alanların %80’inin ekmek aldığı bulunmuş ise bu iki ürün grubunu rafları birbirinden uzak raflara koyarak müşterinin markette daha uzun süre dolaşması sağlanabileceği gibi krem peynire yapılacak ufak bir indirime karşılık ekmekte yapılacak daha büyük bir fiyat artışı oluşan karı artıracaktır.

3- Kümeleme

Kümeleme, benzer veya birbirine yakın özellikteki örnekleri diğerlerinden ayırarak, gruplamayı amaçlar. Kümeleme pazarlama için müşteri segmentasyonu veya dokümanların kategorize edilmesi için kullanılabilir.

Dokümanları kümelemek için, ilk olarak dokümanların içinde hangi kelimenin kaç kere geçtiği belirlenir. Her bir doküman, kelime ve geçme sıklığı cinsinden ifade edilir. Daha sonra her bir kelimenin, bir boyuta tekabül ettiği n boyutlu uzayda, dokümanlar kendilerinin temsil eden kartezyen koordinatlarına yerleştirilirler. Örneğin, dokümanımızda x kelimesi 4, y kelimesi 5, z kelimesi 18 kere geçiyor olsun, bu durumda dokümanımız x ekseninde 4, y ekseninde 5 ve z ekseninde 18 noktalarının kesiştiği noktaya yerleştirilir. Daha sonra ilgili teknik aracılığıyla, geometrik olarak  birbirine en yakın noktaları, dolayısıyla dokümanları gruplar.

4- Anomali Analizi

Anomali analizi, eldeki veri kümesi içinde karakteristiği, veri kümesinin genelinden  farklılık gösteren örneklerin bulunmasını amaçlar. Bu tür farklılıklar gösteren verilere anomali adı verilir. Anomali analizinde amaç gerçek anomalileri saptamak ve normal verileri anomali olarak işaretlememektir. Anomali analizinin kullanıldığı alanlara kredi kartı sahtekarlıkları ve ağa izinsiz giriş denemelerinin saptanmasını örnek olarak verebiliriz.

Bankalar kredi kartı ile yapılan her alışverişi kayıt altına alırlar. Örneğin, kişinin genelde alıveriş yaptığı tutarın çok üstünde bir alışveriş veya çok sık yapılan alışveriş bir anomali oluşturur ve potansiyel bir kredi kartı sahtekarlığına işaret eder.

İlginizi Çekebilir:
dijita-dunya-hakkinda-4-dogru
Dijital Dünyayla İlgili Bilmeniz Gereken 4 Temel Doğru
Happy girl with shopping bags texting on smartphone
8 Maddede Mobil E-posta Pazarlama

Lütfen yorumunuzu paylaşın

Yorumunuz

Adınız
Web siteniz

Önceki yazıyı okuyun:
stocksnap_97kuh93okf
Geofencing Nedir?

Lokasyon odaklı teknolojiler hızla gelişiyor ve pazarlamacılar için sıra dışı fırsatlar doğuruyor. Hızla gelişen teknolojiler aynı zamanda değişik kullanım olanakları...

Kapat