Makine öğrenmesi yöntemiyle müşteri davranışının tahmin edilmesi
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Beykent Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Çalışmanın temel amacı, müşteri davranışlarının tahmin edilmesi için makine öğrenimi yöntemlerinin kullanılmasıdır. Bu, işletmelerin müşteri davranışlarını anlama ve analiz etme yeteneklerini artırmalarına yardımcı olan son derece önemli bir amacı temsil etmektedir. İşletmeler için müşteri davranışlarının öngörülmesi, pazarlama stratejilerinin belirlenmesi, ürün ve hizmetlerin iyileştirilmesi ve satışların artırılması açısından kritik bir rol oynamaktadır. Bu tez çalışması, açık kaynak kodlu bir veri seti kullanarak müşteri davranışlarını öngörmeye yönelik bir uygulama üzerinde odaklanmıştır. Veri seti, 10.000'den fazla veri öğesini içeren zengin bir veri kaynağını temsil etmektedir. Bu büyük veri seti üzerinde gerçekleştirilen analizler, makine öğrenimi alanının bir parçası olan derin öğrenme yöntemlerini kullanarak gerçekleştirilmiştir. Uygulamada, uzun kısa süreli hafıza (LSTM), yinelemeli sinir ağı (RNN) ve evrişimli sinir ağı (CNN) gibi önemli makine öğrenimi algoritmaları kullanılmıştır. Bu algoritmalar, veri setinin karmaşıklığını ve yapılarını anlamak ve öngörmek için kullanılan güçlü öğrenme yöntemleridir. Çalışmanın gerçekleştirildiği ortam Python programlama dilidir. Çalışmanın sonuçlarına göre, uzun kısa süreli hafıza (LSTM) yönteminin, yinelemeli sinir ağı (RNN) ve evrişimli sinir ağı (CNN) yöntemlerine göre daha iyi tahmin sonuçları verdiği görülmüştür. Bu, işletmelere müşteri davranışlarını anlama ve tahmin etme konusunda daha iyi bir anlayış sağlama konusunda büyük bir potansiyel sunmaktadır. Sonuç olarak, bu tez çalışması, işletmelerin müşteri davranışlarını öngörme yeteneklerini artırmak amacıyla makine öğrenimi ve derin öğrenme tekniklerinin nasıl kullanılabileceğini göstermektedir. Bu, işletmelerin rekabet avantajı elde etmelerine ve daha iyi hizmet sunmalarına yardımcı olabilir. Ayrıca, makine öğrenimi ve derin öğrenme alanlarında daha fazla araştırma ve geliştirme potansiyelini de vurgulamaktadır. Bu tür çalışmalar, gelecekte müşteri odaklı işletmelerin daha fazla başarı elde etmelerine yardımcı olabilir.
The main purpose of this study is to use machine learning methods for predicting customer behaviors. This represents an extremely important objective as it helps businesses enhance their ability to understand and analyze customer behaviors. Predicting customer behaviors is crucial for businesses in terms of determining marketing strategies, improving products and services, and increasing sales. This thesis focuses on an application that aims to predict customer behaviors using an open-source dataset. The dataset consists of more than 10,000 data entries, representing a rich source of data. Analyses on this large dataset were conducted using deep learning methods, which are part of the field of machine learning. In the application, significant machine learning algorithms such as Long Short-Term Memory (LSTM), Recurrent Neural Network (RNN), and Convolutional Neural Network (CNN) were employed. These algorithms are powerful learning methods used to understand and predict the complexity and structures of the dataset. The programming environment used for this study is Python. According to the results of the study, the Long Short-Term Memory (LSTM) method yielded better prediction results compared to the Recurrent Neural Network (RNN) and Convolutional Neural Network (CNN) methods. This indicates significant potential for providing businesses with a better understanding of and insight into predicting customer behaviors. In conclusion, this thesis demonstrates how machine learning and deep learning techniques can be employed to enhance businesses' capabilities in predicting customer behaviors. This can potentially help businesses gain a competitive advantage and provide better services. Moreover, it underscores the potential for further research and development in the fields of machine learning and deep learning. Such studies could contribute to the success of customer-centric businesses in the future.
The main purpose of this study is to use machine learning methods for predicting customer behaviors. This represents an extremely important objective as it helps businesses enhance their ability to understand and analyze customer behaviors. Predicting customer behaviors is crucial for businesses in terms of determining marketing strategies, improving products and services, and increasing sales. This thesis focuses on an application that aims to predict customer behaviors using an open-source dataset. The dataset consists of more than 10,000 data entries, representing a rich source of data. Analyses on this large dataset were conducted using deep learning methods, which are part of the field of machine learning. In the application, significant machine learning algorithms such as Long Short-Term Memory (LSTM), Recurrent Neural Network (RNN), and Convolutional Neural Network (CNN) were employed. These algorithms are powerful learning methods used to understand and predict the complexity and structures of the dataset. The programming environment used for this study is Python. According to the results of the study, the Long Short-Term Memory (LSTM) method yielded better prediction results compared to the Recurrent Neural Network (RNN) and Convolutional Neural Network (CNN) methods. This indicates significant potential for providing businesses with a better understanding of and insight into predicting customer behaviors. In conclusion, this thesis demonstrates how machine learning and deep learning techniques can be employed to enhance businesses' capabilities in predicting customer behaviors. This can potentially help businesses gain a competitive advantage and provide better services. Moreover, it underscores the potential for further research and development in the fields of machine learning and deep learning. Such studies could contribute to the success of customer-centric businesses in the future.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
