Predicting the next event time in Google Analytics using machine learning
Makine öğrenimini kullanarak Google Analytics üzerinde kullanıcının sonraki etkinlik zamanını tahmin etmek
- Tez No: 728729
- Danışmanlar: DOÇ. DR. ETHEM ÇANAKOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Mühendislik Bilimleri Bilim Dalı
- Sayfa Sayısı: 66
Özet
Web ve mobil uygulamalara ait birçok veri toplanmakta ve işlenmektedir. Birçok kullanıcının bu platformlarda bazı eylemleri vardır ve bu eylemler kuruluşlar için davranışların analiz edilmesini ve tahmin edilmesi açısından önemli bir role sahiptir. Kuruluşlar müşterilere web ve ya uygulamalar aracılığıyla ulaşmaya çalışmaktadır. Gelişen veri işleme ve analitiği işlemleriyle kullanıcılara ait bir çok veri saklanmaya başlandı ve böylece şirketler kullanıcıya dair bir çok fikre sahip oldular. Kullanıcıların demografik bilgileri, websitesi/uygulama üzerindeki tıklama, ziyaret, siteden çıkma, sitede geçirdikleri vakit, hangi ürün/hizmetlere baktıkları, hangi ürünleri sepete ekledikleri, favori ürün/hizmetleri gibi bir çok bilgiye sahip olan şirketler bunları saklamakta ve işlemekte iyi olmalıdırlar. Örneğin, Google Analytics uygulaması bu veriler için iyi bir altyapı hazırlamaktadır. Belirli entegrasyonlar yapıldıktan sonra az önce bahsettiğimiz verileri toplamaya başlar ve uygun bir raporlama sistemi ile şirketlere sunar. Bu verilerle kullanıcının bir sonraki ziyaret tarihi, bir sonraki alacağı ürün, bunu ne zaman alabileceği, websitesine gelen kişiye uygun ürün önerisi sunma, kişinin uygulamayı bırakabileceğinin tahmini gibi bir çok ileriye dönük tahmin çalışması yapılabilir ve uygulamalar bunlar için farklı aksiyonlar alabilir. Bu çalışmada, Google Analytics örnek veri seti kullanılarak kullanıcıların siteyi tekrar ziyaret ederlerse ne zaman olacağı, web ve mobil üzerindeki hareketlerine göre tahmin edilmiştir. Bu çalışmanın diğer çalışmalara göre farklılığı, tahminlemeye bir segmentasyon katmanının eklenmesi ve tahmin özelliklerine kümelerin eklenmiş olmasıdır. Segmentler bir özellik olarak tahmin kümesine eklendiğinde model perfomansının arttığı gözlemlenmiştir. Farklı makine öğrenimi modelleri kullanılmış, en yüksek performans ölçütlerine sahip XGBoost modeli kullanılmış ve bir tahmin çalışması yapılmıştır.
Özet (Çeviri)
A lot of data belonging to web and mobile applications are collected and processed. Many users have some actions on these platforms, and these actions play an important role for organizations in analyzing and predicting behavior. Companies that have a lot of information such as demographic information of users, clicks on the website / application, visits, exit from the site, the time they spend on the site, what products / services they look at, which products users add to the cart, users' favorite products / services and they should be good at storing and processing them. After certain integrations are made, it starts to collect the data we just mentioned and presents it to companies with an appropriate reporting system. With this data, many forward-looking predictions such as the next visit date of the user, the next product to buy, the prediction of churn behavior can be made, and the organizations can take different actions for them. In this study, using the Google Analytics sample data set, when users visit the site again, it was estimated based on their movements on the web and mobile. The difference of this study from other studies is that a segmentation layer is added to the prediction and clusters are added to the prediction features. As the segments were added to the prediction set as a feature, the performance increase is observed. Different machine learning models were used, the XGBoost model with the highest performance criteria was used and a prediction study was made.
Benzer Tezler
- Gömülü sistemlerde sesli komut tanıma
Voice command recognation in embedded systems
CAN ÇETİN
Yüksek Lisans
Türkçe
2020
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Hata raportörünün itibarının hesaplanması ve itibarın hata çözüm süresine etkisi
Measuring bug reporter's reputation and its effect on bug resolution time
MUHAMMED KADİR YÜCEL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN
- Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti
Ship detection by optical satellite images with deep learning method
OSMAN DUMAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Investor attention and social media sentiment in international stock returns and trading activity
Uluslararası hisse senedi getirileri ve işlem hacimlerinde yatırımcı ilgisi ve sosyal medya duyarlılığı
SELİN DÜZ TAN
- Purchase prediction and item prediction with RNN using different user-item interactions
Farklı kullanıcı-ürün etkileşim türlerini kullanarak özyineli sinir ağları ile ürün ve satış tahminlemesi
FULYA ÇELEBİ SARIOĞLU
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN