Intelligent machine learning customer segmentation algorithm
Akıllı makine öğrenimi müşteri segmentasyonları algoritması
- Tez No: 730293
- Danışmanlar: PROF. DR. NAIM MAHMOOD MUSLEH AJLOUNI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Müşteri Segmentasyonu, Makine Öğrenimi, K-mean, Karar Ağacı, Müşteri Tahmini, Customer Segmentation, Machine Learning, K-mean, Decision Tree, Customer Prediction
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 54
Özet
Çevrimiçi alışverişin hızlı büyümesi ve çoğu insanın sosyal medyaya doğrudan güvenmesi, büyük miktarlarda iş verilerinin birikmesine neden oldu. İş verilerinin analizi, yönetime işlerini tanıtmalarına ve şirket gelirlerini artırmalarına yardımcı olacak bilgileri sağlayacaktır. Bu, müşterilerini satın alma tercihlerine ve benzerlik analizine göre sınıflandırmak için Machine Learning (ML) teknolojilerinden yararlanılarak elde edilir. Bu, şirketlere kendi müşterileri hakkında bilgi ve müşterilerini her işlemde öncelikli olarak en sadık müşterileri hedeflemeye yol açabilecek kategorilere ayırma yeteneği ve ayrıca çok tercih edilen ürünün daha fazlasını tercihlerine göre yönlendirerek daha fazla satın alma şansı sağlayarak daha az sadık müşteri grubunun sadakatini artırma şansı sağlayacaktır. Bu proje, K-mean kümeleme, Karar Ağacı ve Rastgele Orman sınıflandırma algoritmalarını kullanarak müşteri segmentasyonuna ve tahminine önerilen bir makine öğrenimi çözümü sağlar. Diğer sınıflandırma modellerine göre iyileştirmeler gösterir. Veri mühendisliği yöntemleri kullanılarak veri kümesinin önceden işlenmesi, müşteri tahmin doğruluğunu üç kümeye ayırarak önemli ölçüde artırır. Önerilen yöntem, segmentasyon için K-mean kullanan öğrenme gösterimlerinin müşteri grupları üzerindeki performansı artırdığını gösterir. Önerilen bu yöntem, modeli İngiltere perakendeci veri kümesinin E-Ticaret Veri Fiili işlemlerinde değerlendirmek için basit bir K-ortalama kümeleme algoritması kullanır. Amaç, müşterilerin önemli görselleştirme, segmentasyon ve tahminlerini yapmaktır. Elde edilen sonuçlardan, daha sofistike bir model ve daha fazla eğitim ve analiz, bu çalışmada elde edilen sonuçları daha da iyileştirecektir.
Özet (Çeviri)
The rapid growth of online shopping and the direct reliance of most people on social media resulted in the accumulation of huge amounts of business data. The analysis of business data will provide management with the information that will help them in promoting their business and improve company revenues. This is achieved by utilizing Machine Learning (ML) technologies to classify their customers based on purchasing preferences and similarity analysis. This will provide the companies with information regarding their own customers plus the ability to split their customers into categories which can lead to targeting the most loyal customers with priority in every transaction, plus the chance to improve the loyalty of the less loyal group of customers, by motivating them to purchase more by directing more of the highly preferred product to them according to their preferences. This project provides a proposed machine learning solution to customer segmentation and prediction using K-mean clustering, Decision Tree and Random Forest classification algorithms. It shows improvements compared to other classification models. The pre-processing of the dataset using data engineering methods significantly improves customer prediction accuracy after segmenting them into three clusters. The proposed method shows that the learning representations using K-mean for segmentation increases performance on the customer groups. This proposed method uses a simple K-mean clustering algorithm to evaluate the model on the E-Commerce Data Actual transactions of the UK retailer dataset. The aim is to make important visualization, segmentation, and prediction of customers. From the results obtained, a more sophisticated model and further training and analysis will further improve the results obtained in this study.
Benzer Tezler
- Baskı çoğaltma endüstrisine yönelik otonom tekliflendirme ve cihaz yönetimi stratejilerinin değerlendirilmesi: Bir karar destek sisteminin tasarımı
Evaluation of autonomous bidding and device management strategies for the print reproduction industry: The design of a decision support system
DENİZ IŞIL ŞİMŞEK
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ÇEVİKCAN
- Makine öğrenmesinde boyutsal indirgeme teknikleri ile mobil oyun kullanıcı segmentasyonu
Mobile game user segmentation with dimensionality reduction techniques in machine learning
GÜLEN ARIKAN KOKKAYA
Doktora
Türkçe
2023
İstatistikMarmara ÜniversitesiEkonometri Ana Bilim Dalı
PROF. DR. İLKNUR ESEN YILDIRIM
- New proposed methods for synthetic minority over-sampling technique
Sentetik azınlık aşırı örnekleme tekniği için yeni önerilen yöntemler
HAKAN KORUL
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Bir e-ticaret firması için rfm analizi ve kümeleme algoritmaları kullanılarak müşteri segmentasyonu ve analizi
Customer segmentation using rfm analysis and customer segmentation and analysis with using clustering algorithms
HAVVA GÜLSÜM ERARSLAN
Yüksek Lisans
Türkçe
2023
İstatistikİstanbul Medeniyet ÜniversitesiUygulamalı Matematik ve Hesaplamalı Bilimler Ana Bilim Dalı
DOÇ. DR. RÜYA ŞEN
- RFMLP based customer segmentation and customer churn analysis in heavy equipment industry using customer transactions data
İş makinesi sektöründe müşteri işlem verilerini kullanarak RFMLP tabanlı müşteri segmentasyonu ve müşteri kayıp analizi
MUSTAFA ÇAMLICA
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FETHİ ÇALIŞIR