Makine öğrenmesi tekniklerinin bütçe verimliliğine uygulanması üzerine bir çalışma
A study on the application of machine learning techniques to budget efficiency
- Tez No: 731847
- Danışmanlar: PROF. DR. ALİ ŞEN
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Bütçe, Karar ağacı, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Pazarlama, Performans, Verimlilik, Budget, Decision tree, Machine learning, Machine learning methods, Marketing, Performance, Productivity
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Kültür Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: İşletme Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
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.
Özet (Çeviri)
The aim of this thesis study is to scoring the customers who can be effective in marketing by using various machine learning algorithms by using a smaller number of features on a big data set obtained from sales and promotion information. For this purpose, the customer group that has been reserved for the marketing budget and has been successful is marked on the customer-based marketing data collected for the past years and the data set was analyzed by different machine learning algorithms in KNIME 4.2.1 program. Considering the mathematical and data processing differences of machine learning algorithms, performance analyzes were performed on the data set using decision tree, random forest, multilayer perceptron and gradient boosted algorithms. The results of these algorithms were compared with each other by determining the accuracy, sensitivity, precision, specifity and F-measure ratios. It can be said that each of these algorithms is useful, since the accuracy values obtained from the four algorithms used to determine the customer base where marketing can be effective are close to each other. However, it is seen that the algorithm with the best performance is gradient boosted machines and it is recommended to use this algorithm to determine the customers where marketing can be effective. On the other hand, in terms of applied analysis, after the variable significance analysis, high accuracy values were obtained in model performance measurement by reducing the number of features and minimizing the complexity. On the other hand, high accuracy values were obtained from the performance measurement of the models in which the number of features in the study was reduced and the complexity situations were minimized. In this context, the study is valuable in that it shows that analyzes can be made based on a model created from the most important and correctly selected features.It is expected that the method followed and the findings obtained in this study, in which real world data is used, will contribute and guide data science. As a result of the development of the infrastructure and scope of this work, budget support systems will be created in which companies can provide financial predictions. Improving the infrastructure and scope of this work will allow companies to create budget support systems that can provide financial forecasts.
Benzer Tezler
- Comprehensive risk mapping and fire station optimization for forest fire management: An application in Antalya
Orman yangını yönetimi için kapsamlı risk haritalama ve yangın istasyonu optimizasyonu: Antalya uygulaması
ZÜHAL ÖZCAN YAVUZ
Doktora
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR KABAK
DR. ÖĞR. ÜYESİ İNCİ ÇAĞLAYAN
- Data-driven prediction of lighting energy consumption in tertiary buildings using machine learning
Hizmet sektörü binalarında aydınlatma enerji tüketiminin makine öğrenmesi ile veri odaklı tahmini
AGSHIN RZAZADE
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ LALE ERDEM ATILGAN
- Türkiye'nin hanehalkı tüketiminde engel yasasının makine öğrenmesi yöntemleri ile incelenmesi
Machine learning analysis of Engel's law in Turkish household consumption
ARASH DİANATİ
Yüksek Lisans
Türkçe
2026
Ekonometriİstanbul Nişantaşı ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KADRİYE HİLAL TOPAL
- Makine öğrenmesi algoritmaları ile mali tablolarda hile analizi
Fraud detection in financial statements using machine learning algorithms
NİHAL AKTAŞ
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SELÇUK ÇEBİ
- Makine öğrenimi tekniklerini kullanarak inşaatta risk tabanlı maliyet tahmini
Risk-based cost estimation in construction by employing machine learning techniques
AYNUR HÜRRİYET TÜRKYILMAZ
Doktora
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. GÜL POLAT TATAR