İstatistiksel öğrenme yöntemleriyle bağışçı davranışlarının incelenmesi
Investigation of donor behaviour using statistical learning methods
- Tez No: 882137
- Danışmanlar: PROF. DR. AYÇA ÇAKMAK PEHLİVANLI
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Mimar Sinan Güzel Sanatlar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 52
Özet
Sivil toplum kurumları, ihtiyacı olan bireylere yardım sağlamak ve sosyal sorunlara çözüm bulmak amacıyla faaliyet gösteren, kar amacı gütmeyen kuruluşlardır. Sivil toplum kurumları, faaliyetlerini sürdürebilmek için bağış toplamak zorundadırlar. Bağışçıların desteğini alabilmek için ise çeşitli yaklaşımlar kullanmaktadırlar. Bu yaklaşımlardan bir tanesi de istatistiksel öğrenme yöntemlerini kullanmaktır. İstatistiksel öğrenme, sivil toplum kurumlarının bağışçılarla etkileşimini artırmak, bağış miktarlarını optimize etmek ve bağışçıların bağışlarına devam etmelerine yönelik stratejiler oluşturmasında kullanılır. İstatistiksel öğrenme yöntemleri, bağışçı profillerini analiz ederek demografik veriler, bağış geçmişi, eğitim düzeyi gibi faktörleri kullanarak bağışçı davranışlarının tahmin edilmesini sağlamaktadır. Özellikle, düzenli bağış talimatı oluşturan bağışçıların talimatlarına devam edip etmeyecekleri konusunda yapılan tahmin çalışmaları, sivil toplum kuruluşları için kritik öneme sahiptir. Bu çalışma kapsamında, 2010-2024 yılları arasında yapılan bağışları kapsayan düzenli bağış talimatı veren toplam 38.913 bağışçıya ilişkin veri kullanılmıştır. Yapılan tez çalışmasında, farklı istatistiksel öğrenme yöntemleri kullanılarak düzenli bağış talimatı oluşturan bağışçıların talimatlarını iptal edip etmeyeceği üzerine bir tahmin çalışması gerçekleştirilmiştir. Rastgele orman, lojistik regresyon, destek vektör makineleri, naive bayes, XGBoost ve LightGBM modelleri kullanılarak gerçekleştirilen çalışmada, en başarılı modelin belirlenmesi için modellerin tahmin performansları karşılaştırılmıştır. Elde edilen sonuçlara göre XGBoost, LightGBM ve rastgele orman modellerinin özellikle iptal edilen talimatları tahmin etme konusunda diğer modellere göre daha etkili olduğu belirlenmiştir. Yapılan çalışma ile, sivil toplum kurumlarının bağışçılarıyla etkileşimini artırmak, kaynaklarını daha etkin kullanmak ve sosyal amaçlarına daha etkili bir şekilde hizmet etmek için veri odaklı kaynak geliştirme faaliyetlerinin yürütülmesine katkıda bulunulması hedeflenmektedir.
Özet (Çeviri)
Non-governmental organizations are non-profit organizations that operate to provide assistance to individuals in need and to find solutions to social problems. Non-governmental organizations have to collect donations to continue their activities. They use various approaches to gain the support of donors. One of these approaches is to use statistical learning methods. Statistical learning is used to create strategies for non-governmental organizations to increase their interaction with donors, optimize donation amounts and enable donors to continue their donations. Statistical learning methods analyze donor profiles and predict donor behavior using factors such as demographic data, donation history and education level. In particular, prediction studies on whether donors who set regular donation instructions will continue their instructions are of critical importance for non-governmental organizations. The data used in this study belongs to a total of 38,913 donors who gave regular donation instructions, covering donations made between 2010-2024. In the thesis study, a prediction study was carried out on whether donors who created regular donation orders would cancel their orders by using different statistical learning methods. In the study carried out using random forest, logistic regression, support vector machines, naive bayes, XGBoost and LightGBM models, the prediction performances of the models were compared to determine the most successful model. According to the results obtained, it was determined that XGBoost, LightGBM and random forest models were more effective than other models, especially in predicting canceled instructions. The study aims to contribute to the execution of data-driven resource development activities in order to increase the interaction of non-governmental institutions with their donors, use their resources more effectively and serve their social goals more effectively.
Benzer Tezler
- İstatistiksel öğrenme yöntemleriyle bankaların derecelendirilmesi: Türkiye bankacılık sistemi uygulaması
Banks rating using statistical learning methods: An implementation with Turkey banking system
AMURI BINAMAN
Yüksek Lisans
Türkçe
2022
BankacılıkMarmara Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. BİRSEN EYGİ ERDOĞAN
- Çoklu gen hastalıklarının istatistiksel öğrenme yöntemleriyle analizi
Analysis of polygenic diseases using statistical learning methods
MEHMET KORKMAZ
Yüksek Lisans
Türkçe
2007
BiyoistatistikAnkara ÜniversitesiBiyoteknoloji Ana Bilim Dalı
DOÇ. DR. H. GÖKHAN İLK
- Shapley konsantrasyon bölgesindeki galaksilerin istatistiksel öğrenme yöntemleriyle sınıflandırması
Classification of galaxies in shapley concentration region with statistical learning methods
NAZLI DENİZ ERGÜÇ
Yüksek Lisans
Türkçe
2019
İstatistikMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NİDA GÖKÇE NARİN
- Irregular longitudinal data analysis with statistical and machine learning methods in asteroid dataset
Asteroid veri kümesinde istatistiksel ve makine öğrenme yöntemleriyle düzensiz boylamsal veri analizi
İREM TANRIVERDİ
Yüksek Lisans
İngilizce
2023
Astronomi ve Uzay BilimleriOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. ÖZLEM İLK DAĞ
- Derin öğrenme yöntemleriyle deprem şiddeti tahmini
Earthquake intensity estimation with deep learning methods
RABİA UYAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DURMUŞ ÖZDEMİR