Marketing campaign management using machine learning techniques: An uplift modeling approach
Makine öğrenimi teknikleri kullanılarak pazarlama kampanyası yönetimi: Artımlı modelleme yaklaşımı
- Tez No: 886831
- Danışmanlar: PROF. DR. HURİYE ŞEBNEM BURNAZ
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İşletme (İngilizce) Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 127
Özet
Günümüzün dinamik iş dünyasında şirketler, müşterilerin ilgisini çekmek ve satışları artırmak için çeşitli pazarlama stratejilerine önemli kaynaklar yatırmaktadır. Basılı medya ve satış aramaları gibi geleneksel yöntemlerden çevrimiçi reklamlar ve e-posta pazarlaması gibi dijital yaklaşımlara kadar işletmeler, tüketicilerin dikkatini çekmek ve satın alma davranışını teşvik etmek için çeşitli taktikler kullanmaktadır. Ancak pazarlama kanallarının ve stratejilerinin çoğaldığı bir ortamda pazarlama kampanyalarının gerçek etkisinin tüketici davranışındaki doğal değişikliklerden ayırt edilmesinde büyük bir zorluk ortaya çıkmaktadır. Bu çalışma, pazarlama faaliyetlerinin artan etkilerini ayırt etmede öngörücü analitiğin, özellikle de artımlı modellemenin rolüne odaklanarak bu zorluğu ele almayı amaçlamaktadır. Artımlı modelleme, yalnızca müşteri davranışını tahmin etmekle kalmayıp aynı zamanda pazarlama aksiyonlarının gerçek etkisine de ışık tutarak geleneksel tahmine dayalı analitiğe göre bir avantaj sunmaktadır. Bu yaklaşım, verimli kaynak tahsisi ve yatırım getirisinin artırılması için kilit öneme sahiptir. Tüketici temelli (B2C) bağlamlarda artımlı modelleme üzerine yapılan kapsamlı araştırmalara rağmen, işletmeden işletmeye (B2B) pazarlamadaki uygulaması kapsamlı bir şekilde araştırılmamıştır. Bu çalışma, artımlı modellemeyi B2B pazarlamaya uygulayarak ve gerçek kampanya verilerini kullanarak çeşitli teknikleri analiz ederek bu boşluğu doldurmayı amaçlamaktadır. Geleneksel tahmine dayalı kestirimsel analitiğin, müşteri davranışlarını tahmin etmede ve pazarlama kampanyalarını buna göre tasarlamak için karar vericilere gelecekteki olaylar hakkında tavsiyelerde bulunmada yararlı olduğu bilinmektedir. Ancak bu analizler,“Ne olacak?”sorusu üzerinden tahmin sağladıkları için pazarlamanın müşterilerin davranışları üzerindeki etkisini ölçmede yetersiz kalmaktadır. Veri bilimi çalışmalarının çoğu iş kararlarını iyileştirmeyi amaçlasa da, iş değerini optimize etmek yerine bir tahmin problemini çözmektedir. Alternatif olarak, öngörücü analitik, hedef kitle üzerindeki etkilerini en üst düzeye çıkarmak ve yatırım getirisini artırmak için pazarlama eylemlerinin etkisini belirlemek için kullanışlıdır. Bir öngörücü analitik yöntemi olan artımlı modelleme, hangi müşterilerin hangi aksiyonu alacağını belirlemek için hem uygulama hem de kontrol gruplarını modelleyerek pazarlama etkisinin müşterilerin gelecekteki davranışları üzerindeki artan etkisini tahmin eden yeni bir tekniktir. Hangi müşterilerin ilgili pazarlama kampanyasına gerçekten yanıt verdiğini belirleyerek, işletmelerin kaynaklarını daha verimli bir şekilde tahsis edebilmelerini ve bu sayede daha iyi yatırım getirisi sağlamalarını amaçlamaktadır. Bu çalışmada, Bu araştırmanın amacı, pazarlama kampanyalarının tüketici davranışları üzerindeki etkisini ölçmek için daha doğru bir model geliştirmek ve pazarlama uygulamaları yoluyla müşteriler üzerinde etkili olan eylemleri ayırt etmeye odaklanmaktır. Bunu başarmak için, bu çalışmada pazarlamadaki geleneksel tahmine dayalı analitiğin sınırlamaları ortaya konmakta, pazarlama faaliyetlerinin artan etkilerinin belirlenmesinde öngörücü analitiğin, özellikle de artımlı modellemenin uygulanması araştırılmakta, artımlı modellemenin hangi müşterilerin eylemlerinin gerçekten pazarlama kampanyalarının bir sonucu olduğunu tespit etmek için uygulama ve kontrol gruplarının davranışlarını karşılaştırılmakta ve davranışları belirli pazarlama faaliyetlerinden etkilenme olasılığı en yüksek olan müşterileri hedefleyerek kaynak tahsisini optimize etmeyi ve yatırım getirisini artırmayı amaçlayan gerçek pazarlama kampanyası senaryosunda artımlı modellemenin uygulanması için bir çerçeve geliştirilmektedir. Bu yaklaşım ile, işletmelere pazarlama stratejilerinin etkinliğini değerlendirmek ve geliştirmek için daha hassas bir araç sunarak kestirimsel ve öngörücü analitik arasındaki boşluğun doldurulması amaçlanmaktadır. Pazarlamada tüketiciler ile iletişim, fiyat, yer, ürün ve promosyon gibi temel unsurlardan oluşan pazarlama karmasında hayati bir rol oynar. Bunlar arasında tutundurma, reklam, satış, halkla ilişkiler ve satış promosyonu gibi iletişim unsurlarını yaygın olarak paylaşan pazarlama iletişimi ile güçlü bir şekilde ilişkilidir. Tutundurma karması aracılığıyla, bir ürün tüketici zihninde konumlandırılmadan önce farkındalık yaratılır ve böylece ürün veya hizmet ile satış yapan şirket hakkında olumlu tutumlar geliştirilerek başarılı bir satış gerçekleştirilebilir. Şirketlerin kitleleriyle bağlantı kurmak için kullandıkları yaklaşımlardan biri olarak doğrudan pazarlama, hedeflenen potansiyel müşteriler veya müşterilerle kişiselleştirilmiş, etkileşimli iletişimi kapsamaktadır. Doğrudan pazarlamanın nihai amacı, kampanya alıcılarının davranış değişikliğini olumlu yönde artırarak pazarlama faaliyetlerinin performansını optimize etmek, böylece tüm spesifik pazarlama faaliyetlerinden elde edilen geri dönüşümü ve satışı artırırken, kampanya alıcılarının davranışları üzerindeki olumsuz etkilerini azaltmaktır. Bir öngörücü analitik yöntemi olarak artımlı modelleme, birbirini dışlayan iki veya daha fazla ayrı sınıfın koşullu ortalama eylemini, ilgili uygulama grubundan elde edilen sonucu kontrol grubundan elde edilen sonuçtan çıkararak modellemeye çalışır. Bu sayede, artımlı modelleme işletmelerin pazarlama kampanyası iletişiminden hangi kitlenin en çok pozitif etkileneceğini ayırt ederek örneklemin daha az bir kısmını hedefleyebilmelerini ve pazarlama giderlerinden tasarruf sağlarken geliri korumalarını sağlayabilmektedir. Artımlı modelleme, müşteri kitlesini dört gruba ayırarak“ikna edilebilirler”,“kayıp vakalar”,“kesin olanlar”ve“rahatsız edilmemesi gerekenler”olarak sınıflandırmakta ve buna göre işletmelerin“ikna edilebilirler”grubunu hedefleyerek pazarlama kampanyalarını optimize etmelerine olanak sağlamayı amaçlamaktadır. Bu çalışmada üç artımlı modelleme yöntemi (iki model yaklaşımı, sınıf değişkeni dönüşümü ve artımın doğrudan modellenmesi) gerçek bir B2B pazarlama kampanyası verisi üzerinde uygulanmıştır. İki model yaklaşımı, artımlı modellemede en basit yaklaşım olarak uygulama ve control grupları ile eğitilen iki ayrı model oluşturmakta ve uygulama grubu verilerini içeren model tarafından tahmin edilen sınıf olasılıklarından kontrol grubu verilerini içeren model tarafından tahmin edilen sınıf olasılıklarının çıkartılarak artım hesaplanır. İki model yaklaşımı herhangi bir sınıflandırma problemine uygulanabilir ve doğrudan pazarlama kampanyalarının çoğunda yükselişi tahmin etmek için uygulanması kolaydır. Bununla birlikte, literatürde iki model yaklaşımının artımı tahmin etmek için oldukça kusurlu bir yöntem olduğu tartışılmaktadır. Hiçbir model mükemmel tahmin gerçekleştiremediğinden, iki iyi modelden elde edilen sonuçların birbirinden çıkartılmasıyla iyi bir model elde edileceğinin garantisi bulunmamaktadır. İkinci yöntem olarak sınıf değişkeni dönüşümü yöntemi, satın alma davranışı ve uygulama ya da kontrol grubu aidiyetine göre sınıf değişkenini dönüştürerek tek bir model kurmaktadır. İki modelli yaklaşımdan farklı olarak, sınıf değişkeni dönüşümü yalnızca bir tedavi için hedeflenecek en uygun grup olan“ikna edilebilirler”grubuna odaklanmamaktadır. Bunun yerine,“kayıp vakalar”ve“rahatsız edilmemesi gerekenler”i belirleyerek, pazarlama kampanyası ile bu müşteri gruplarına temas riskini ortadan kaldırmaktadır. Üçüncü yöntem olarak artımın doğrudan modellenmesi, verileri alt popülasyonlara ayırmak ve sınıflandırmak için ağaç tabanlı algoritmalar uygular ve bu da onları uygulama ve kontrol grubu arasındaki farklılıkları modellemek için kullanışlı hale getirir. Karar ağaçlarındaki bölme kriterlerinin özü, doğrudan artımın modellenmesi için uygun olmalarını sağlar. Literatürde, artımı en iyi şekilde tahmin etmek için bölme kriterine uyum sağlamak üzere önerilen çok sayıda yöntem vardır. Ancak, hangi yöntemin en etkili yöntem olduğu konusunda bir fikir birliği bulunmamaktadır. Bu çalışmada, doğrudan artım modellenmesi, random forest ve karar ağacı öğrenicileri kullanılarak gerçekleştirilmiş ve Guelman (2014) tarafından geliştirilen özel R paketi (uplift) kullanılmıştır. Bölme kriteri için, Kullback-Leibler ve kareli Öklid uzaklığı kullanılmış ve sonuçları karşılaştırılmıştır. Veri bilimine dayalı modellerin etkinliğini değerlendirmek için literatürde çeşitli yöntemler kullanılmaktadır. Bu alanda özellikle sınıflandırma modellerini değerlendirmek için Roc eğrisi (işlem karakteristik eğrisi) yaygın olarak kullanılan yararlı bir yöntemdir. Ancak artım modellemesinde, bir birey hem uygulama hem de kontrol grubuna ait olamayacağından, roc eğrileri performansı değerlendirmek için yeterli değildir. Bu nedenle, artım modellerindeki bu ikilemi çözmek ve belirli uygulamaların gerçek etkisini ölçmek için Qini eğrileri kullanılmaktadır. Qini eğrisi, grup başına hesaplanan artan satın alma oranını göstermektedir. Segment grubu başına satın alma artışını hesaplamak için, uygulama ve kontrol grubunun kümülatif satın alma sayısı çıkarılır. Qini eğrisinde dikey eksen kümülatif artan satın alma oranını gösterirken, yatay eksen ise uygulama yapılan grup büyüklüğünü göstermektedir. Bu şekilde oluşturulan eğri, pazarlama uygulamasının potansiyel olumsuz etkisinin görselleştirilmesini sağlamaktadır. Nüfusun bir alt grubuna yapılan uygulamanın, nüfusun tamamına yapılmasından daha yüksek bir satın alma oranı gösteren bir qini eğrisi, iyi bir artım modeli göstergesidir. Dolayısıyla, başarılı bir artım modelinde Qini eğrisi tüm nüfus yerine uygulama grubunun daha küçük bir kısmı hedeflendiğinde daha fazla iyileştirme ve artış sağlamalıdır. Bu çalışmada modellerin performansını değerlendirmek için qini katsayısı ve qini eğrileri kullanılmıştır. Bu çalışmada kullanılan veri seti, bir mobil telekomünikasyon şirketinden anonim olarak toplanan ve Aralık 2020-Ocak 2021 dönemini kapsayan 21.439 B2B müşterinin demografik ve davranışsal özelliklerine dayanmaktadır. Aylık tarife planına ek olarak satın alınabilecek haftalık bir internet paketi ürünü sunulan indirimli bir çapraz satış kampanyasının verilerini içermektedir. Kampanya, müşteriler tarafından okunduğu varsayılan çevrimiçi anlık bildirim ile müşterilere iletilmektedir. Dolayısıyla, uygulama, kampanya anlık bildirimini almak olarak tanımlanmıştır. Bir müşteri anlık bildirim aldığında uygulama grubunda olduğu kabul edilmiş, bildirimin gönderildiği andan itibaren bir haftalık dönem içerisinde satın alma gerçekleştirdiyse bu uygulama sonucu satın alma gerçekleştirdiği varsayılmıştır. Uygulama ve kontrol grubundaki toplam satın alma oranları sırasıyla %6.3 ve %3'tür ve kontrol grubu büyüklüğü, uygulama grubu büyüklüğünden on kat fazla olduğu için artım modellemesi için uygundur (Radcliffe and Surry, 1999). Veri seti gerçek bir pazarlama kampanyasından elde edildiği için modellemeye uygun hale getirmek adına çeşitli veri önişleme adımları gerçekleştirilmiştir. Eksik ve aykırı değerler veri setinin çarpıklığına göre uygun imputasyon yöntemleri ile doldurulmuş veya veri setinden çıkartılmıştır. Veri setinde yer alan satın alan ve almayanların dengesiz dağılımı ise literatürde kullanılan çeşitli örnekleme yöntemleri değerlendirilerek doğruluk ve kesinlik açısından en iyi performansı gösteren“aşırı örnekleme”tekniği ile dengelenmiştir. Aynı zamanda ısı haritası ve varyans artış faktörü yöntemleri ile modele dahil edilmesi gereken değişkenler belirlenmiş ve çoklu bağlantı önlenmiştir. Veri ön işleme adımları sonrası artım modellemesi yöntemleri olan iki model yaklaşımı, sınıf değişkeni dönüşümü ve doğrudan artım modellemesi uygulanmıştır. İki model yaklaşımında hem uygulama hem de kontrol grubu için oluşturulan iki model tüm gözlemlere uygulanarak iki satın alma tahmini elde edilmiştir. Artımın tahmin edilmesi için kontrol grubu model sonuçları, uygulama grubu model sonuçlarından çıkartılmış ve elde edilen artım modelinin sonuçları qini eğrisi ile değerlendirilmiştir. Sonuç olarak bu yöntem ile hesaplanan qini değeri -0.0065 olarak elde edilmiştir. Sonuçlar, literatürdeki diğer çalışma sonuçları ile uyumlu olarak iki modelin birbirinden çıkarılmasının bir artış bulmakta başarısız olduğunu göstermektedir. Negatif qini değeri, belirli bir uygulama yapmanın hiçbir şey yapmamaktan daha kötü sonuçları olduğunu göstermektedir (Guelman, 2014).Qini eğrisi, hedeflenen nüfus oranı arttıkça kümülatif artan kazanımların da arttığını göstermektedir. Ancak, nüfusun neredeyse tamamı hedeflendiğinde maksimum artışa ulaşılmaktadır. Sınıf değişkeni dönüşümü (CVT) yönteminde, bağımlı değişken uygulama grubu aidiyetine göre bir z değişkenine dönüştürülmüştür. Eğitilen model tüm test setine uygulanarak, satın alma oranları tahmin edilmiştir. Sonuçlara göre qini değeri 0.2094 olarak hesaplanmakta ve çizilen qini eğrisinde, pazarlama uygulamasının yapıldığı örneklemin büyüklüğü arttıkça satın alma oranı artmakta, daha sonra hafifçe düzleşmekte ve son segmentlerdeki olumsuz etkiyi yakalayarak azalmaktadır. Bu durum, artım modellemesinde tanımlanan“rahatsız edilmemesi gereken”müşterilerin olumsuz etkisinin model ile tespit edildiğini göstermektedir. CVT yönteminde, uygulama yapılması gereken optimum grup büyüklüğü, popülasyonun yarısı olarak ortaya çıkmaktadır. Bu da pazarlama kampanyası ile hedeflenecek kitlenin yarısının hedeflenmesinin, tüm grubun hedeflenmesiyle elde edilebilecek artıştan daha fazla sonuç vereceğini göstermektedir. Doğrudan artım modellemesinde kullanılan iki bölme kriteri (KL ve ED) için qini sonuçları sırasıyla 0.0913 ve 0.1045 olarak hesaplanmaktadır. Qini değerinin pozitif işaretli olması ve qini eğrisinin hedeflenen nüfus oranı arttıkça kümülatif artan kazançların da arttığını göstermesi dikkat çekicidir. Bununla birlikte, CVT yaklaşımında da ortaya çıktığı gibi, ağaç temelli doğrudan artım modelleri“rahatsız edilmemesi gereken”müşteri grubunu yakalamayı başararak grubun son kesimlerinde artan kazancın azaldığını göstermektedir. Hedef kitlenin %70'ine pazarlama uygulaması gerçekleştirilerek optimum satın alma oranına erişileceği qini eğrisinde gösterilmektedir. Tüm durumlar için en iyi sonucu veren tek bir artımlı modelleme yöntemi yoktur (Röbler vd., 2021). Bu çalışmada verilere üç artımlı modelleme tekniği uygulanmış ve bir B2B pazarlama kampanyasının, geleneksel tahmin modellerine kıyasla artımlı modeller ile artan etkiyi daha kesin bir şekilde tahmin ederek optimize edilebileceği gösterilmiştir. Bulgular, davranışları pazarlama uygulamalarından olumlu etkilenme olasılığı en yüksek olan müşterilerin hedeflenmesini sağlayarak kaynak tahsisini optimize etmede artımlı modellemenin etkinliğini ortaya koymuştur. Artım modelleri arasında, sınıf değişkeni dönüştürme yöntemine sahip model, kampanya kitlesinin yalnızca yarısını hedeflerken artımın %46'sını yakalamayı başarmıştır. Artımlı modelleme literatüründeki önceki çalışmalarla uyumlu olan bu sonuç, artımlı modellerin bir doğrudan pazarlama kampanyası için gerçekten duyarlı müşterileri tahmin etme konusundaki başarısını göstermektedir. Bu çalışma ile Türkçe literatüre artımlı modelleme ilk kez kazandırılmış ve dünya literatüründe B2B bağlamında artımlı modelleme uygulayan az sayıda çalışmadan biri olarak önemli bir katkı sağlamıştır. Geleneksel tahmin modellerinin hangi müşterilerin bir pazarlama uygulamasından olumlu etkilendiğini ayırt etmekte yetersiz kaldığı, buna karşılık artımlı modellemenin hangi müşterilerin pazarlama uygulamasından etkilenerek satın alma yapacağını başarılı bir şekilde belirlediği gösterilmiştir. Bir doğrudan pazarlama kampanyasında daha fazla müşteriyi hedeflemenin her zaman en iyi veya en verimli sonuçları vermediğini ve makine öğrenimi algoritmalarıyla uygulanan çeşitli artımlı modelleme teknikleriyle daha yüksek artışlar elde edilebileceğini göstermek de önemlidir. Dolayısıyla, bu çalışma, doğrudan pazarlama çabalarında gerçekten duyarlı müşterileri hedeflemek için öngörücü analitikte makine öğrenimi uygulamalarını kullanarak pazarlama kampanyalarını iyileştirerek alandaki ilgili çalışmaları genişletmektedir. Bu araştırmadan elde edilen içgörüler, alandaki pazarlama uygulayıcıları için önemli yönetimsel çıkarımlar sunmaktadır. Mevcut rekabet ortamında pazarlama analitiği, işletmelerin büyük hacimli verileri anlamasını ve pazarlama stratejisi için bunlardan yararlanmasını sağlayarak veri odaklı karar vermenin önemli bir parçası haline gelmiştir. Pazarlama yöneticileri, olumlu yanıt vermesi muhtemel müşteriler ile pazarlama faaliyetinden bağımsız olarak satın alma yapacak müşterileri ayırt etmek için artımlı modellemeyi benimseyerek karar vermeyi kolaylaştırabilir ve kaynakların pazarlama uygulamalarından etkilenme olasılığı en yüksek olan bireylere daha iyi tahsis edilmesini sağlayarak kampanya sonuçlarının optimize edebilir. Aynı zamanda geleneksel hedefleme yöntemlerinin gözden kaçırmış olabileceği müşterilerle etkileşim kurarak daha güçlü müşteri ilişkilerini teşvik edebilir ve memnuniyet ve sadakatin artmasını sağlayabilir. Son olarak, artımlı modelleme işletmelerin pazarlama stratejilerinin etkinliğini değerlendirmek ve geliştirmek için işletmelere daha hassas bir araç sunmaktadır. Bu çalışma ile uygulayıcılara, pazarlama analitiğinde makine öğrenimi uygulamalarının anlaşılmasını artırmak için öngörücü analitik ve artımlı modellemeden yararlanmaya yönelik eğitim ve geliştirme girişimlerine yatırım yapmaları tavsiye edilmektedir. Bu çalışmanın sınırlamaları ve gelecekteki araştırmalar için öneriler de çalışma sonucunda sunulmaktadır.
Özet (Çeviri)
In order to engage customers and increase sales, businesses in today's dynamic business environment devote a large amount of resources to a variety of marketing methods. Businesses utilize a variety of strategies to attract customers' attention and encourage them to make a purchase. However even with a wide range of marketing strategies and channels, a fundamental issue still remains: how can businesses effectively evaluate how their marketing campaigns influence consumer behavior? By focusing on the significance of uplift modeling in determining the true impact of marketing initiatives, this research directly addresses this issue. By identifying the incremental impact of marketing initiatives, uplift modeling provides a more sophisticated approach than common predictive analytics which only forecasts customer behavior. The purpose of this research is to explore the limitations of conventional predictive analytics in marketing, investigate the application of prescriptive analytics specifically uplift modeling and develop a framework for implementing uplift modeling in business-to-business (B2B) marketing instances by examining real-world data from the Turkish telecom industry. In this study, three uplift modeling methodologies (two model approach, class variable transformation and modeling uplift directly) performed on a real-world B2B marketing campaign dataset and shown that the marketing campaign can be optimized by predicting the incremental impact more precisely with uplift models than the conventional predictive models. The results revealed how uplift modeling, which enables for the targeting of customers whose behavior is most likely to be positively influenced by marketing efforts, is helpful in improving resource allocation. Out of all the uplift models, the model that used the class variable transformation approach was able to capture 46% of uplift while targeting only the half of the campaign audience. This finding confirms the earlier research in the uplift modeling literature and shows that uplift models are successful in forecasting the truly responsive customers for a direct marketing campaign. It has been demonstrated that conventional response models are inadequate to distinguish which customers are positively impacted by a marketing treatment whereas uplift models successfully identify which customers will make a purchase due to being influenced by the marketing treatment. It is also shown that in a direct marketing campaign, focusing on a larger target audience may not always yield the greatest or most effective outcomes. Instead, different uplift modeling strategies combined with machine learning algorithms can yield higher uplifts.This study makes significant contribution as being the first to introduce uplift modeling in Turkish literature and being one of the few studies to apply uplift modeling in B2B context in the world-wide academic literature that predominantly focused on researches in B2C. Further, it provides valuable managerial insights for marketers to gain deeper customer insights and foster stronger relationships with customers by leveraging uplift modeling.
Benzer Tezler
- Müşteri analitiği ve öneri sistemleri uygulaması
Customer analytics and recommender systems application
ÖZGE ELMAS
Yüksek Lisans
Türkçe
2018
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Alışveriş merkezleri için çeşitli çevresel faktörlere göre müşteri adedi tahminleme çalışması
Estimation of customer numbers for shopping centers according to various environmental factors
ÇAĞATAY ÖZDEMİR
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEZİ ÇEVİK ONAR
- Forecasting for e-commerce sales using supervised machine learning algorithms
Gözetimli makine öğrenmesi algoritmaları kullanılarak e- ticaret satışlarının tahminlenmesi
AYÇELEN PAMUK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMEF ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUNA ÇAKAR
- Perakende hazır giyim firmasında makine öğrenmesi yöntemleriyle satış tahmini
Sales forecasting in a retail fashion company using machine learning methods
ŞEYMA GÖNEN HALICI
Yüksek Lisans
Türkçe
2024
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Neuroscience applications in the area of sustainability
Sürdürülebilirlik alanında nörobilim uygulamaları
TAMARA HUMMADI
Yüksek Lisans
İngilizce
2021
NörolojiBahçeşehir ÜniversitesiSağlık Bilimleri Ana Bilim Dalı
Dr. TİMUÇİN AVŞAR