Machine learning-driven optimization: Applications in retention management and rank aggregation
Makine öğrenmesi tabanlı optimizasyon: Tutundurma yönetimi ve sıralama toplulaştırma uygulamaları
- Tez No: 895667
- Danışmanlar: DR. ÖĞR. ÜYESİ ERİNÇ ALBEY
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 97
Özet
u tez kapsamında, dijital pazarlama ve paylaşım ekonomisi alanlarındaki karmaşık optimizasyon problemlerinin zorlukları ele alınmış ve çözüm için Makine Öğrenmesi (MÖ) ve Yöneylem Araştırması (YA) teknikleri arasındaki sinerji incelenmiştir. Dijital pazarlama konusunda gerçek bir müşteri sadakat yönetimi çerçevesi önerilmiş, paylaşım ekonomisi alanında ise yolculuk paylaşımı problemi için sıra toplulaştırma (agregasyon) temelli bir eşleştirme yaklaşımı sunulmuştur. Çalışma, müşteri sadakat oranını artırmak ve yolculuk paylaşım operasyonlarını optimize etmek için MÖ'nün tahmin doğruluğunu YA'nın karar verme stratejileri ile birleştiren yenilikçi modeller geliştirmeyi amaçlamaktadır. Araştırmada teorik kavramlar pratik uygulamalarla birlikte incelenmiş ve bu sayede operasyonel verimlilikte önemli iyileştirmeler sağlayan sofistike algoritmaların oluşturulması hedeflenmiştir. Giriş bölümünde, MÖ ve YA arasındaki sinerji potansiyeli özetlenmekte ve gerçek dünya sorunlarını çözmek için disiplinler arası bir yaklaşıma duyulan ihtiyaç vurgulanmaktadır. Uygulama tarafında, dijitalleşmiş verinin kolay erişilebilir olmasından dolayı müşteri sadakati ve yolculuk paylaşımı problemlerine odaklanılmıştır. Bu sayede problemin çözümü için gelişmiş analitik tekniklerin kullanılması mümkün olmuştur. MÖ ve YA tekniklerinin entegrasyonu ile geliştirilen uygulamalar, hedeflenen problemlerdeki karar verme süreçlerini iyileştirmiş ve operasyonel verimliliği artırmıştır. Çalışmada, müşteri sadakatini kontrol etmek için kullanılan kestirimci modeller ve geliştirilen veriye dayalı yolculuk paylaşımı eşleştirme algoritması mevcut modellere göre kayda değer seviyede daha iyi performans göstermiştir. Bu sonuç MÖ ve YA teknikleri arasındaki sinerjinin fayda sağlayabildiğini teyit etmektedir. İleride yapılacak araştırmalar, daha büyük veri kümelerini işleyebilen ve gerçek zamanlı analizler sunabilen daha gelişmiş algoritmalar geliştirmeye yönelik olabilir. Tez ayrıca, karmaşık sistemsel zorlukları keşfetmek için daha fazla disiplinler arası çalışmayı teşvik etmekte ve önerilen modellerin kapsamını ve etkinliğini genişletmeyi vaat etmektedir.
Özet (Çeviri)
This thesis examines the synergy between Machine Learning (ML) and Operations Research (OR) to tackle complex optimization challenges in digital marketing (through proposing a genuine retention management framework) and sharing economy (via introducing a rank aggregation based matching approach for ride pooling problem). It aims to develop innovative models that combine ML's predictive accuracy with OR's decision-making strategies to enhance customer retention and optimize ride-sharing operations. The research follows a structured progression from theoretical concepts to practical applications, leading to creation of sophisticated algorithms that demonstrate significant improvements in operational efficiency. The introduction outlines the synergistic potential between ML and OR, emphasizing the need for a cross-disciplinary approach to solve real-world problems. It focuses on the application areas of customer retention and ride pooling. The reasoning behind these application areas is that these fields posses digital data, which makes possible to deploy advanced analytical techniques. Developed applications reaffirms the successful integration of ML and OR, as evidenced by enhanced decision-making processes and operational efficiencies in targeted applications. The results show notable advancements in predictive models for customer retention and a data-driven ride-matching algorithm, both of which significantly outperform the existing methods. Future research is directed towards developing more advanced algorithms that can handle larger datasets and deliver real-time analytics. The thesis also encourages further interdisciplinary studies to explore complex systemic challenges, promising to extend the scope and efficacy of the proposed models.
Benzer Tezler
- Fractional-order derivative based adaptive methods for control and optimization
Kontrol ve optimizasyon için kesir mertebeli türev tabanlı adaptif yöntemler
MERT CAN KURUCU
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDE GÜZELKAYA
PROF. DR. İBRAHİM EKSİN
- Data driven optimization and applications in complex real-life problems
Veri güdümlü optimizasyon ve kompleks gerçek hayat problemlerinde uygulamaları
NURULLAH GÜLEÇ
Doktora
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR KABAK
- Optimization and machine learning in MRI: Applications in rapid mr image reconstruction and encoding models of cortical representations
MRG'de optimizasyon ve makine öğrenimi: Hızlı mr görüntü rekonstrüksiyonu vebeyindeki temsillerin kodlama modellerine uygulanışı
MOHAMMAD SHAHDLOO
Doktora
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- Data driven optimization of structural and dynamical properties of parts manufactured via selective laser melting process using machine learning and finite element analysis methods
Seçici lazer ergitme prosesi ile üretilen parçaların yapısal ve dinamik özelliklerinin makine öğrenmesi ve sonlu elemanlar analizi yöntemleri kullanılarak veri odaklı optimizasyonu
CAN BARIŞ TOPRAK
Doktora
İngilizce
2024
Makine MühendisliğiHacettepe ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. CAN ULAŞ DOĞRUER
- Reinforcement learning-driven ensemble neural networks for heart disease prediction
Kalp hastalığı tahmini için takviyeli öğrenme tabanlı topluluk sinir ağları
ÖZGE HÜSNİYE NAMLI DAĞ
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA YANIK ÖZBAY