Dijital pazarlamada makine öğrenimi modelleri ile dönüşüm tahmini
Conversion prediction in digital marketing using machine learning models
- Tez No: 921978
- Danışmanlar: DR. ÖĞR. ÜYESİ ELİF ÇOKER
- Tez Türü: Yüksek Lisans
- Konular: Reklamcılık, İstatistik, Advertising, Statistics
- Anahtar Kelimeler: Dijital Pazarlama, Dönüşüm Tahmini, Makine Öğrenmesi, Rastgele Orman, XGBoost, Lojistik Regresyon, Digital Marketing, Conversion Prediction, Machine Learning, Random Forest, XGBoost, Logistic Regression
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mimar Sinan Güzel Sanatlar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 59
Özet
Dijital pazarlama kampanyalarının başarısını artırmak ve kullanıcı davranışlarını anlamak, işletmelerin öncelikli hedeflerinden biridir. Dönüşüm, dijital pazarlamada bir kullanıcının işletme tarafından hedeflenen belirli bir eylemi gerçekleştirme durumunu ifade eder. Bu eylem, bir ürün satın alma, bir hizmete kaydolma, bir form doldurma gibi işlemleri içerebilir. Bu çalışmada, dönüşüm, bir müşterinin dijital pazarlama kampanyası sürecinde belirlenen hedef bir eylemi gerçekleştirme durumunu ifade etmektedir. Analizde bağımlı değişken olarak kullanılan dönüşüm, müşterilerin pazarlama kampanyalarına verdikleri tepkilerin ve bu tepkileri etkileyen faktörlerin incelenmesine olanak tanımıştır. Çalışma kapsamında, dönüşüm tahminine yönelik lojistik regresyon, rastgele orman ve XGBoost yöntemleri kullanılarak modelleme yapılmıştır. Analiz sonuçlarına göre, rastgele orman ve XGBoost modellerinin lojistik regresyona kıyasla daha yüksek tahmin performansı gösterdiği belirlenmiştir. Bu iki modelde, dönüşüm olasılığını en güçlü şekilde etkileyen değişkenlerin ziyaret başına sayfa sayısı, sitede geçirilen süre ve reklam harcamaları olduğu tespit edilmiştir. Dijital pazarlama perspektifinden değerlendirildiğinde, bu bulgular, kullanıcıların reklamlara olan ilgisini artırmaya yönelik stratejilerin, doğru kampanya türü seçiminin ve site içi etkileşim düzeylerini iyileştirmenin dönüşüm başarılarını önemli ölçüde etkileyebileceğini göstermektedir. Reklam harcamaları ise doğru hedefleme ve bütçe yönetimiyle, dönüşüm oranlarını optimize etmede kritik bir araç olarak öne çıkmaktadır. Bu çalışmada kullanılan veri seti, Kaggle platformundan temin edilmiş olup, analizler RStudio programı aracılığıyla gerçekleştirilmiştir. Elde edilen sonuçlar, dijital pazarlama stratejilerinin optimize edilmesine ve dönüşüm tahmini konusunda değerli içgörüler sunulmasına katkı sağlamaktadır.
Özet (Çeviri)
Enhancing the success of digital marketing campaigns and understanding customer behavior are among the primary objectives of businesses. Conversion, in digital marketing, refers to a user's completion of a specific action targeted by the business. This action could involve purchasing a product, signing up for a service, or filling out a form. In this study, conversion represents whether a customer completed the desired action during the course of a digital marketing campaign. It was used as the dependent variable to investigate customer responses to marketing campaigns and the factors influencing these responses. Modeling was conducted using logistic regression, random forest, and XGBoost methods to predict conversion. According to the analysis results, random forest and XGBoost models demonstrated higher predictive performance compared to logistic regression. In these two models, the most influential variables affecting the likelihood of conversion were identified as pages per visit, time on site and ad spend. From a digital marketing perspective, these findings highlight the importance of strategies aimed at increasing users' interest in advertisements, selecting the appropriate campaign type, and improving site interaction levels to enhance conversion success. Additionally, ad spend emerges as a crucial factor for optimizing conversions through effective targeting and budget management. The dataset used in this study was sourced from the Kaggle platform, and the analyses were performed using the RStudio software. The results provide valuable insights into optimizing digital marketing strategies and predicting conversions.
Benzer Tezler
- Marketing campaign management using machine learning techniques: An uplift modeling approach
Makine öğrenimi teknikleri kullanılarak pazarlama kampanyası yönetimi: Artımlı modelleme yaklaşımı
MELTEM SANİSOĞLU
Doktora
İngilizce
2024
İşletmeİstanbul Teknik Üniversitesiİşletme (İngilizce) Ana Bilim Dalı
PROF. DR. HURİYE ŞEBNEM BURNAZ
- Predictive modeling and customer segmentation to reduce customer churn in a subscription-based business: A data-driven approach
Abonelik tabanlı işletmelerde müşteri kaybını azaltmak için tahmin modelleri ve müşteri segmentasyonu: Veriye dayalı bir yaklaşım
OĞUZ TOPRAK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Bilgi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UMMAN MAHİR YILDIRIM
- Türk sigorta sektöründe kullanılan yeni dijital teknolojiler (Insurtech)
New digital technologies used in Turkish insurance sector (Insurtech)
PINAR AYDEMİR
Doktora
Türkçe
2023
Sigortacılıkİstanbul Ticaret ÜniversitesiSigortacılık ve Risk Yönetimi Ana Bilim Dalı
PROF. DR. ÜNAL HALİT ÖZDEN
- Deniz ticaret endekslerini zaman serisi modelleri kullanarak tahminleme
Forecasting maritime trade indexes by using the time series models
KAAN KOYUNCU
Doktora
Türkçe
2022
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. LEYLA TAVACIOĞLU
- Descriptive and predictive analysis of the NFT market
NFT pazarının tanımlayıcı ve tahmine dayalı analizi
ONUR CAN ÇABUK
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiÖzyeğin ÜniversitesiVeri Bilimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERİNÇ ALBEY