Makine öğrenimi yaklaşımıyla start-up başarısı tahmini
Predicting start-up success using a machine learning
- Tez No: 957228
- Danışmanlar: PROF. DR. TUNÇ KÖSE
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Muhasebe Finansman Bilim Dalı
- Sayfa Sayısı: 82
Özet
Start-up'ların sınırlı geçmiş finansal verileri ve performans göstergelere sahip olmaması başarı potansiyellerini güvenilir şekilde değerlendirmeyi oldukça zorlaştırmaktadır. Bu çalışma, makine öğrenimi yöntemlerini kullanarak Türkiye'de faaliyet gösteren start-up'ların başarılarını tahmin etmeyi amaçlamaktadır. Çalışma kapsamında start-up'lara ilişkin nicel ve nitel değişkenler kullanılarak start-up'ların başarısını etkileyen faktörler veri odaklı bir yaklaşımla analiz edilmiştir. Veri seti oluşturma sürecinde, Crunchbase ve Startups.watch platformlarından yararlanılmış; 2018-2022 yılları arasında Türkiye'de kurulmuş start-up'lara ait veriler sistematik bir şekilde toplanmıştır. Veri seti üzerinde çeşitli veri ön işleme ve özellik mühendisliği çalışmaları yürütülmüş ve modellemeye hazır nihai veri seti elde edilmiştir. Çalışmanın uygulama sürecinde makine öğrenmesi sınıflandırma algoritmalarından Random Forest, AdaBoost, Gradient Boosting, Voting Ensemble, LightGBM, XGBoost ve RUSBoost olmak üzere yedi farklı makine öğrenmesi algoritması kullanılarak tahmin modelleri geliştirilmiştir. Oluşturulan tahmin modelleri karşılaştırıldığında en başarılı performansı %85,09 doğruluk oranı ile Random Forest algoritması vermiştir. Çalışmada elde edilen bulgular, Twitter ve LinkedIn takipçi sayıları ile web sitesi sıralamalarının, start-up başarısında belirleyici faktörler arasında yer aldığını ortaya koymuştur. Bu faktörleri çalışan sayısı, yatırımcı sayısı ve şirket yaşı takip etmiştir. Çalışma start-up'ların dijital görünürlük alanında performansların finansal veriler kadar önemli olduğunu ortaya koymaktadır. Ayrıca, yatırımcı sayısı ve start-up yaşı gibi değişkenler de start-up'ların başarısını etkileyen diğer önemli faktörler arasında yer almaktadır. Türkiye Start-Up Ekosistemi örneklemiyle yürütülen bu çalışma, literatüre özgün bir katkı sunmaktadır.
Özet (Çeviri)
The limited availability of historical financial data and performance indicators makes it considerably difficult to reliably assess the success potential of start-ups. This study aims to predict the success of start-ups operating in Turkey by employing machine learning methods. Within the scope of the research, both quantitative and qualitative variables related to start-ups were analyzed through a data-driven approach to identify the factors influencing their success. In the data collection process, data from Crunchbase and Startups.watch platforms were systematically gathered for start-ups founded in Turkey between 2018 and 2022. Various data preprocessing and feature engineering techniques were applied to construct a final dataset ready for modeling. During the implementation phase, predictive models were developed using seven different machine learning classification algorithms: Random Forest, AdaBoost, Gradient Boosting, Voting Ensemble, LightGBM, XGBoost, and RUSBoost. Among these models, the Random Forest algorithm yielded the highest performance, achieving an accuracy rate of 85.09%. The findings of the study revealed that the number of Twitter and LinkedIn followers, as well as website rankings, are among the most significant determinants of start-up success. These factors are followed by the number of employees, number of investors, and company age. The study underscores that performance in the domain of digital visibility is as critical as financial data for start-up success. Additionally, variables such as the number of investors and the age of the start-up are also identified as key influencing factors. Conducted within the context of the Turkish start-up ecosystem, this study provides a unique contribution to the literature.
Benzer Tezler
- Modelling and state of charge estimation of lithium-ion batteries
Lityum bazlı batarya hücrelerininmodelleme ve şarj durumu tahmini
MANİ KAZIMI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. METİN GÖKAŞAN
- A machine learning approach to model subjective well-being from a psychological perspective
Psikoloji bilimi yaklaşımıyla öznel iyi hal durumunun makine öğrenmesiyle modellenmesi
NAİL ŞENBAŞ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SADETTİN EMRE ALPTEKİN
- Resource optimization of software development teams working with kanban
Kanban ile çalışan yazılım geliştirme ekiplerinin kaynak optimizasyonu
CİHANGİR ERTABAN
Doktora
İngilizce
2024
Endüstri ve Endüstri MühendisliğiÖzyeğin ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERİNÇ ALBEY
- Yapay zeka tabanlı bara diferansiyel koruma sistemi
Artificial intelligence based busbar differential protection system
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- The analysis of energy efficiency networks through Actor-Network Theory, an example of Turkey
Enerji verimliliği ağlarının Aktör-Ağ Kuramı yoluyla analizi: Bir Türkiye örneği
ATİLLA KILINÇ
Yüksek Lisans
İngilizce
2022
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilim, Teknoloji ve Toplum Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HATİCE SEVİL BALTALI TIRPAN