Makine Öğrenmesi (Machine Learning) Nedir?

Makine öğrenmesi (Machine Learning) o kadar yaygın ki; aslında hiç farkında olmadan günde onlarca kez kullanıyoruz. Son 10 yılda, makine öğrenimi ile sürücüsüz araçlar, kendi limitlerini belirleyen robotlar, filmlerde görmeye alıştığımız robot ve insanların konuşmalarına daha çok tanık oluyoruz.

Makine Öğreniminin Sektör Bazlı Kullanım Durumları

Üretim – İmalat: Öngörülü bakım ve durum izleme, Malzeme ve Stok Tahminleri, Satın Alma Eğilimleri, Talep Tahminleri, Süreç Optimizasyonu ve Telematik

Perakende: Tahminli envanter planlaması, tavsiye motorları, satış ve çapraz kanal pazarlama, pazar segmentasyonu ve hedeflemesi, yatırım geri dönüşleri ve değerleme

Sağlık ve Yaşam Bilimi: Hasta verilerini değerlendirerek gerçek zamanlı olarak uyarı ve teşhisler, hastalık tanımlama ve risk katmanlaşma, hasta triyaj optimizasyonu, proaktif sağlık yönetimi, sağlık hizmeti analizleri

Seyahat: Dinamik ücretlendirme, Sosyal medya – tüketici geri bildirim ve etkileşim analizi, müşteri şikayet çözümleri, trafik kalıpları ve tıkanıklık yönetimi

Finans ve Mali Hizmetler: Risk analizi ve regülasyonu, müşteri segmentasyonu, çapraz satış, satış ve pazarlama kampanyası yönetimi, krediye uygunluk değerlendirmesi

Enerji, geri bildirim ve Kamu Hizmetleri: Güç kullanım analizleri, deprem verilerinin işlenmesi, karbon emisyon ve ticaret, müşteriye özel fiyatlandırma, akıllı şebeke yönetimi, enerji arz ve talebi optimizasyonu

Unutmayın ki; iş ve müşteri deneyimlerinizi elinizde bulunan verilerle analiz etmek ve deneyimlemek size farklı kapılar açacaktır. Şirketler için inovasyon, verimlilik, bütünlük ve kurumsal öğrenim günümüzde kaçınılmaz hale gelmiştir.

Makinelerin öğrenmesi tamamen sahip oldukları veriler ile gerçekleşiyor. Görsel olarak makine öğrenmesini bir örnekle açıklamaya çalışalım:

Makine Öğrenmesi Örnek Olay

E-Ticaret ile ilgili bir veri kümesini kullanarak, müşteri bazlı satışlardaki farklılıkları ayırt etmeye çalışalım. Gerçekleştireceğimiz bu örnekte CRM (Müşteri İlişkileri Yönetimi) ile entegrasyon yaparak veri ambarına tüm ayrıntıları dahil ediyoruz.

Almak istediğimiz sonuçlar arasında:

Hangi ürünün hangi müşterilere satılabileceğini;
Potansiyel Müşterileri nasıl değerlendirebileceğimizi göreceğiz.

Sezgisel Davranışlar

Bir ürünün İstanbul satışlarını baz alıp, ilçelerindeki veri noktalarını kategorize ederek sınıflandırma yapalım. Öncelikle gelir seviyesinin yüksek olduğu bir ilçe ile gelir seviyesinin ortalama standartlarda olduğu bir ilçeyi ele alalım. Bu ayrımda referans noktası olarak hemen gelir seviyesinin yüksek olduğu yerin sınıflandırma için makine öğrenmesine gerek kalmadığını düşünebilirsiniz. Aceleci davranmayın:)

Ayrıntılar Eklemek

Peki e-ticaret yoluyla satılan bu ürünün satış analizlerini yapmak için farklı boyutları ekleyerek daha fazla ayrıntıyı ortaya çıkarmak istersek bize nasıl sonuçlar verir?

Dağılım grafiğimizi sadece fiyat bazlı değil; demografik ölçüler (yaş,cinsiyet vb), gelir seviyelerinin kategorilendirilmesi, ilçenin farklı değerlendirme ölçütleri (yaşam alanları, yaşam kalitesi vb) gibi veriler eklendiğinde makine size çok farklı sonuçlar üretecektir. Bu sınırları belirlemek ve veri kümesini çeşitli şekillerde kullanmak sizin elinizde.

Ayrıntılarla sonuçların nasıl dağılım gösterdiğini(dağılım matrisi) çıkarabilirsiniz. Verilerde net olarak görülebilen değerler ürün ile satış ilişkilerindeki ayrıntıları gösterir.

Makine Öğrenmesini Devreye Almak

Verilerdeki şablonları bulma kısmında makine öğrenmesi devreye girer. Bu sınırların belirlenmesi için istatistiksel öğrenmeden faydalanıyoruz. Bu tekniklerden biri olan karar ağaçları verilerdeki değişkenleri teker teker değerlendirir.

Karar Ağaçlarını aşağıdaki gibi dallara ayıralım:

Elit Müşteriler
Potansiyel Müşteriler
Standart Müşteriler

Tahmin doğruluğunu yüksek seviyelere çıkartmak için CRM verilerini dahil etmemiz sonuçların oranlarını yükseltti. Grafik Makine öğrenmesi ile alınan sonuçlarda aşağıdaki detaylara ulaştık:

Elit müşterilerin hangi ürünlere ilgi duyduğunu
Potansiyel müşterilere hangi ürünlerle kampanya yapılabileceğini
Standart müşterilere hangi ürünlerin satılabileceğini

anlamış olduk. Burada bulunan karar ağaçlarına farklı veri kümeleri ekleyerek sonuçların oranlarını arttırabilirsiniz. Ayrıca yeni gelen ürünleriniz ile yeni müşterilerinizi sürekli değerlendirerek gelecek hakkında tahminler alabilirsiniz.

Makine Öğrenmesi ile Tahminlerde Bulunma

Eğitilmiş olan karar ağacı modelimiz ile tüm veri noktalarını her dalda değerlendirerek Müşteri ve Ürün ilişkilerinde aşağıdaki sonuçlar farklı şekillerde değerlendirerek şirketimize daha fazla katkı sağlayabiliriz. Üretilen her sonuç arkada farklı bir durumu tetikleyebilir. Aldığımız bu sonuçlardan aşağıdaki maddeler dahilinde birçok sonuç çıkartabilirsiniz:

Ürün fiyatlarının belirlenmesi
Satış ve Pazarlama kanallarına destek
Ürünlerin stok ihtiyaçlarının tarih bazlı analizi
Kampanya ve indirimlerin kişi bazlı belirlenmesi (Predictive Analytics)
Müşterinin satın alma geçmişine göre ürün önerilerinde bulunmak
Ortalama Gelir ve Giderlerin (Para Kazanma ve Para Kaybetme) belirlenmesi
Basılı içeriğe sahip fatura/makbuz görüntülerinden metin verilerinin ayıklanması
Müşterileri elde tutma

gibi örnekler arttırılabilir.

Gerçeklik ve Ölçümleme ile Deneyim Kazanma

Çıkarılan sonuçların sürekli test edilmesi doğruluk oranlarınızı arttıracaktır. Yeni müşterilerinizin satın alma süreçlerini doğru olarak değerlendirmeniz nokta atışı kampanya ve indirimlerle gelir artışı da getirecektir. Bu deneyimlerin sürekli olarak kazanılması daha kararlı sonuçların ve daha iyi analizlerin önünü açacaktır.

Bulutta Makine Öğrenmesi (Cloud Machine Learning)

Partneri olduğumuz Google Cloud platformu, yönetilebilir ve ölçeklenebilir makine öğrenmesini tüm servisleri ile destekliyor. Ayrıca geliştiriciler için TensorFlow platformunu incelemelerini öneriyoruz. Derin öğrenme (Deep Learning) yeteneklerine de sahip olan Google Cloud platformuna mutlaka göz atın.

Hızlı, büyük ölçekli ve kullanımı kolay Makine Öğrenme hizmetleri için ücretsiz analiz ve destek formunu aşağıdan doldurabilirsiniz.