Online Pazarlama’da Veri Madenciliği size ne katabilir?
Veri madenciliği sayesinde büyük miktarda müşteri bilgisini “veri madenciliği” teknikleriyle anlamlı hale getirebilirsiniz. Verilerinizi data mart (veri ambarının daha küçük alt bölümleri) veya veri ambarlarında tutabilir, ya da doğrudan veri tabanınızdan sorgular (query) çekerek gerçekleştirebilirsiniz. Ancak uygun bir model veya istatistiksel algoritma oluşturmadan önce verinin istenen şekle getirilmesi gerekir. Piyasada sizin için istediğiniz verileri anlamlı data martlara çevirecek ücretli ve ücretsiz birçok uygulama bulunur.
Veri madenciliği çalışmaları sonucunda birçok kural ve karmaşık fonksiyon dan yardımıyla üretilen modeller, yığın halinde duran verilerinizdeki desenleri tanımlayarak, müşteri davranışlarını incelemenize olanak verir. Veri madenciliğindeki modeller Eğitimsiz (Unsupervised) ve Eğitimli (Supervised) olarak ikiye ayrılır.
1) Eğitimli (Süpervize / Prediktif) Modeller :
Prediktif modellerde amaç, süreklilik arz eden sayısal özelliklerin (atrribute) tahmin edilmesidir. Bu tip modellerde, inputlar ve attributelar (X) yardımıyla bir output veya hedef değişken (Y) bulunur. Prediktif modeller hedef değişkene inpurtların etkisini araştırır. Prediktif modeller de sınıflandırma (classfication) ve tahminsel (estimation) olarak kendi aralarında ikiye ayrılır.
a) a) Sınıflandırma veya eğilim modelleri (Classification or propensity models):
Bu Bu tip modellemede hedef gruplar önceden zaten bilinmektedir. Modelin amacı ilgili hedefe ulaşılıp ulaşılmayacağıdır. Hangi müşteri gruplarınızın yeni piyasaya süreceğiniz ürünü alıp almayacağını tahmin etmek için bu modellemeyi kullanabilirsiniz. Örneğin bir havayolu firması, sıkça yurtdışı bilet satın alan bir müşterisinin önümüzdeki 3 ay boyunca bilet alıp almayacağını (1 veya 0) tahmin etmek için bu modeli kullanır.
b) b) Tahminsel Modeller (Estimation models) : Bu modelin klasifikiyasyon modelinden farkı outputun rakamsal olarak tahmin edilebilmesidir. Örneğin bir e-ticaret sitesi, sürekli müşterisinin gelecek aylarda kendisinden tahmini olarak kaç TL’lik alışveriş yapacağını bu model ile bulabilir.
2) Eğitimsiz Modeller :
Eğitimsiz modellerde daha önceden bilinen oputputlar yoktur, sadece modele hangi parametrelerin (input fields) gireceğini bilirsiniz. Girişi parametreleri arasındaki ilişkilerin bulunmasında kullanılır.
a)
a) Kümeleme Modelleri (Cluster Models): Cluster modellerde, oluşturulacak müşteri grupları modellemeden önce bilinmemektedir. Özel algoritmalar sayesinde giriş parametrelerinin oluşturduğu doğal veri desenleri ortaya çıkarılır. Bir defa model ve doğal müşteri grupları oluşturulduktan sonra, yeni müşterilerin de skorlanarak mevcut gruplara eklenmesi kolay olur.
b) b) İlişkisel ve Düzenli Modeller (Assocition and Sequence Models): İlişkisel modellerde, bir parametre hem input hem de output olarak görev yapabilir. Farklı olaylar, ürünler, özellikler arasındaki ilişkinin ortaya çıkartılmasında kullanılır. Örneğin süpermarketler birlikte alınan ürünleri bu tip modellerle keşfedip, birlikte satılan ürünleri aynı veya yakın raflarda satabilir. Bebek bezi alanların aynı zamanda bira aldıkları efsanesi de bu tip modeller sonucu ortaya çıkmıştır.