Veri madenciliği (Data Mining) nedir? sorusundan başlayarak doğru kararlar almak ve zorlu rekabet ortamlarında satışları artırmak mümkün!

İşinizi ve müşterilerinizi daha iyi anlamanıza yardımcı olacak teknikler ilginizi çekiyorsa üretimden tedarik zincirine, pazarlamadan müşteri deneyimine kadar tüm süreçlerden elde edilen verileri gelire dönüştürebilirsiniz.

Veri Madenciliği (Data Mining) Nedir?

Veri madenciliği (Data Mining); veri tabanları ve depolama aygıtları gibi havuzlarda depolanan büyük miktarda veriyi analiz ederek korelasyonları, modelleri veya eğilimleri keşfetme tekniğidir.

Titizlikle uygulandığında etkili pazarlama stratejileri geliştirmenize, müşterileriniz hakkında daha fazla bilgi edinmenize, gelirinizi artırıp maliyetleri düşürmenize olanak tanır.

Veri madenciliği, büyük veri kümelerinde gizli, geçerli ve potansiyel olarak yararlı modeller arar. Veriler arasındaki beklenmedik, önceden bilinmeyen ilişkileri keşfetmekle ilgilenir.

Veri madenciliği istatistik, makine öğrenmesi ve veri tabanı sistemlerinin kesişim noktasında farklı yöntemler içerir. Diğer istatistiksel veri uygulamalarına kıyasla uygun maliyetli ve verimli bir çözümdür.

Veri madenciliğinin genel amacı belirli bir veri kümesinden en alakalı bilgileri çıkarmak ve bu verilerin daha sonra kullanılmak üzere yapılandırılmasını sağlamaktır.

Veri Madenciliğinin Faydaları

VERİ MADENCİLİĞİ, TRENDLERİN TAHMİN EDİLMESİNİ VE GİZLİ KALIPLARIN OTOMATİK OLARAK KEŞFEDİLMESİNİ KOLAYLAŞTIRIR.

Makine öğrenmesi, doğal dil işleme (NLP) ve yapay zeka gibi gelişmiş teknolojilerin çok önemli bir parçası olan veri madenciliği; şirket sorunlarını çözme, riskleri azaltma ve yeni fırsatları yakalama konularında artılar sunar. Örneğin, terk edilmiş sepetlerle ilgili hatırlatma e-postalarını potansiyel müşterilere göndermeniz gereken en uygun zamanı veri madenciliği sayesinde belirleyebilirsiniz. Veri modellerinin analizi ile bu tip durumlarda 48 saat sonra gönderilen e-postaların, 24 saat sonra gönderilenlerden daha yüksek dönüşüm oranına sahip olduğu bilgisine ulaşabilirsiniz.

Çok büyük miktarda veriyi kısa sürede analiz etmeyi kolaylaştıran veri madenciliği, kuruluşların operasyon ve üretimde kârlı ayarlamalar yapmasına yardımcı olur. Trendlerin ve davranışların tahmin edilmesini ve gizli kalıpların otomatik olarak keşfedilmesini kolaylaştırır.

Veri madenciliği, az ya da çok her miktarda verinin mevcut olduğu her tür işletme için uygulanabilir. Farklı sektörlerdeki dev şirketlerin ve küçük veya orta ölçekli işletmelerin veri madenciliğinden nasıl yararlanabileceğini şu şekilde özetleyebiliriz:

• Müşteri tercihlerini tahmin etmek: Müşterinizin satın alma geçmişini takip etmek ve buna dayanarak ne satın alacaklarını tahmin edebilmek veri madenciliğinin en anlamlı hediyelerindendir. Bir müşterinin hamile olduğunu bu şekilde anlayabilir ve hamilelere özel teklifler sunabilirsiniz.
• Ürün önerileri sunma: Veri madenciliğinin e-ticaret sitelerinde ürün önerileri için kullanılması satışları artırır. Bu ayrıca müşteriler için özelleştirilmiş kullanıcı deneyimi anlamına gelir ve oldukça pratiktir.

• Pazarlama kampanyalarını optimize etmek: Veri madenciliği, işletmelerin hangi pazarlama kampanyalarının en fazla etkileşimi sağlayacağını anlamasına, müşterileri sınıflandırmasına ve pazarlama harcamasını optimize etmesine yardımcı olur.

• Olası dolandırıcılıkların tespiti: Satış noktası (POS cihazı) verilerinin analizi, hileli işlemlerin tespit edilmesine olanak tanır. Bankalar ve sigorta acenteleri, prim ödemelerinde temerrüde düşme veya dolandırıcılık iddialarında bulunma olasılığı yüksek olan müşterileri belirlemek için veri madenciliği tekniklerini kullanmaktadır.

• Doğru karar alma: Yalnızca sezgiler veya deneyimlere güvenmek yerine, verilerden oluşturulan iç görüler daha iyi kararlar vermenize yardımcı olabilir. Örneğin, ürününüzün yüksek fiyat nedeniyle satılmadığını düşünürken, veri analizi ile asıl sebebin yetersiz dağıtım kanalı olduğunu anlayabilirsiniz. Bu tür iç görüler, sorunların tanımlamasına olanak tanır.

  Dilerseniz Veri Analizi Nedir? adlı yazımızdan veri analizinin nasıl yapıldığına dair açıklamalara göz atabilirsiniz.

Veri madenciliği çalışan davranışını anlamak, yıpranmayı tahmin etmek ve İK politikalarını değerlendirmek için de kullanılabilir.

• Çalışanlar ve İK politikaları hakkında iç görü: Veri madenciliği yalnızca dış pazar performansının iyileştirilmesine yardımcı olmakla kalmaz, aynı zamanda çalışan davranışını anlamak, yıpranmayı tahmin etmek ve İK politikalarını değerlendirmek için de kullanılabilir. Madencilik verileriyle, çalışanların neden ve ne zaman şirketten ayrıldığını öğrenebilir, memnuniyet düzeyleri düşük veya uzun süredir terfi almayanların istifasını önleyebilirsiniz.

Veri Madenciliği Yöntemleri Nelerdir?

Veri madenciliği teknikleri, sınıflandırma yöntemlerinden karmaşık makine öğrenimi algoritmalarına kadar tüm veri bilimi tekniklerini kapsayabilir.

Sınıflandırma Analizi

Sınıflandırma Analizi (Classification Analysis), en temel veri madenciliği tekniklerinden biridir ve verileri farklı kategorilere ayırmaya yarar. Sınıflandırma analizinin amacı, davranışı tahmin edebilmek veya önemli bir sorusuyu cevaplamaktır. Örneğin, bir kredi kartı şirketi veri tabanındaki hangi kullanıcıların kredi kartı teklifi alması gerektiğini belirlemeye çalışırken satın alma geçmişi ve yıllık gelir gibi bilgileri analiz eder ve kullanıcıları ‘düşük riskli’, ‘orta riskli’ ve ‘yüksek riskli’ olarak sınıflandırabilir.

Bir başka sınıflandırma analizi örneği de Gmail’in e-postaları belirli temel özelliklere göre birincil, sosyal veya promosyon olarak kategorilere ayırmasıdır.

İlişkilendirme Kural Öğrenimi

Pazar araştırmacıları arasında popüler olan İlişkilendirme Kural Öğrenimi (Association Rule Learning), sıklıkla birlikte meydana gelen olayları ortaya çıkarmak için büyük veri kümelerindeki değişkenler arasında ilginç ilişkiler arar.

Örneğin, ürün tasarımcıları, 40 ila 50 yaşları arasındaki kadınların siyah ürünleri satın almayı sevdikleri bilgisi ile bu rengi yeni bir ürün serisine dahil edebilir. Perakendeciler, müşterilerin birlikte satın aldıkları ürün çiftlerini bulmak için de ilişkilendirme analizini kullanabilir.

Regresyon Analizi

Lojistik regresyonun çalışması için, değişkenin “ikili” olması gerekir.

Regresyon analizi bir veri kümesinde bulunan diğer değişkenlere dayalı olarak sürekli değerleri tahmin etmek için kullanılır. Örneğin, talep, kullanılabilirlik ve diğer faktörlere dayalı olarak bir ürünün gelecekteki fiyatını tahmin etmek için regresyon analizini kullanabilirsiniz. En sık kulanılan regresyon teknikleri Doğrusal Regresyon ve Lojistik Regresyon olarak bilinir.

• Doğrusal Regresyon (Linear Regression): Diğer değişkenleri analiz ederek bilinmeyen bir değişkenin değerini tahmin eder. Örneğin, yakın zamanda satılan işletmelerle ilgili verilerle (işletme türü, konum, boyut, satış fiyatı, satış tarihi…) başka bir işletmenin piyasa değerini konuma, sektöre veya gelecekteki satış tarihine göre tahmin edebilirsiniz.

• Lojistik Regresyon (Logistic Regressions): Bu algoritma, bir değişkenin belirli bir sonucu destekleyip desteklemediğini tahmin etmek için değerlidir. Lojistik regresyonun çalışması için, değişkenin “ikili” olması gerekir. Başka bir deyişle, bir değişkenin varlığının ya da var olmamasının bir “evet veya hayır” cevabını nasıl etkilediğini araştırıyor olmanız gerekir.

Kümeleme

Kümeleme ile elde edilen veriler, reklam kampanyalarında yeni müşterileri hedeflerken kullanılabilir.

Kümeleme (Clustering) tekniği, benzer ve farklı öğeleri bir arada organize eder. Kümeleme; anlamlı, aranabilir ve analiz edilebilir bir yapı sağlamak için yapılandırılmamış bir veri kümesindeki nesneler arasındaki ilişkileri tanımlar. Örneğin, müşterilerinizin % 35’inin 25-40 yaşlarında erkeklerden oluştuğunu ve lacivert şapkadan hoşlandığını öğrenebilirsiniz. Bu bilgiler, reklam kampanyalarında yeni müşterileri hedeflerken değerli olabilir.

Aykırı Değer Tespiti

Aykırı Değer Tespiti (Outlier Detection), verilerdeki anormallikleri görmemizi sağlar. Anormallik veya aykırı değer, beklenen modellerden önemli ölçüde sapan bir değer veya değerler kümesidir. Özellikle sahtekarlık tespiti, siber saldırı izlemesi ve sistemlerin performansının izlenmesi açısından kullanışlıdır.

Zaman Serisi Tahmini

Zaman Serisi Tahmini (Time Series Forecasting), bir makine öğrenimi modelidir ve belirli eylemler için en iyi zamanlamayı tahmin etmek için kullanılır. Tarihsel verileri kullanır ve tarihsel verilerdeki kalıpları belirler. Örneğin, bir araç üreticisi, stoklamanın ne zaman gerekli olduğunu tahmin etmek için geçmiş verileri, zaman serisi modeliyle analiz edebilir. Benzer şekilde, bir perakendeci yeni bir ürünün piyasaya sürülmesini planlamak için bu modeli kullanabilir.

Karar Ağaçları

Karar ağaçları (Decision Trees), bir dizi ikili kurala dayalı olarak sonuçları tahmin eden modelleme teknikleridir. Bir karar ağacı algoritması aynı girdiyle aynı sonucu üretir. Karar ağaçları, sınıflandırma modelleri ve regresyon analizi oluşturmak için kullanılır.

Nöral Ağlar

Nöral ağlar (Neural Networks), İnsan beyninden esinlenerek modellenmiştir, inanılmaz derecede karmaşık olabilir. İşletmelerin, sinir ağları inşa etmek ve uygulamak için gerçekten yetenekli personelleri işe almasını gerektirebilir. Sürücüsüz araç teknolojisi gibi hızlı yanıtlar gerektiren durumlarda kullanışlıdır.

Görselleştirme

Görselleştirme (Visualization), veri madenciliğinin çok önemli bir parçasıdır, iç görüleri ortaya çıkarmak için güçlü bir araçtır. Modern veri görselleştirme araçlarının çoğu, büyük veri kümelerini hızla organize etmek için gösterge tablolarını kullanır. Değişken seçimi, yanlış bilgi bulma ve bir veri kümesinin boyutlarını azaltma amacıyla yüksek düzeyde ilişkili değişkenleri birleştirmek için yararlıdır. Bazı yaygın veri görselleştirme yöntemleri arasında ağaç haritaları, çizelgeler, ısı haritaları ve histogramlar sayılabilir.

Sıralı Model Madenciliği

Sıralı Model Madenciliği (Sequential Pattern Mining), zaman serisi tekniğine benzer şekilde sırayla meydana gelen olayları tanımlar. Çoğunlukla işlemsel veri kümelerine uygulanır ve müşteri davranışını anlamak için yararlı olabilir. Ürün tavsiyeleri ve satış fırsatlarını artırabilir.

Veri Madenciliği Uygulama Alanları

Finans kurumları potansiyel olarak hileli işlemler için veri madenciliğine başvurur.

Satışları ve müşterileri elde tutma oranını artırırken kullanıcı katılımını ve deneyimini iyileştiren veri madenciliği, farkında olsak da olmasak da birbirinden farklı alanlarda hayatlarımızı kolaylaştırmaya çalışıyor:

• Veri madenciliği teknikleri, müşteri davranışını tahmin etmek için iletişim sektöründe kullanılır. Reklam verenlerin benzer müşterileri belirlemelerine yardımcı olarak potansiyel müşterileri özel reklamlar ve promosyonlarla hedeflemelerine yardım eder. Amazon ve Netflix gibi şirketler, müşterilerin göz atma, görüntüleme ve harcama alışkanlıklarına göre satın alma önerileri sunmak için bu tekniklerden yararlanır.

• Şirketler, halkın ürünlerini ve tekliflerini nasıl gördüğünü ortaya çıkarmak için “metin madenciliği” yoluyla sosyal medya platformlarından gelen verileri analiz eder. Genel duyguları anlamak için doğal dil işleme (NLP) ve istatistiksel model tanımayı kullanır. Veri madenciliği, kamusal duyarlılığı fark etmenizi ve marka itibarını artırmak için pazarlama, halkla ilişkiler ve ürün geliştirme alanlarına bilinçle yön vermenizi sağlar.

• Veri madenciliği ile tıbbi kayıtlardan elde edilen istatistiksel modeller, tıbbi tanı ve hasta risk değerlendirmesi açısından önemlidir. Doktorların önleyici bakım için risk faktörü uyarıları ve yaşam tarzı önerileri oluşturmasına izin verir.

• Veri madenciliği, sigorta şirketlerinin ürünlerini karlı bir şekilde fiyatlandırmalarına ve yeni veya mevcut müşterilerine yeni teklifler sunmalarına yardımcı olur. Veri madenciliği yoluyla sigorta şirketleri; müşterilerinin kazalarla, bedensel yaralanmalarla, tıbbi durumlar ve cerrahi sonuçlarla ve mülk hasarıyla ilgili risklerini anlayabilir. Veri madenciliği ayrıca sigorta şirketlerinin sahte iddialarını belirlemesine de yardımcı olur.

• Bankalar, müşterilerin kredi geçmişleri, kredi puanları ve demografik bilgilerle ilgili verilerini araştırarak kredileri otomatik olarak onaylamak veya reddetmek ya da stratejik faiz oranlarını hesaplamak için veri madenciliği ve makine öğrenimi algoritmalarını uygular. Hem veri madenciliği hem de makine öğrenmesi, veri biliminin himayesindedir ve ikisi de veri modellerini keşfetmek için aynı algoritmaları kullanır.

  Makine Öğrenmesi Nedir? adlı yazımızdan bu algoritma türlerine dair açıklamalara göz atabilirsiniz.

• Finans kurumları, müşteri doğrulamasını metin veya e-posta ile talep ederken potansiyel olarak hileli işlemler için veri madenciliğine başvurur. Böylece normların dışında kalan işlemleri belirlemek için müşteri harcama alışkanlıkları izlenir.
• Veri madenciliği, eğitimcilerin öğrenci verilerine erişmesine, başarı düzeylerini tahmin etmesine ve ekstra dikkat gerektiren öğrencileri bulmasına yarar.

• Veri Madenciliği yardımıyla imalatçılar, üretim cihazlarının aşınmasını ve yıpranmasını tahmin ederek arıza sürelerini en aza indirmek için bakım zamanlarını belirleyebilir.

• Cep telefonu gibi servis sağlayıcılar, bir müşterinin şirketten ayrılma nedenlerini tahmin etmek için veri madenciliğini kullanır. Fatura ayrıntılarını, müşteri hizmetleri etkileşimlerini, şirkete yapılan şikayetleri analiz ederek her müşteriye bir olasılık puanı atayarak teşvikler sunarlar.

• Veri Madenciliği, riskli yer ve zamanları belirleyerek, polis iş gücünün görevlendirmelerine de yardımcı olur.

Veri Madenciliği Hangi Becerileri Gerektirir?

Veri madenciliği uzmanı, korelasyon ile nedensellik arasındaki farkı anlar.

Veri madenciliği uzmanları, gelecekle ilgili tahminler yapmak ve bir işletmeye stratejik tavsiyelerde bulunmak için büyük miktarda veri içinde kalıplar ve anlamlı ilişkiler arar. Buldukları bilgiler eyleme geçirilebilir iç görülere dönüştürülerek risk ve maliyetleri en aza indirmek, geliri artırmak, yeni pazarlar keşfetmek, tüketici davranışını daha iyi anlamak ve özel pazarlama kampanyaları oluşturmak için kullanılır.

Bir veri madenciliği uzmanının verilerde bulduğu kalıplardan yararlanması için, kuruluşların hedeflerini iyi anlaması, sektör eğilimleri hakkında bilgi sahibi olması önemlidir.

Veri madenciliği uzmanı, verilerle ilgili hangi soruları soracağını bilir ve korelasyon ile nedensellik arasındaki farkı anlar. Bir veri madenciliği uzmanı ayrıca verilerdeki aykırı değerleri ve anormallikleri belirleyebilmelidir.

Veri madenciliği uzmanları; verileri araştırmak, ilişkileri modellemek ve ardından bu bulguları veri görselleştirme teknikleri kullanarak müşteriye aktarmak için veri analizi programlarını ve istatistiksel yazılımları kullanır. Bu nedenle, veri madenciliği uzmanlarının bazı teknik becerilere sahip olması gerekir:

• Veri analizi araçlarına aşinalık, özellikle SQL, NoSQL, SAS ve Hadoop
• Java, Python ve Perl programlama dillerine aşinalık
• İşletim sistemleri özellikle LINUX deneyimi

Dahası veri madenciliği uzmanı teknik bulguları teknik olmayan meslektaşların anlayabileceği sunumlara çevirebilmelidir. Bu nedenle, topluluk önünde konuşma ve sonuçları iç ve dış paydaşlara iletme becerisi gereklidir.

Özet

İletişim, sigorta, eğitim, üretim, bankacılık, perakende, e-ticaret, tıp ve biyoinformatik gibi çeşitli sektörlerde kullanılmakta olan veri madenciliği; işletmelerin daha fazla para kazanmasına ya da daha çok tasarruf etmesine yardımcı olabilir.

Geçmişi anlamak ve geleceği tahmin etmenin en güçlü yollarından birini açıkladığından veri madenciliği (data mining) nedir? sorusunun yanıtlarına hakim olmak işletmeler açısında fark yaratacaktır.