| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Müşteri Analitiği ve Kayıp Yönetimi | UYP 536 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | Makine öğrenmesi, veri madenciliği konularında giriş seviyesinde bilgi sahibi olunmalıdır. |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi ÖMER FARUK SEYMEN |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Bu dersin amacı, öğrencilere müşteri verisi temelli karar alma süreçlerini analiz edebilme ve özellikle müşteri kaybını (churn) önlemeye yönelik stratejiler geliştirme becerisi kazandırmaktır. Öğrenciler, müşteri davranışlarını anlamaya yönelik analitik yöntemleri öğrenerek, müşteri bölümlendirmesi (segmentasyonu), yaşam boyu değer analizi ve kayıp tahmini gibi konularda uygulamalı bilgi edineceklerdir. Ayrıca, makine öğrenmesi algoritmalarının müşteri analitiğinde nasıl kullanılabileceği ve gerçek dünyadaki işletme problemlerine nasıl entegre edilebileceği konusunda yetkinlik kazanacaklardır. |
| Dersin İçeriği |
|
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Müşteri analitiği kavramlarını ve temel veri kaynaklarını tanımlar | ||
| 2 | Müşteri yaşam döngüsü, müşteri değeri ve müşteri kârlılığı gibi temel kavramları açıklar. | ||
| 3 | Segmentasyon, sınıflandırma ve tahminleme gibi veri madenciliği tekniklerini müşteri verilerine uygular. | ||
| 4 | Kayıp müşterilerin (churn) tespiti ve tahmini için çeşitli istatistiksel ve makine öğrenmesi modelleri oluşturur. | ||
| 5 | Farklı müşteri segmentlerine özel kayıp önleme stratejileri geliştirir. | ||
| 6 | Analitik modellerin doğruluğunu değerlendirir ve iş sonuçlarına etkisini yorumlar. | ||
| 7 | Gerçek dünya verileriyle bireysel proje geliştirerek müşteri odaklı karar alma süreçlerini destekler. |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Giriş ve Temel Kavramlar | |
| 2 | Müşteri Davranışının Anlaşılması | |
| 3 | Veri Hazırlama Süreçleri | |
| 4 | Veri Hazırlama Süreçleri | |
| 5 | Müşteri Segmentasyonu | |
| 6 | Müşteri Segmentasyonu | |
| 7 | Müşteri Yaşam Boyu Değeri (CLV) Analizi | |
| 8 | Kayıp Müşteri (Churn) Tanımı ve Türleri | |
| 9 | Kayıp Analitiği – İstatistiksel Yöntemler | |
| 10 | Makine Öğrenmesi ile Kayıp Tahmini | |
| 11 | Derin Öğrenme ve Churn Tahmini | |
| 12 | Kayıp Önleme Stratejileri | |
| 13 | Müşteri Geri Kazanımı ve Sadakat | |
| 14 | Proje Örnekleri |
| Kaynaklar | |
|---|---|
| Ders Notu | Ders notu öğrencilerle paylaşılacaktır. |
| Ders Kaynakları | Ders kaynakları öğrencilerle paylaşılacaktır. |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Disiplinindeki kavramlara, uygulamalara ve teorilere hâkim olur ve bunları iş yaşamındaki sorunların çözümünde ya da yürüttüğü bilimsel çalışmalarda kullanabilir. | X | |||||
| 2 | Evrensel bilimsel etik uygulamalara riayet eder ve intihalden kaçınır. | X | |||||
| 3 | Faaliyetlerinin topluma ve çevreye olan muhtemel etkilerini göz önünde bulundurur, bu olumsuz etkileri en aza indirgemek ve topluma fayda sağlamak için sorumluluk alır. | X | |||||
| 4 | İşletme sorunlarını çözmede uygun analitik teknikleri kullanabilir. | X | |||||
| 5 | Bilimsel araştırma ve proje bulgularını sözlü sunum ve yazılı rapor şeklinde etkili ve ikna edici bir şekilde sunabilir. | X | |||||
| 6 | Girişimsel süreçleri analitik ve eleştirel bakış açısı ile inceler ve girişimci bilişe etki eden faktörleri anlar. | X | |||||
| 7 | Derslerinde ve araştırmalarında ihtiyaç duyacağı teknolojileri tespit etme ve etkili bir şekilde kullanma becerisine sahip olur. | X | |||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 |
|---|---|---|---|---|---|---|---|---|
| 1 | Müşteri analitiği kavramlarını ve temel veri kaynaklarını tanımlar | |||||||
| 2 | Müşteri yaşam döngüsü, müşteri değeri ve müşteri kârlılığı gibi temel kavramları açıklar. | |||||||
| 3 | Segmentasyon, sınıflandırma ve tahminleme gibi veri madenciliği tekniklerini müşteri verilerine uygular. | |||||||
| 4 | Kayıp müşterilerin (churn) tespiti ve tahmini için çeşitli istatistiksel ve makine öğrenmesi modelleri oluşturur. | |||||||
| 5 | Farklı müşteri segmentlerine özel kayıp önleme stratejileri geliştirir. | |||||||
| 6 | Analitik modellerin doğruluğunu değerlendirir ve iş sonuçlarına etkisini yorumlar. | |||||||
| 7 | Gerçek dünya verileriyle bireysel proje geliştirerek müşteri odaklı karar alma süreçlerini destekler. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| Toplam | 0 |
| Toplam | 0 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|