| 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 | Dr.Öğr.Üyesi ÖMER FARUK SEYMEN, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Alanına Uygun Öğretim |
| 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 | Müşteri analitiği ve kayıp yönetimine giriş Müşteri yolculuğu ve davranışsal veri analizi Veri toplama, temizleme ve ön işleme teknikleri Müşteri segmentasyonu (ör. RFM analizi, kümeleme algoritmaları) Yaşam boyu müşteri değeri (CLV) hesaplamaları Kayıp müşteri tanımı, türleri ve nedenleri Lojistik regresyon ve temel istatistiksel yöntemlerle kayıp modelleme Karar ağaçları, rastgele ormanlar ve XGBoost gibi makine öğrenmesi algoritmaları ile kayıp tahmini Derin öğrenme yöntemlerinin müşteri analizlerinde kullanımı Yapay Zeka araçlarıyla kayıp yönetimi Kayıp önleme ve geri kazanım stratejileri Gerçek veri setleriyle uygulamalı projeler |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Müşteri analitiği kavramlarını ve temel veri kaynaklarını tanımlar | Anlatım, | Boşluk Doldurma Testleri, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), |
| 2 | Müşteri yaşam döngüsü, müşteri değeri ve müşteri kârlılığı gibi temel kavramları açıklar. | Anlatım, | Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), Boşluk Doldurma Testleri, |
| 3 | Segmentasyon, sınıflandırma ve tahminleme gibi veri madenciliği tekniklerini müşteri verilerine uygular. | Problem Çözme, | Performans Değerlendirme, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), |
| 4 | Kayıp müşterilerin (churn) tespiti ve tahmini için çeşitli istatistiksel ve makine öğrenmesi modelleri oluşturur. | Problem Çözme, Proje, | Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), |
| 5 | Farklı müşteri segmentlerine özel kayıp önleme stratejileri geliştirir. | Problem Çözme, Proje, | Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), |
| 6 | Analitik modellerin doğruluğunu değerlendirir ve iş sonuçlarına etkisini yorumlar. | ||
| 7 | Gerçek dünya verileriyle bireysel proje geliştirerek müşteri odaklı karar alma süreçlerini destekler. | Proje, | Performans Değerlendirme, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), |
| 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 | Fighting Churn with Data (Carl Gold)
|
| 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 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 2 | Müşteri yaşam döngüsü, müşteri değeri ve müşteri kârlılığı gibi temel kavramları açıklar. | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 3 | Segmentasyon, sınıflandırma ve tahminleme gibi veri madenciliği tekniklerini müşteri verilerine uygular. | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 4 | Kayıp müşterilerin (churn) tespiti ve tahmini için çeşitli istatistiksel ve makine öğrenmesi modelleri oluşturur. | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 5 | Farklı müşteri segmentlerine özel kayıp önleme stratejileri geliştirir. | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 6 | Analitik modellerin doğruluğunu değerlendirir ve iş sonuçlarına etkisini yorumlar. | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 7 | Gerçek dünya verileriyle bireysel proje geliştirerek müşteri odaklı karar alma süreçlerini destekler. | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 100 |
| Toplam | 100 |
| 1. Final | 100 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 14 | 3 | 42 |
| Ara Sınav | 1 | 3 | 3 |
| Final | 1 | 60 | 60 |
| Ödev | 1 | 20 | 20 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 14 | 1 | 14 |
| Toplam İş Yükü | 139 | ||
| Toplam İş Yükü / 25 (Saat) | 5,56 | ||
| dersAKTSKredisi | 6 | ||