| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Müşteri Analitiği ve Tahminleme Yöntemleri | UYP 538 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | Ön koşul ders gerekmemektedir. |
| Önerilen Seçmeli Dersler | Önerilen bir ders yoktur. |
| 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 | Diğer |
| Dersin Amacı | Bu dersin amacı; öğrencilere veriye dayalı müşteri yönetiminin temel prensiplerini aktarmak ve karmaşık müşteri verilerinden anlamlı iş zekası üretilmesini sağlayan makine öğrenmesi ve tahminleme yöntemlerini (regresyon, sınıflandırma, birliktelik kuralları vb.) kazandırmaktır. Ders; öğrencilerin Müşteri Yaşam Boyu Değeri (CLV), Müşteri Terk (Churn) Analizi ve Segmentasyon gibi kritik iş problemlerini istatistiksel ve algoritmik yaklaşımlarla çözebilmelerini, tahminleme modelleri kurabilmelerini ve bu çıktıları stratejik pazarlama/satış kararlarına dönüştürebilmelerini hedeflemektedir. |
| Dersin İçeriği | Bu ders; müşteri analitiği kavramsal çerçevesinden başlayarak veri odaklı müşteri yönetimi ve ileri tahminleme tekniklerini kapsar. Ders boyunca; Müşteri Veri Mimarisi, RFM Analizi, Müşteri Segmentasyonu (K-Means, Hiyerarşik Kümeleme), Müşteri Terk Tahmini (Lojistik Regresyon, Karar Ağaçları, Rastgele Orman), Satış ve Talep Tahminleme Yöntemleri (Çoklu Regresyon, Zaman Serileri), Müşteri Yaşam Boyu Değeri (CLV) Hesaplama ve Birliktelik Kuralı Madenciliği (Apriori Algoritması) konuları teorik altyapı ve gerçek hayat vakaları/uygulamaları üzerinden ele alınmaktadır. |
| Özel Koşullar | |
| Sektör Desteği | |
| Destekleyen Firma | |
| Destekleyen Eğitmen |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Müşteri Analitiğine Giriş | |
| 2 | Tahminleme kavramı ve müşteri analitiğinde kullanılan temel yaklaşımlar | |
| 3 | Veri türleri, veri kaynakları ve veri hazırlama süreçleri | |
| 4 | Özellik mühendisliği (feature engineering) ve veri ön işleme teknikleri | |
| 5 | Sınıflandırma problemleri ve lojistik regresyon uygulaması | |
| 6 | Karar ağaçları ve temel sınıflandırma algoritmaları | |
| 7 | Regresyon analizi ve müşteri değer tahmini uygulamaları | |
| 8 | Topluluk (ensemble) yöntemleri: Random Forest ve Gradient Boosting | |
| 9 | Model performans değerlendirme (ROC, AUC, RMSE vb.) | |
| 10 | Zaman serisi analizi ve talep tahmini (temel yöntemler, ARIMA) | |
| 11 | Python ile uygulamalı müşteri tahminleme çalışmaları | |
| 12 | Gerçek veri setleri ile vaka analizi ve model geliştirme | |
| 13 | Gerçek veri setleri ile vaka analizi ve model geliştirme | |
| 14 | Tahminleme sonuçlarının iş kararlarına entegrasyonu, genel değerlendirme |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | Derste notlar sunulacaktır. Fighting Churn with Data The science and strategy of customer retention (2020) Churn Management in SaaS: Strategies for Increasing Customer Retention (2023) Data Driven Decision Making using Analytics (2024) |
| 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. | ||||||
| 2 | Evrensel bilimsel etik uygulamalara riayet eder ve intihalden kaçınır. | ||||||
| 3 | Faaliyetlerinin topluma ve çevreye olan muhtemel etkilerini göz önünde bulundurur, bu olumsuz etkileri en aza indirgemek ve topluma fayda sağlamak için sorumluluk alır. | ||||||
| 4 | İşletme sorunlarını çözmede uygun analitik teknikleri kullanabilir. | ||||||
| 5 | Bilimsel araştırma ve proje bulgularını sözlü sunum ve yazılı rapor şeklinde etkili ve ikna edici bir şekilde sunabilir. | ||||||
| 6 | Girişimsel süreçleri analitik ve eleştirel bakış açısı ile inceler ve girişimci bilişe etki eden faktörleri anlar. | ||||||
| 7 | Derslerinde ve araştırmalarında ihtiyaç duyacağı teknolojileri tespit etme ve etkili bir şekilde kullanma becerisine sahip olur. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 |
|---|
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 100 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 40 |
| 1. Final | 60 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|