LEE- Endüstri Mühendisliği-Yüksek Lisans

Bu koleksiyon için kalıcı URI

http://hdl.handle.net/11527/19267

Gözat

Yazar "Çalışır, Fethi" ile LEE- Endüstri Mühendisliği-Yüksek Lisans'a göz atma
  • Öge
    RFMLP based customer segmentation and customer churn analysis in heavy equipment industry using customer transactions data
    (Graduate School, 2022-01-14) Çamlıca, Mustafa ; Çalışır, Fethi ; 507181139 ; Industrial Engineering
    The main target of this study is creating customer segments with customer transaction data of one of the leading heavy equipment industry companies, Borusan-CAT operating in Turkey which is a solution partner of Caterpillar Inc., and assigning churn probabilities to each customer. Customer transaction data is collected for the 2018 – 2020 period from complex database of the company. Data pre-processing step is completed in order to use raw data in this study. To decide the importance of the variables and customer segments Analytical Hierarchy Process was used 5 managers of the company respond a questionnare. After deciding the weight importance of the variables customer segmentation was completed with one of the unsupervised machine learning algorithms known as k-means clustering. 4 different customer segments were created. The importance of each customer segment was calculated with the help of weights that is result of Analytical Hierarchy Method. After customer segmentation, customer churn analysis was conducted. Churn analysis was completed with the help of supervised machine learning algorithms such as Logistic Regression, Support Vector Machines, Random Forest, and k-Nearest Neighbors. By comparing performance of each algorithm with the others, Random Forest was found as the most successful algorithm with highest accuracy rate in this study when it comes to predicting the customers who will churn in upcoming periods. There are no violations of the assumptions of each algorithm, therefore each of them can be used in this study. With customer churn analysis, each customer in the dataset labeled as churners or non-churners. Companies can use this information in order to complete such projects to prevent possible churners from churning in the future. Contributions of this study can be said as applying RFMLP based customer segmentation with a time-effective and efficient machine learning algorithm and applying customer churn analysis with the help of supervised machine learning algorithms to the customer transaction data of one of the biggest heavy equipment companies in Turkey. With this study 4 different customer segments are created and customer churn prediction is completed with high accuracy. Companies in the heavy equipment industry can utilize from this study to identify different customer groups and profile them, they manage their CRM and marketing strategies and allocation of resources can be completed with high effectiveness.
  • Öge
    Satış adedini etkileyen değişkenlerin keşfi ve duyarlılık analizi uygulaması: E-ticaret örneği
    (Lisansüstü Eğitim Enstitüsü, 2023-06-21) Aydın, Rabia ; Çalışır, Fethi ; 507191123 ; Endüstri Mühendisliği
    Şirketler geçmiş verilerini analiz ederek gelecekteki durumları hakkında fikir sahibi olmayı ve daha etkili bir yol haritası oluşturmayı mümkün kılabilir. Bir şirketin gelirlerini belirleyen temel faktör olan satış adetleri, gelecekteki durumlarını değerlendirebilmek adına öngörüler oluşturmak için kullanılan geçmiş verilere dayalı bir metriktir. Bu çalışma, bir şirketin gelecekteki durumunu tahmin etmek için geçmiş verilere dayalı olarak satış adedi tahminleri gerçekleştirme amacını taşımaktadır. Çalışmanın ilk aşaması, veri setinde yer alan bilgilerin keşfedilmesiyle başlamıştır. Veri keşfi, veri setindeki değişkenlerin özelliklerini, dağılımlarını ve ilişkilerini anlamak için gerçekleştirilmiştir. Veri seti, çalışmanın gerekliliklerine uygun hale getirilmek üzere işlenmiş ve düzenlenmiştir. Daha sonra satış adedi tahminlerini gerçekleştirmek için makine öğrenmesi algoritmaları kullanılmıştır. Bu çalışmada, Karar Ağaçları (Decision Tree, CART), Rastgele Orman (Random Forest, RF), Kategori Artırma (Category Boosting, CatBoost), Gradyan Artırma (Gradient Boosting, GBM) ve Ekstrem Gradyan Artırma (Extreme Gradient Boosting, XGBoost) olmak üzere beş farklı makine öğrenmesi algoritması kullanılmıştır. Modellerin performansları karşılaştırılarak değerlendirilmiştir. Performans karşılaştırmasından sonra CatBoost, Gradient Boosting ve Random Forest algoritmalarının en iyi performansı gösterdiği belirlenmiştir. Bu algoritmalara dayalı olarak seçilen değişkenler incelenmiş ve bu algoritmalarda en önemli değişkenlerin benzer olduğu tespit edilmiştir. Seçilen en önemli değişkenler, gelecekteki durumların daha iyi anlaşılabilmesi amacıyla kullanılmak üzere belirlenmiş ve bu değişkenler üzerinden duyarlılık analizi çalışması gerçekleştirilmiştir. Bu çalışma için Random Forest algoritması kullanılmış ve her bir değişkenin hedef değişken üzerindeki etkisi incelenmiştir. Değişkenlerin bir birim artması durumunda tahmin edilen hedef değişkeniyle gerçekleştirilen karşılaştırmalar, değişkenlerin hedef değişken üzerindeki etkilerini ortaya çıkarmıştır. Bu çalışmada, bir e-ticaret uygulaması üzerinden taze sebze ve meyve satışı yapan bir şirkete ait olan 2022 Ocak-Kasım dönemine ait veri seti kullanılmıştır. Veri seti, sipariş bilgilerini ve sipariş detaylarını içermektedir. Çalışmanın kapsamını genişletmek adına, veri setinde bulunmayan ancak anlamlı olabileceği düşünülen değişkenler veri setine eklenmiştir. Bu çalışma, şirketlere geçmiş verileri kullanarak gelecekteki durumlarına yönelik fikirler sağlama ve daha etkili bir yol haritası oluşturma imkanı sunmaktadır. Satış adedi tahminleri ve duyarlılık analizi sayesinde, şirketler satışlarını etkileyen faktörleri anlayabilir ve gelecekteki durumları hakkında daha sağlam bir temel üzerinde planlama yapabilirler.