İçeriğe geç

Sözlük

Analitik ve BI

Kümeleme Analizi

Kümeleme analizi; müşteriler, ürünler veya oturumlar gibi kayıtları, önceden tanımlanmış hiçbir etiket kullanmadan, üyeleri birbirine diğer grupların üyelerinden daha çok benzeyen gruplara ayıran denetimsiz bir istatistiksel yöntemdir.

Güncelleme: · Hazırlayan: VIZIO AI ekibi

Kümeleme analizi nedir?

Kümeleme analizi her kaydı bir sayı kümesine dönüştürür ve hangi kayıtların birbirine yakın durduğuna bir algoritmanın karar vermesini sağlar. Her müşteri, mağaza veya oturum bir özellik vektörüne dönüşür; örneğin son alışverişten bu yana geçen süre, sipariş sayısı ve ortalama sepet büyüklüğü. Genellikle Öklid veya kosinüs uzaklığı olan bir mesafe ölçüsü, “benzer” kavramının ne anlama geldiğini tanımlar.

Başlıca algoritma aileleri şunlardır:

  • Merkez tabanlı: k-means, her noktayı k merkezden en yakın olanına atar.

  • Hiyerarşik: aglomeratif kümeleme, en yakın çiftleri adım adım birleştirerek bir ağaç (dendrogram) oluşturur.

  • Yoğunluk tabanlı: DBSCAN yoğun bölgeleri bulur ve seyrek noktaları gürültü olarak etiketler.

  • Model tabanlı: Gauss karışım modelleri, her noktaya her gruba ait olma olasılığını atar.

Genellikle veri segmentasyonu ve hedeflemeden önceki keşif çalışmalarında, makine öğrenmesinin temel denetimsiz tekniklerinden biri olarak yer alır.

Kümeleme analizi adım adım nasıl yapılır?

İşin çoğu algoritma çalışmadan önce ve sonra yapılır: özellikleri seçmek, ölçeklemek ve grupları yorumlamak.

  1. Birimi (müşteri, hesap, SKU) ve almak istediğiniz karara bağlı 4–10 özelliği seçin.

  2. Aykırı değerleri ve eksik değerleri temizleyin; mesafe metrikleri hatalı satırların etkisini büyüttüğü için veri temizleme önemlidir.

  3. Dolar cinsinden gelirin sipariş sayılarını bastırmaması için özellikleri ölçekleyin (z-skorları).

  4. k'yı dirsek yöntemiyle (küme içi kareler toplamı) veya −1 ile 1 arasında değişen ve yüksek değerin daha iyi ayrışmış grupları gösterdiği siluet skoruyla seçin.

  5. Modeli eğitin, ardından her grubun profilini özellik ortalamaları ve büyüklüğüne göre çıkarın.

  6. Grupların stabil olduğunu doğrulamak için analizi farklı rastgele tohum değerleriyle (random seed) veya ayrılmış bir örneklemle yeniden çalıştırın.

Kümeleme analizi pratikte nasıl görünür?

Tipik bir kullanım, yalnızca farklı etiketleri değil, farklı pazarlamayı hak eden müşteri gruplarını bulmaktır. Shopify üzerinde çalışan, diyelim ki 80.000 müşterisi olan ve bu müşterilerin hepsine aynı yoğun indirimli e-postaları gönderen 60 kişilik bir doğrudan tüketiciye (D2C) cilt bakım markasını ele alalım.

Analist siparişleri BigQuery'ye aktarır ve her müşteri için beş özellik oluşturur: son siparişten bu yana geçen gün sayısı, yıllık sipariş sayısı, ortalama sipariş değeri, indirim kodu kullanılan siparişlerin payı ve satın alınan ürün kategorisi sayısı. Ölçeklemeden sonra scikit-learn'ün KMeans algoritması k = 2 ile 10 arasında test edilir ve diyelim ki siluet skoru beş grupta zirveye ulaşır.

Profil çıkarma; yalnızca kodla alışveriş yapan bir grubu, kasımda tam fiyatlı hediye setleri alan bir grubu ve sadık, tam fiyatla alışveriş yapan bir grubu ortaya koyar. Ekip etiketleri Klaviyo'ya senkronize eder, tam fiyatla alışveriş yapanlara indirim kodu göndermeyi bırakır ve ardından müşteri başına marjı bir kontrol grubuyla karşılaştırır.

Kümeleme analizinin tuzakları nelerdir?

Bir algoritma, rastgele veriden bile her zaman gruplar döndürür; bu yüzden grupların gerçek ve faydalı olduğunu kanıtlamak size düşer. Yaygın başarısızlık biçimleri:

  • K-means, grupların kabaca yuvarlak ve benzer büyüklükte olduğunu varsayar; uzun veya düzensiz şekilleri kötü böler.

  • Ölçeklenmemiş veya gereksiz özellikler, tek bir değişkenin her şeye karar vermesine yol açar.

  • Çok fazla boyut, her noktanın birbirine eşit uzaklıkta görünmesine neden olur.

  • Veriyi yenilediğinizde gruplar kayar; bu yüzden etiketler aydan aya değişir.

  • İstatistiksel olarak temiz olan ama hiçbir ekibin üzerinde aksiyon alamadığı gruplar.

Önemsediğiniz sonucu (örneğin churn olup olmadığını) zaten biliyorsanız bu yöntemi atlayın; bu, etiketli veriyle çözülen bir sınıflandırma problemidir.

Kümeleme analizinin kural tabanlı segmentasyondan farkı nedir ve hangi araçlarla yapılır?

Kural tabanlı segmentasyon, insanların seçtiği eşikleri uygular; kümeleme ise sınırları verinin kendisinden keşfeder. “Son 30 günde sipariş vermiş ve 200 $'ın üzerinde harcamış” gibi bir RFM kuralını açıklamak kolaydır; bir kümeleme sonucunu ise herkesin anlayabilmesi için önce profilinin çıkarılması gerekir. Birçok ekip örüntüleri bulmak için kümeleri kullanır, ardından bunları günlük kullanım için basit kurallar olarak yeniden yazar.

Yaygın araçlar: Python'da scikit-learn (KMeans, DBSCAN, AgglomerativeClustering), R'da cluster paketi, veri ambarı içinde kümeleme için BigQuery ML'in k-means model türü ve hızlı keşif için Tableau ile Power BI'daki yerleşik kümeleme özellikleri. Sonrasında okumaya değer ilgili teknikler veri madenciliği ve istatistiksel analizdir.

Kümeleme analizi ve kural tabanlı segmentasyon

Kümeleme analizi

Kural tabanlı segmentasyon

Grupları belirleyen

Benzerliği ölçen bir algoritma

Bir analistin belirlediği eşikler

Gereken etiketler

Yok

Yok, ancak kuralların yazılması gerekir

En uygun olduğu alan

Beklemediğiniz örüntüleri keşfetmek

RFM seviyeleri gibi bilinen, açıklanabilir ayrımlar

Açıklanabilirlik

Sonradan profil çıkarmayı gerektirir

Kuralın kendisinden anlaşılır

Stabilite

Veri yenilendiğinde değişebilir

Biri kuralları düzenleyene kadar sabit

Tipik araçlar

scikit-learn, BigQuery ML, Tableau

SQL, Klaviyo segmentleri, HubSpot listeleri

VIZIO AI kümeleme analizine nasıl yaklaşır?

VIZIO AI, bir gruplamanın değiştirmesi gereken karardan yola çıkar, ardından özellikleri ve görünümleri bu kararın etrafında kurgular. ABD merkezli küresel bir premium içki şirketi için DX Studio, dahili satış verilerini Google destekli restoran verileriyle birleştirdi ve yüksek yoğunluklu restoran pazarlarında potansiyel müşteri potansiyeli, tekrar eden değer ve boşluk alanları (whitespace) için hesaplanmış metrikler ve filtreler ekledi.

Bu proje hesapları resmî bir kümeleme algoritması yerine hesaplanmış metriklerle grupladı, ancak aynı amaca hizmet etti: saha temsilcilerine hangi hesapların birbirine ait olduğunu ve önce hangilerini ziyaret etmeleri gerektiğini söylemek. Proje hedef dönüşüm doğruluğunu %23 artırdı, temsilci başına haftada 3,4 saat tasarruf sağladı ve kilit pazar satış hacminde %17'lik büyümeyi destekledi.

Nereden başlamalı: Gruplar arasında farklılaşacak tek bir aksiyonu yazın ve onu öngören özellikleri seçin.

Facebook logosu
X logosu
LinkedIn logosu
Reddit logosu
Telegram logosu

Önce yapay zekâyı düşünün.
Geleceğin hızında ilerleyin.

Sıradakini birlikte inşa edelim! Ürün fikirlerinden akıllı iş akışlarına, veri odaklı sistemlerden ölçeklenebilir büyüme operasyonlarına kadar.

Strateji Görüşmesi Planlayın