İçeriğe geç

Sözlük

Analitik ve BI

Tahmine Dayalı Analitik

Tahmine dayalı analitik (predictive analytics); hangi müşterilerin churn edeceği, ne kadar stok satılacağı veya hangi faturaların geç ödeneceği gibi gelecekteki sonuçların olasılığını tahmin etmek için geçmiş verilerin, istatistiksel modellerin ve makine öğrenmesinin kullanılmasıdır.

Güncelleme: · Hazırlayan: VIZIO AI ekibi

Tahmine dayalı analitik nedir?

Temel çıktı, henüz bilinmeyen bir şeye bağlanmış bir sayıdır: bir olasılık, bir öngörü ya da bir skor. Bir churn modeli her müşteriye önümüzdeki 30 gün içinde ayrılma olasılığı verir; bir talep tahmini ise her ürüne gelecek hafta için beklenen bir miktar verir.

Bilinen analitik merdiveninde üçüncü basamakta yer alır: tanımlayıcı analitik ne olduğunu, teşhis edici analitik neden olduğunu, tahmine dayalı analitik bundan sonra ne olacağını söyler ve kuralcı (preskriptif) analitik bu konuda ne yapılması gerektiğini önerir. Bir tahmin, ancak biri ya da bir şey ona göre farklı davrandığında değer yaratır.

Her tahmin projesinin yapı taşları aynıdır: net tanımlanmış bir hedef, sonucun bilindiği geçmiş örnekler, tahmin anında mevcut olan özellikler (feature'lar), bir model ve bir CRM alanı, bir uyarı ya da otomatik bir iş akışı gibi bir iletim kanalı. Bunlardan herhangi birindeki zayıflık, diğerlerinin değerini sınırlar.

Başlıca tahmin modeli türleri nelerdir?

İş dünyasındaki tahminlerin çoğu, ihtiyaç duyduğunuz yanıtın biçimine göre seçilen üç model ailesinden birine girer.

  • Sınıflandırma: churn, dolandırıcılık veya lead dönüşümü gibi evet/hayır ya da kategori sonuçları. Yaygın yöntemler lojistik regresyon ve gradient boosting ağaçlarıdır (XGBoost, LightGBM). AUC, precision ve recall ile değerlendirilir.

  • Regresyon: sipariş değeri veya ödemeye kadar geçen gün sayısı gibi sürekli değerler. Bkz. regresyon analizi. Ortalama mutlak hata ile değerlendirilir.

  • Zaman serisi: haftalık talep veya çağrı hacmi gibi zaman içindeki değerler; ARIMA, Prophet veya gecikme (lag) feature'ları ile gradient boosting kullanılır. Geçmiş dönemler üzerinde backtesting ile değerlendirilir.

Aile ne olursa olsun, her zaman "gelecek hafta bu haftaya eşittir" gibi naif bir temel çizgiyle (baseline) karşılaştırın. Model onu açıkça geçemiyorsa hazır değildir.

Tahmine dayalı analitik pratikte nasıl görünür?

Müşteri başarı yöneticilerinin churn'den ancak bir iptal e-postası geldiğinde haberdar olduğu, 4.000 hesaplı bir B2B SaaS şirketini ele alın. Ekip hedefi tanımlıyor: yenileme tarihinden itibaren 60 gün içinde iptal eden veya paket düşüren hesaplar.

Bir veri bilimci; ürün kullanımından (oturum açmalar, aktif lisanslar, kilit özellik benimsenmesi), destek taleplerinden ve faturalama geçmişinden feature'lar derliyor, ardından iki yıllık yenilemeler üzerinde bir LightGBM sınıflandırıcısı eğitiyor. Diyelim ki en yüksek skorlu %10'luk hesap dilimi, holdout döneminde gerçekte churn eden hesapların büyük bir kısmını içeriyor; rastgele seçimin sağlayacağından çok daha fazlasını.

  1. Skorlar her gece HubSpot'a bir "yenileme riski" özelliği olarak senkronize ediliyor.

  2. Yüksek riskli hesaplar bir playbook'u tetikliyor: sağlık kontrolü görüşmesi, kullanım incelemesi, eğitim teklifi.

  3. Rastgele seçilmiş bir kontrol grubuna ek bir iletişim yapılmıyor; böylece ekip churn'ü yalnızca modelin değil, müdahalenin azaltıp azaltmadığını ölçebiliyor.

Tahmine dayalı analitiğin tuzakları nelerdir?

Kimsenin buna göre aksiyon almadığı doğru bir modelin iş değeri tam olarak sıfırdır. Geliştirmeye başlamadan önce tahminleri kimin, hangi araç üzerinden alacağı ve neyi farklı yapacağı konusunda anlaşın.

  • Sızıntı (leakage): iptal nedeni alanı gibi yalnızca sonuçtan sonra bilinen verileri dahil etmek.

  • Kayma (drift): müşteri davranışı bir fiyat değişikliğinden veya yeni bir rakipten sonra değişir; bu nedenle modellerin izlenmesi ve yeniden eğitilmesi gerekir.

  • Dengesiz sınıflar: müşterilerin yalnızca %3'ü churn ettiğinde, herkes için "churn yok" tahmin eden bir model %97 doğrudur ve işe yaramaz.

  • Yanlılık (bias): geçmiş kararlarla eğitilen modeller kredi, işe alım veya fiyatlandırmadaki geçmiş adaletsizlikleri tekrarlayabilir.

Tahmine dayalı analitik için hangi araçlar kullanılır?

Tahminleri kodla, veri ambarınızın içinde veya iş araçlarına gömülü özellikler aracılığıyla oluşturabilirsiniz.

  • Kod öncelikli: scikit-learn, XGBoost ve Prophet ile Python; MLflow ile takip.

  • Bulut ML platformları: Azure ML, Amazon SageMaker, Google Vertex AI, Databricks.

  • Veri ambarı içinde: BigQuery ML ve Snowflake ML fonksiyonları, analistlerin modelleri SQL ile eğitmesini sağlar.

  • Uygulamalara gömülü: HubSpot ve Salesforce tahmine dayalı lead puanlama, Klaviyo tahmini müşteri yaşam boyu değeri ve churn riski.

Gömülü özellikler en hızlı başlangıcı sağlar; özel modeller ise verileriniz veya kararınız bakım maliyetini haklı çıkaracak kadar kendine özgü olduğunda anlamlıdır. Tahminleri net bir şekilde göstermek başlı başına bir disiplindir ve tahmine dayalı analitik veri görselleştirme maddesinde ele alınmıştır.

Tahmine dayalı ve kuralcı analitik

Tahmine dayalı analitik

Kuralcı analitik

Yanıtladığı soru

Ne olması muhtemel?

Bu konuda ne yapmalıyız?

Tipik çıktı

Olasılık, skor veya öngörü

Önerilen aksiyon veya plan

Yöntemler

Sınıflandırma, regresyon, zaman serisi

Optimizasyon, simülasyon, karar kuralları

Örnek

Bu hesabın churn riski %70

Bu hesaba bir eğitim oturumu teklif edin

İnsanın rolü

Yorumlamak ve karar vermek

Öneriyi onaylamak veya geçersiz kılmak

VIZIO AI tahmine dayalı analitiği nasıl geliştiriyor?

VIZIO AI, tahminleri belirli bir müdahale etrafında kurgular ve onları saha ekiplerinin zaten çalıştığı yerlere ulaştırır. Yedi eyalette klinikleri bulunan ABD'li bir odyoloji hizmetleri sağlayıcısı için DX Studio, hasta kayıtlarını, cihaz verilerini ve CRM girdilerini birleştirdi; ardından işitme cihazı iadelerinin ve ilgi kaybının erken işaretlerini tespit etmek için Python ve Azure ML ile makine öğrenmesi modelleri geliştirdi.

Power BI'daki yapay zekâ destekli hasta elde tutma paneli, skorları klinisyenler için erken uyarı alarmlarına ve takip önceliklerine dönüştürdü. Sonuç olarak pilot kliniklerde işitme cihazı iade oranları %12–15 azaldı ve manuel raporlama eforu %40 düştü.

Nereden başlamalı: churn veya iadeler gibi zaten kaydettiğiniz bir sonucu seçin ve tutarlı ID'lerle en az bir yıllık geçmişiniz olup olmadığını kontrol edin.

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