Verinin en değerli kaynak olarak görüldüğü günümüzde, şirketlerin çeşitli ihtiyaçlarının giderilmesi ve stratejilerinin kurulması açısından veriler üzerinden yapılan uygulamalar giderek yaygın bir hale gelmektedir. Şirketler sahip oldukları verileri amaçlarına göre şekillendirdikten sonra yaptıkları analizlerin neticesinde verimli sonuçlara ve tahmin değerlerine ulaşabilirler.
Şirketler sahip oldukları veriler içerisinde, müşteri alışkanlıklarına dair bilgilerden yola çıkarak, çeşitli metotlarla sınıflandırmalar yapılması sonucunda oluşan müşteri sınıflarına özel pazarlama ve iletişim stratejileri geliştirme fırsatını elde ederler.
Bu yöntemlerden birine örnek verelim: Bir mobil oyun şirketinin müşterilerinin yaşı, cinsiyeti, ülkesi, sahip olduğu cihazın işletim sistemi ve harcama tutarının ayrı değişkenlerde tutulduğu bir veri setine sahip olduğunu düşünelim. Bu mobil oyun şirketi, müşterilerinin özellikleri üzerinden yaptıkları harca tutarlarına göre bir sınıflandırma (segmentasyon) yaptığı takdirde, potansiyel müşterilerin bilgileri üzerinden yaklaşık bir harcama tutarı alışkanlığı tahmini yapabilir. Şimdi Python ile örnek bir segmentasyon yapalım ve potansiyel müşteriler için harcama tahmin modeli oluşturalım.
Veri seti örneği
Öncelikle sahip olduğumuz veri setini anlamlandırmak adına bazı gözlemler yapalım:
Şimdi yaş değişkenini uygun sınıflara ayırıp, kategorik değişkene çevirelim:
Şimdi müşterilerin ülke, cinsiyet, cihaz işletim sistemi ve yeni oluşturduğumuz yaş sınıflarını birleştirerek tek bir değişkene indirgeyelim:
customers_level_based
değişkenimizi gözlemlediğimizde, aynı segmentten birçok sayıda olduğunu ve değişkenimizin index’te yer aldığını görüyoruz. Bu sebeple index’te yer alan değişkenimizi sütunlara alalım ve birden fazla olan değerlerimizi tekilleştirelim:
Veri setimizin son durumdaki hali:
Şimdi oluşturduğumuz müşteri profillerini nihai amacımıza ulaşmak adına PRICE
değişkenine göre segmentlere ayırıp betimleyelim:
Şimdi segmentlere ayrılmış olan veri setimize göz atalım:
Son olarak kurduğumuz modeli rastgele iki müşteri profili üzerinden çalıştıralım:
Aldığımız çıktılarda gözlemleyebildiğimiz üzere potansiyel müşteri profilleri üzerinden olası getiri miktarlarını tahmin edebiliyoruz. Bu tahminlerin sonucunda segmentlere göre belirlediğimiz pazarlama ve iletişim stratejilerimizi uygulayabilir ve potansiyel getiri miktarlarına göre bütçe ayarlayabiliriz.
Python ile Veri Bilimi hakkında detaylı bilgi edinmek isterseniz Miuul'un Veri Bilimi için Python Programlama ve Veri Analitiği için Python Progralama üzerine oluşturduğu eşsiz eğitimlere mutlaka göz atın. Veri bilimini kariyer yolunuz haline getirmek istiyorsanız, Miuul’un Veri Bilimci Kariyer Yolculuğu tam olarak aradığınız eğitimi sizlere sunacaktır.
Kaynaklar
Miuul, CRM analitiği