<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Aylin Özgür on Medium]]></title>
        <description><![CDATA[Stories by Aylin Özgür on Medium]]></description>
        <link>https://medium.com/@aylinozgur?source=rss-94a03272dd12------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Dw5FX6g4kmL_RmSDe3zmPQ.jpeg</url>
            <title>Stories by Aylin Özgür on Medium</title>
            <link>https://medium.com/@aylinozgur?source=rss-94a03272dd12------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 19:44:20 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@aylinozgur/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[TAVSİYE SİSTEMLERİ: ÜRÜN ÖNERİLERİNDEKİ GÜÇLÜ ARAÇLAR]]></title>
            <link>https://aylinozgur.medium.com/tavsi%CC%87ye-si%CC%87stemleri%CC%87-%C3%BCr%C3%BCn-%C3%B6neri%CC%87leri%CC%87ndeki%CC%87-g%C3%BC%C3%A7l%C3%BC-ara%C3%A7lar-6209ea321103?source=rss-94a03272dd12------2</link>
            <guid isPermaLink="false">https://medium.com/p/6209ea321103</guid>
            <category><![CDATA[association-rule-learning]]></category>
            <category><![CDATA[recomendation-systems]]></category>
            <category><![CDATA[content-based-filtering]]></category>
            <category><![CDATA[collaborative-filtering]]></category>
            <category><![CDATA[recommendations]]></category>
            <dc:creator><![CDATA[Aylin Özgür]]></dc:creator>
            <pubDate>Tue, 31 Oct 2023 11:54:52 GMT</pubDate>
            <atom:updated>2023-10-31T11:54:52.528Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/875/0*YYx2qwZt-_qHHlEf.jpeg" /></figure><h3>İçindekiler</h3><ol><li>Giriş</li><li>Basit Tavsiye Sistemleri</li><li>Birliktelik Kuralı Öğrenme (Association Rule Learning)</li><li>İçerik Temelli Filtreleme (Content-Based Filtering)</li><li>İş Birlikçi Filtreleme (Collaborative Filtering)</li></ol><ul><li>Kullanıcı Bazlı İş Birlikçi Filtreleme</li><li>Ürün Bazlı İş Birlikçi Filtreleme</li><li>Model Temelli Matris Faktörizasyon</li></ul><p>6. Hangi İş Birlikçi Filtreleme Yöntemi Ne Zaman Kullanılmalı?</p><p>7. Sonuç</p><h3>1. Giriş</h3><p>Tavsiye sistemleri (recommendation systems), modern e-ticaret platformlarının ve dijital içerik sağlayıcılarının vazgeçilmez bir parçası haline gelmiştir. Bu sistemler, kullanıcılara daha iyi alışveriş deneyimleri sunmak ve onlara ilgilerini çekebilecek ürünleri veya içerikleri önermek için kullanılır. Bu makalede, tavsiye sistemlerinin temel prensiplerini ve farklı türlerini inceleyeceğiz.</p><h3>2. Basit Tavsiye Sistemleri</h3><p>İlk olarak, basit tavsiye sistemleri hakkında konuşalım. Bu sistemler, iş bilgisi veya temel istatistiksel tekniklerle çalışır. Kategorinin en yüksek puanlı ürünlerini, trend olanları veya efsaneleri önerirler. Örneğin, bir e-ticaret platformunda “En Çok Satanlar” veya “Popüler Ürünler” bölümleri, basit bir tavsiye sisteminin bir örneğidir.</p><h4>2.1. Avantajlar</h4><ul><li>Kolay ve hızlı bir şekilde uygulanabilir.</li><li>Genellikle yeni kullanıcılar için daha iyi çalışır, çünkü kullanıcı hakkında fazla veri gerektirmez.</li><li>Kullanıcıların popüler ve trend ürünleri keşfetmelerine yardımcı olabilir.</li></ul><h4>2.2. Dezavantajlar</h4><ul><li>Kullanıcının kişisel tercihlerini dikkate almaz, yalnızca popüler ürünleri önerir.</li><li>Kişiselleştirme eksikliği, kullanıcıların özel tercihlerine uygun öneriler sunmaz.</li></ul><h4>2.3. Ne Zaman Kullanılmalı</h4><p>Basit tavsiye sistemleri, yeni kullanıcılar için veya kullanıcıların özel tercihlerini henüz anlamak için iyi bir başlangıç ​​noktasıdır.</p><h3>3. Birliktelik Kuralı Öğrenme (Association Rule Learning)</h3><p>Birliktelik kuralı öğrenme (Association Rule Learning), genellikle sepet analizi olarak adlandırılır. Bu yöntem, kullanıcıların belirli ürünleri bir arada satın alma eğilimlerini inceleyerek ürün birlikteliklerini belirler. Bu kurala göre, ürünlerin birlikte görülme olasılığını ve bir ürünün satın alındığında başka bir ürünün satın alınma olasılığını hesaplamak için kullanılır.</p><h4>3.1. Avantajlar:</h4><ul><li>Ürün Birlikteliklerini Keşfetmek İçin Güçlü Bir Yöntem: Association Rule Learning, farklı ürünlerin birlikte satın alınma eğilimlerini analiz etme konusunda etkili bir araçtır. Bu sayede işletmeler, müşterilerin alışveriş sepetlerini daha iyi anlayarak ürün kombinasyonları ve çapraz satış fırsatları oluşturabilir.</li><li>Kullanıcıların Satın Alma Alışkanlıklarını Değerlendirmek: Bu yöntem, müşterilerin belirli ürünleri bir arada satın alma eğilimlerini dikkate alarak, kullanıcı davranışlarını analiz etme imkanı sunar. Bu, işletmelere hedefli pazarlama ve promosyon stratejileri oluşturmak için önemli veriler sağlar.</li></ul><h4><strong>3.2. Dezavantajlar:</strong></h4><ul><li>Herhangi Bir Kullanıcı Kişiselleştirmesi İçermez: Association Rule Learning, yalnızca ürün birlikteliklerini dikkate alır ve kullanıcıların kişisel tercihlerini göz önünde bulundurmaz. Bu nedenle, kişiselleştirilmiş öneriler sunma yeteneği sınırlıdır.</li><li>Büyük Veri Kümeleri Üzerinde Hesaplama Maliyeti Yüksek Olabilir: Büyük veri kümeleri üzerinde bu tür analizler yapmak, hesaplama maliyeti yüksek olabilir. Veri madenciliği ve analiz için güçlü bir bilgi işlem altyapısına ihtiyaç duyulabilir.</li></ul><h4>3.3. Ne Zaman Kullanılmalı:</h4><ul><li>Cross-Selling Fırsatlarını Keşfetmek İsteyenler İçin İdealdir: İşletmeler, müşterilerin hangi ürünleri bir arada satın alma eğiliminde olduğunu anlamak ve çapraz satış fırsatları yaratmak istediklerinde Association Rule Learning’i kullanabilirler.</li><li>E-Ticaret Siteleri ve Süpermarketler İçin Faydalıdır: Özellikle e-ticaret siteleri ve süpermarketler gibi işletmeler, müşteri alışveriş sepetlerini analiz ederek ürün birlikteliklerini anlamak ve önerilerde bulunmak için bu yöntemi kullanabilirler.</li><li>Müşteri Davranışlarını İncelemek İsteyenler İçin Uygundur: Association Rule Learning, müşterilerin alışveriş davranışlarını daha derinlemesine incelemek isteyenler için uygun bir seçenektir.</li></ul><p>Bu nedenle, Association Rule Learning, çeşitli sektörlerde ve işletme türlerinde, özellikle cross-selling fırsatlarını değerlendirmek isteyenler için faydalı bir yöntem olabilir. Ancak, kişiselleştirilmiş öneriler sunma gereksinimleri olan işletmeler, bu yöntemi yalnızca bir parçası olarak kullanabilirler, çünkü Association Rule Learning yalnızca ürün birlikteliklerini analiz eder ve kişisel tercihleri göz ardı eder.</p><h3>4. İçerik Temelli Filtreleme (Content-Based Filtering)</h3><p>İçerik temelli filtreleme, ürünlerin veya içeriklerin özelliklerine dayalı olarak kullanıcılara önerilerde bulunur. Bu yöntem, bir ürünün veya içeriğin özelliklerini analiz ederek, kullanıcının ilgi alanlarına uygun olanları önerir. Örneğin, bir film tavsiye sistemi, kullanıcının beğendiği türdeki filmleri önermek için filmlerin tür, oyuncular, yönetmen ve konu gibi özelliklerini kullanabilir.</p><h4>4.1. Avantajlar</h4><ul><li>Kullanıcının kişisel tercihlerini dikkate alır.</li><li>Ürün veya içerik özelliklerine dayalı öneriler sağlar.</li></ul><h4>4.2. Dezavantajlar</h4><ul><li>Sadece belirli ürünlerin veya içeriklerin özelliklerini kullanır, kullanıcıların ilgi alanlarını değişen tercihlere dayalı olarak yakalayamaz.</li><li>Yeni ürünler için kullanıcı geri bildirimine ihtiyaç duyar.</li></ul><h4>4.3. Ne Zaman Kullanılmalı</h4><p>İçerik temelli filtreleme, ürünlerin veya içeriklerin özelliklerine dayalı kişiselleştirilmiş öneriler sunmak isteyenler için uygundur. Özellikle medya akış hizmetleri ve içerik tabanlı platformlar için idealdir.</p><h3>5. İş Birlikçi Filtreleme (Collaborative Filtering)</h3><p>İş birlikçi filtreleme, kullanıcıların veya ürünlerin geçmiş davranışlarına dayalı olarak önerilerde bulunan bir yöntemdir. Bu, kullanıcıların benzer davranışlarına sahip diğer kullanıcıları veya belirli ürünleri satın alan diğer kullanıcıları inceleyerek önerilerde bulunur. İş birlikçi filtreleme üç farklı türde olabilir:</p><h4>5.1. Kullanıcı Bazlı (User-Based) İş Birlikçi Filtreleme</h4><p>Kullanıcı bazlı iş birlikçi filtreleme, kullanıcının benzer ilgi alanlarına sahip diğer kullanıcıları bulur ve bu kullanıcıların beğendiği ürünleri önerir.</p><h4>5.2. Ürün Bazlı (Item-Based) İş Birlikçi Filtreleme</h4><p>Ürün bazlı iş birlikçi filtreleme, kullanıcının beğendiği bir ürünü inceleyerek, benzer ürünleri önerir.</p><h4>5.3. Model Temelli (Model-Based) Matris Faktörizasyon</h4><p>Model temelli matris faktörizasyon, ileri düzey bir yöntemdir ve kullanıcıların ürünleri nasıl değerlendirdiği ile ilgili karmaşık modeller kullanır.</p><h3>6. Hangi İş Birlikçi Filtreleme Yöntemi Ne Zaman Kullanılmalı?</h3><p>Her bir iş birlikçi filtreleme yöntemi, farklı avantajlara ve dezavantajlara sahiptir ve kullanılacak en uygun yöntem, platformun hedeflerine ve veri durumuna bağlı olarak değişebilir.</p><h4>6.1. Kullanıcı Bazlı İş Birlikçi Filtreleme</h4><ul><li>Kullanıcıların Geçmiş Davranışlarını İnceliyorsanız: Kullanıcıların önceki satın alma geçmişlerine veya içerik tüketimine dayalı öneriler sunmak istiyorsanız, kullanıcı bazlı iş birlikçi filtreleme kullanışlıdır.</li><li>Büyük Veri Tabanlarına Sahip İseniz: Kullanıcılar arasında benzerlik hesaplamalarının yapılabilmesi için büyük bir veri tabanına sahipseniz, bu yöntem daha etkili olabilir.</li><li>Kullanıcıların İlgileri Farklı Değilse: Eğer platformunuzdaki kullanıcılar arasındaki ilgi alanları benzerse, kullanıcı bazlı iş birlikçi filtreleme iyi bir seçenek olabilir.</li></ul><h4>6.2. Ürün Bazlı İş Birlikçi Filtreleme</h4><ul><li>Ürünlerinizin Özellikleri Belirginse: Ürünler arasındaki benzerlik belirginse ve ürünlerin özellikleri iyi tanımlanmışsa, ürün bazlı iş birlikçi filtreleme daha etkili olabilir.</li><li>Yeni Ürünler İçin İyi Öneriler Sunmak İstiyorsanız: Yeni ürünler için kullanıcı geri bildirimi eksikse, ürün bazlı iş birlikçi filtreleme yeni ürünleri başarıyla önerme eğilimindedir.</li></ul><h4>6.3. Model Temelli Matris Faktörizasyon</h4><ul><li>Yüksek Derecede Kişiselleştirilmiş Öneriler İstiyorsanız: Model temelli matris faktörizasyon, en yüksek derecede kişiselleştirilmiş öneriler sunabilir ve kullanıcıların özel tercihlerini daha iyi yakalayabilir.</li><li>Soğuk Başlama Sorununu Azaltmak İstiyorsanız: Yeni kullanıcılar veya ürünler için soğuk başlama sorununu azaltmak istiyorsanız, bu yöntem tercih edilebilir.</li><li>Karmaşık Modeller Kullanmak İstiyorsanız: Model temelli matris faktörizasyon, karmaşık model yapısı kullanma olanağı sunar, bu nedenle daha fazla kontrol ve esneklik sağlar.</li></ul><h3>7. Sonuç</h3><p>Her bir iş birlikçi filtreleme yöntemi, farklı avantajlara ve dezavantajlara sahiptir ve kullanılacak en uygun yöntem, platformun hedeflerine ve veri durumuna bağlı olarak değişebilir. İş birlikçi filtreleme, kullanıcıların ve ürünlerin davranışlarına dayalı kişiselleştirilmiş öneriler sunmak için güçlü bir araçtır, ancak her türünün kendine özgü özellikleri vardır.</p><p>İş birlikçi filtreleme yöntemlerinden hangisinin kullanılması gerektiği, platformun ihtiyaçlarına ve veri koşullarına bağlı olarak değişebilir. İşte her bir iş birlikçi filtreleme yönteminin ne zaman kullanılması gerektiğine dair rehber:</p><ul><li>Kullanıcı Bazlı İş Birlikçi Filtreleme: Kullanıcıların Geçmiş Davranışlarını İnceliyorsanız, Büyük Veri Tabanlarına Sahip İseniz, Kullanıcıların İlgileri Farklı Değilse.</li><li>Ürün Bazlı İş Birlikçi Filtreleme: Ürünlerinizin Özellikleri Belirginse, Yeni Ürünler İçin İyi Öneriler Sunmak İstiyorsanız.</li><li>Model Temelli Matris Faktörizasyon: Yüksek Derecede Kişiselleştirilmiş Öneriler İstiyorsanız, Soğuk Başlama Sorununu Azaltmak İstiyorsanız, Karmaşık Modeller Kullanmak İstiyorsanız.</li></ul><p>Genel olarak, tavsiye sistemleri, kullanıcıların kişiselleştirilmiş öneriler almasını sağlayarak müşteri memnuniyetini artırabilir ve satışları artırabilir. Bu sistemler, her türlü dijital platformda, müzik ve film akış hizmetlerinden e-ticaret sitelerine kadar, yaygın bir şekilde kullanılmaktadır. İşte tavsiye sistemlerinin temel prensipleri ve uygulama alanları!</p><p>Bu şekilde düzenlenmiş bir makale, okuyuculara tavsiye sistemlerinin farklı türlerini ve ne zaman hangi türün kullanılması gerektiğini daha açık bir şekilde anlatacaktır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6209ea321103" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CUSTOMER RELATIONSHIP MANAGEMENT (CRM)]]></title>
            <link>https://aylinozgur.medium.com/customer-relationship-management-crm-fea8a93a02d7?source=rss-94a03272dd12------2</link>
            <guid isPermaLink="false">https://medium.com/p/fea8a93a02d7</guid>
            <category><![CDATA[clv]]></category>
            <category><![CDATA[customer-experience]]></category>
            <category><![CDATA[crm]]></category>
            <category><![CDATA[crm-analytics]]></category>
            <category><![CDATA[cltv]]></category>
            <dc:creator><![CDATA[Aylin Özgür]]></dc:creator>
            <pubDate>Tue, 17 Oct 2023 20:31:31 GMT</pubDate>
            <atom:updated>2023-10-17T20:31:31.984Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/680/1*F2nnfVet2DtYlyy41442Vw.png" /></figure><p>Customer Relationship Management (CRM) encompasses the process of managing and improving interactions with customers within a business. Its aim is to increase customer satisfaction, build loyalty, and boost a company’s revenues. CRM analytics involves a thorough analysis of customer data to help businesses gain deeper insights into their customers. This analysis aids in understanding customer preferences, shopping habits, and more, enabling businesses to develop personalized marketing strategies to enhance customer relationships.</p><h3><strong>CUSTOMER LIFETIME VALUE (CLV)</strong></h3><p>Customer Lifetime Value (CLV), also known as Customer Lifetime Value, represents the total value a customer provides to a business throughout their relationship. CLV helps estimate the revenue a customer brings to the company from their first purchase to their last. When managing customer relationships, businesses can focus on delivering more value to customers by considering CLV.</p><h3><strong>C</strong>USTOMER LIFETIME VALUE PREDICTION (CLTV)</h3><p>Customer Lifetime Value Prediction is an analytical method used to forecast a customer’s future value. This prediction utilizes past data to understand a customer’s future purchasing behaviors and spending habits. Businesses can create customer-specific marketing strategies and enhance customer satisfaction to increase the lifetime value of their customers.</p><p><strong>In a broader context, CRM addresses a company’s desire to manage and enhance interactions with its customers. CLV represents the total value a customer provides to a business throughout their relationship, and CLTV is an analytical method used to estimate a customer’s future value.</strong></p><h3>CLTV METRICS</h3><p><strong><em>Recency:</em></strong> Recency indicates the time elapsed since a customer’s last purchase. This time interval is calculated on a weekly basis and is specific to each individual. It represents the time from a customer’s first purchase to their most recent one.</p><p><strong><em>T (Customer Age):</em></strong> T reflects how long ago a customer made their initial purchase from the analysis date. This time frame is also calculated on a weekly basis and represents the difference between the customer’s first purchase date and the analysis date.</p><p><strong><em>Frequency:</em></strong> Frequency is a metric indicating that a customer has made multiple purchases. It represents the total number of repeat purchases. If this value is greater than 1, it signifies that the customer has made multiple purchases and is considered a repeat customer.</p><p><strong><em>Monetary:</em></strong> Monetary represents the average profit per purchase. Similar to RFM analysis, this value is not the total profit but the average profit per purchase. It shows how much revenue each of the customer’s purchases generates.</p><h3>CLTV CALCULATION PROCESS</h3><p>When calculating Customer Lifetime Value (CLTV), two separate models are used: the BG/NBD Model and the Gamma Gamma Submodel. Consequently, CLTV is obtained through the combination of these two models, as follows:</p><p><strong>CLTV = BG/NBD Model * Gamma Gamma Submodel</strong></p><h3>EXPECTED NUMBER OF TRANSACTIONS WITH BG/NBD MODEL</h3><p>The BG/NBD Model employs a probabilistic approach to model customers’ shopping behaviors. This model addresses two processes: the Transaction Process and the Dropout Process.</p><p><strong><em>Transaction Process:</em></strong><br>As long as a customer is active, the number of transactions they will make in a specific time period is calculated with a Poisson distribution. The transaction rate parameter represents how frequently this transaction occurs. This parameter follows a gamma distribution for all customers (r, a).</p><p><strong><em>Dropout Process:</em></strong><br>Each customer has a probability of dropping out (“p” probability) after making a purchase. After a customer makes a purchase, there is a probability that they will drop out. These probabilities follow a beta distribution for all customers (a, b).</p><h3>GAMMA GAMMA SUBMODEL</h3><p>The Gamma Gamma Submodel is used to estimate a customer’s average profit per transaction. This is a part of the CLTV calculation process.</p><p>The monetary value of a customer’s transactions is distributed around the average transaction value. While the average transaction value can vary among customers over time, it remains constant for an individual customer. The average transaction value follows a gamma distribution for all customers.</p><h3>In Summary</h3><p><strong>The CLTV calculation process combines the probabilistic variations of expected transaction count and average profit per transaction for a customer. This process allows for a more precise and time-projected estimation of a customer’s lifetime value. Therefore, the BG/NBD Model and Gamma Gamma Submodel are used to enhance CLTV predictions.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fea8a93a02d7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CRM ANALİTİĞİ]]></title>
            <link>https://aylinozgur.medium.com/crm-anali%CC%87ti%CC%87%C4%9Fi%CC%87-1bb71a31bc40?source=rss-94a03272dd12------2</link>
            <guid isPermaLink="false">https://medium.com/p/1bb71a31bc40</guid>
            <category><![CDATA[crm-analytics]]></category>
            <category><![CDATA[crm]]></category>
            <category><![CDATA[cltv]]></category>
            <category><![CDATA[clv]]></category>
            <dc:creator><![CDATA[Aylin Özgür]]></dc:creator>
            <pubDate>Tue, 17 Oct 2023 20:22:42 GMT</pubDate>
            <atom:updated>2023-10-17T20:22:42.824Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/680/1*F2nnfVet2DtYlyy41442Vw.png" /></figure><p>Müşteri İlişkileri Yönetimi (CRM), bir işletmenin müşterileri ile etkileşimini yönetme ve iyileştirme sürecini kapsar. Bu, müşteri memnuniyetini artırma, sadakati kazanma ve işletmenin gelirlerini artırma amacını taşır. CRM analitiği, müşteri verilerini derinlemesine analiz ederek, işletmelerin müşterileri hakkında daha fazla bilgi edinmelerine yardımcı olur. Bu analiz, müşteri tercihlerini, alışveriş alışkanlıklarını ve daha fazlasını anlamalarına yardımcı olur. Böylece işletmeler, kişiselleştirilmiş pazarlama stratejileri oluşturarak müşteri ilişkilerini geliştirebilir.</p><h3>MÜŞTERİ YAŞAM BOYU DEĞERİ (CLV)</h3><p>Müşteri Yaşam Boyu Değeri (Customer Lifetime Value — CLV), bir müşterinin işletmeyle olan ilişkisi boyunca sağladığı toplam değeri ifade eder. CLV, müşterinin ilk satın alma işleminden son satın alma işlemine kadar olan süreçte işletmeye kazandırdığı geliri tahmin etmeye yardımcı olur. İşletmeler, müşteri ilişkilerini yönetirken CLV’yi göz önünde bulundurarak müşteriye daha fazla değer sunmaya odaklanabilir.</p><h3>MÜŞTERİ YAŞAM BOYU DEĞERİ TAHMİNİ (CLTV)</h3><p>Müşteri Yaşam Boyu Değeri Tahmini, bir müşterinin gelecekteki değerini tahmin etmek için kullanılan bir analiz yöntemidir. Bu tahmin, müşterinin gelecekteki satın alma davranışlarını ve harcama alışkanlıklarını anlamak için geçmiş verileri kullanır. İşletmeler, müşteriye özgü pazarlama stratejileri oluşturarak ve müşteri memnuniyetini artırarak müşterilerinin yaşam boyu değerini artırmaya çalışabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/277/1*umhCD7708JawBzGWXlOeow.jpeg" /></figure><h4>Genel resme bakıldığında CRM’in amacı şirketlerin müşterileri ile etkileşimini yönetme ve iyileştirme beklentilerine cevap verir. CLV, bir müşterinin işletmeyle olan ilişkisi boyunca sağladığı toplam değeri ifade eder. CLTV ise bir müşterinin gelecekteki değerini tahmin etmek için kullanılan bir analiz yöntemidir.</h4><h3>CLTV METRİKLERİ</h3><p><em>Recency (Yenilik)</em><strong>:</strong> Recency, müşterinin son satın almasından bu yana geçen zamanı ifade eder. Bu zaman aralığı haftalık olarak hesaplanır ve kişiye özeldir. Bu süre, kişinin ilk alışverişinden son alışverişine kadar olan süreyi temsil eder.</p><p><em>T (Müşterinin Yaşı):</em> T, müşterinin analiz tarihinden itibaren ne kadar süre önce ilk satın alımını yaptığını gösterir. Bu zaman dilimi de haftalık olarak hesaplanır ve müşterinin ilk alışveriş tarihi ile analiz tarihi arasındaki farkı ifade eder.</p><p><strong><em>Frequency (Sıklık):</em></strong> Frequency, bir müşterinin birden fazla alışveriş yapmış olduğunu belirten bir parametredir. Yani, müşterinin tekrar eden toplam satın alma sayısını ifade eder. Bu değer, 1&#39;den büyükse, müşterinin birden fazla alışveriş yapmış olduğunu gösterir ve müşteri olarak kabul edilir.</p><p><em>Monetary (Parasal Değer):</em> Monetary, her bir satın alma işlemi başına ortalama kazancı temsil eder. RFM analizi gibi, bu değer toplam kazanç değil, her satın alma işlemi için ortalama kazançtır. Yani, müşterinin her bir alışverişi ne kadarlık bir gelir sağladığını gösterir.</p><h3>CLTV HESAPLAMA İŞLEMİ</h3><p>Müşteri Yaşam Boyu Değeri (CLTV) hesaplarken iki ayrı model kullanırız: BG/NBD Modeli ve Gamma Gamma Submodeli. Sonuç olarak, CLTV, bu iki modelin birleşiminden elde edilir, yani:</p><p>CLTV = BG/NBD Model * Gamma Gamma Submodel</p><h3>BG/NBD Modeli ile Beklenen İşlem Sayısı (Expected Number of Transaction with BG/NBD):</h3><p>BG/NBD Modeli, müşterilerin alışveriş davranışlarını olasılıksal bir yaklaşımla modeller. Bu model iki süreci ele alır: Satın Alma Süreci (Transaction Process) ve Ölene Kadar Alışveriş Yapma Süreci (Dropout Process).</p><p><strong><em>Transaction Process (Satın Alma Süreci):</em></strong></p><p>Müşteri canlı olduğu sürece, belirli bir zaman periyodunda, bu müşterinin gerçekleştireceği işlem sayısı Poisson dağılımı ile hesaplanır.</p><p>Transaction rate parametresi, bu işlemin ne kadar sıklıkla gerçekleştiğini ifade eder. Bu parametre, tüm müşteriler için gamma dağılımına sahiptir (r, a).</p><p><strong><em>Dropout Process (Ölene Kadar Alışveriş Yapma Süreci):</em></strong></p><p>Her bir müşterinin belirli bir olasılıkla (“p” olasılığıyla) drop-out (alışveriş yapmayı bırakma) ihtimali vardır.</p><p>Müşteri bir alışveriş yaptıktan sonra belirli bir olasılıkla drop-out olur. Bu olasılıklar, tüm müşteriler için beta dağılımına sahiptir (a, b).</p><h3>GAMMA GAMMA SUBMODELİ:</h3><p>Gamma Gamma Submodeli, bir müşterinin işlem başına ortalama kazancını tahmin etmek için kullanılır. Bu, CLTV hesaplama sürecinin bir parçasıdır.</p><p>Müşterinin işlemlerinin parasal değeri (monetary), transaction value’ların ortalaması etrafında dağılır. Ortalama transaction value, müşteriler arasında zaman içinde değişebilir, ancak bir müşteri için sabittir. Ortalama transaction value, tüm müşteriler için gamma dağılımına sahiptir.</p><h3>ÖZETLE:</h3><p>CLTV hesaplama işlemi, müşterinin beklenen işlem sayısı ve işlem başına ortalama kazancının olasılıksal hallerini birleştirerek gerçekleştirilir. Bu işlem, müşterinin yaşam boyu değerini daha hassas ve zaman projeksiyonlu bir şekilde tahmin etmemize olanak tanır. Bu nedenle BG/NBD Modeli ve Gamma Gamma Submodeli CLTV tahminlerini geliştirmek için kullanılır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1bb71a31bc40" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>