Amaç - Bu çalışma, pazarlama amacıyla işletmeye faydalı olabilecek müşteri kitlesini, yüksek miktardaki satış ve promosyon verilerinden faydalanarak seçmeyi ve puanlandırmayı amaçlamaktadır. Yöntem - Bu amaç doğrultusunda, markalara ve perakendecilere müşteri verileri üzerinden hizmet sağlayan Dunnhumby şirketinin bilimsel amaçlarda kullanılmak üzere sunmuş olduğu ve haftalık kahvaltı ürünlerinden elde edilen “Breakfast at the FRAT” başlığı altında toplanılan satış bilgileri çalışmanın deney veri setini oluşturmuştur. Pazarlama bütçesini tüm müşterilerine harcamak yerine sadece potansiyel müşteri kitlesine harcamasına imkân tanıyan XGBoost algoritması kullanılarak pazarlamanın daha etkin ve verimli olabileceği müşterilerin belirlenmesine yönelik özgün bir model önerilmiştir. Bulgular - Analizi yapılan veriler 2011 ile 2019 yılları arasında 156 haftalık bir süreyi kapsamaktadır. Özellik sayısının ve karmaşıklık durumunun minimuma indirgendiği çalışma kapsamında, model performansına ait ölçüt parametreleri yüksek başarı oranlarına sahiptir. Bu oranlar pazarlamada kullanılacak bütçenin uygun müşteri kitlesine harcanmasına yönelik oluşturulan model için kullanılan algoritmanın uygun olduğunu ortaya koymaktadır. Tartışma - Büyük verilerin makine öğrenmesi teknikleri ile analiz edilmesi sonucu ortaya çıkan bulguların veri bilimine katkılar sunacağı ve çalışmada izlenilen yöntemin işletmelerin finansal açıdan tahmin ve öngörüler yapabilecekleri bir bütçe destek sisteminin altyapısını oluşturacağı düşünülmektedir. Gerçek dünya verilerinden elde edilen ve yapılan satışlar üzerinden birkaç özellik grubunun etkisi kullanılarak pazarlama için ayrılacak bütçenin verimliliğinin arttırılmasına yönelik bu çalışmada, en iyi tahminin yapıldığı sınıflandırma algoritmasının belirlenerek veri bilimine katkı sağlanması ve rehberlik etmesi mümkündür. Yapılan çalışmanın altyapısının daha da geliştirildiği bir modelin işletmeler tarafından kullanılarak iş dünyasına katkı sağlanma imkanı da vadır.
Purpose - This study aims to select and score the customer base that can be beneficial to the business for marketing purposes by using the large amount of sales and promotion data. Design/methodology / approach - For this purpose, the sales information collected under the heading "Breakfast at the FRAT", which was provided by Dunnhumby Company, which provides services to brands and retailers through customer data, for scientific purposes and obtained from weekly breakfast products, constituted the experimental data set of the study. An original model has been proposed to identify customers for whom marketing can be more effective and efficient by using XGBoost algorithm, which allows the marketing budget to be spent only on the potential customer rather than all its customers. Findings - The analyzed data cover a period of 156 weeks between 2011 and 2019. Within the scope of the study in which the number of features and complexity conditions are minimized, the criterion parameters of the model performance have high success rates. These rates reveal that the algorithm used for the model created to spend the budget to be used in marketing to the appropriate customer group is appropriate. Discussion - It is thought that the findings resulting from the analysis of big data with machine learning techniques will contribute to data science and the method followed in the study will form the infrastructure of a budget support system where businesses can make financial estimates and predictions. It is possible to contribute and guide data science by determining the classification algorithm with the best estimate in this study, aimed at increasing the efficiency of the budget to be allocated for marketing by using the effect of a few feature groups over the sales obtained and made from real world data. There is also the possibility of contributing to the business world by using a model in which the infrastructure of the study is further developed by businesses.
