Makine öğrenmesi nasıl öğrenir?
Makine öğrenmesinde bilgisayara bir işin nasıl yapılacağı değil, işin doğru yapılmış örnekleri gösterilir. Bir modele geçmişte alışveriş yapmayı bırakan ve devam eden binlerce müşterinin verisi verildiğinde, model hangi davranışların ayrılığı haber verdiğini kendisi bulur: son siparişten bu yana geçen gün, iade oranı, e-posta açılma sıklığı gibi.
Eğitim tamamlandıktan sonra model, henüz ayrılmamış müşteriler için bir risk skoru üretir. Pazarlama ekibi bu skoru tahmine dayalı segmentasyon için kullanır ve yüksek riskli müşterilere özel bir kampanya hazırlar.
Sayılarla bir örnek: 10.000 müşterinin geçmişiyle eğitilen bir model, önümüzdeki 90 günde alışveriş yapmayacağını düşündüğü 800 müşteriyi işaretler. Bu 800 kişiden 600'ü gerçekten ayrılırsa modelin kesinliği yüzde 75'tir. Aynı dönemde toplam 1.000 müşteri ayrılmışsa model bunların 600'ünü yakalamıştır; yani duyarlılığı yüzde 60'tır. İki sayı birlikte okunmadan modelin iyi ya da kötü olduğuna karar verilemez.
Makine öğrenmesinin üç ana türü
| Tür | Veri | Pazarlama örneği |
|---|---|---|
| Denetimli öğrenme | Doğru cevabı etiketlenmiş örnekler | Kayıp riski tahmini, dönüşüm olasılığı |
| Denetimsiz öğrenme | Etiketsiz veri; model benzerleri gruplar | Davranışa göre müşteri kümeleri, benzer kitle mantığı |
| Pekiştirmeli öğrenme | Deneme, ödül ve ceza | Teklif stratejileri, dinamik fiyat denemeleri |
Reklam platformlarındaki akıllı teklif stratejileri, her açık artırmada dönüşüm olasılığını tahmin eden makine öğrenmesi modellerine dayanır.
Bir makine öğrenmesi projesi hangi adımlarla kurulur?
- Soruyu netleştir. "Müşteri kaybını azaltmak" değil, "önümüzdeki 90 günde alışveriş yapmayacak müşterileri önceden bulmak" gibi ölçülebilir bir soru yaz.
- Veriyi topla ve temizle. Sipariş, iade, ziyaret ve e-posta verilerini tek müşteri kimliğinde birleştir; eksik ve çelişkili kayıtları ayıkla.
- Veriyi ikiye ayır. Modeli verinin bir kısmıyla eğit, hiç görmediği diğer kısmıyla sına. Aynı veriyle hem eğitip hem test etmek yanıltıcı sonuç verir.
- İş ölçüsüne çevir. Model skorunu "hangi müşteriye hangi teklif" kararına dönüştür ve kampanya sonucunu kontrol grubuyla karşılaştır.
- Düzenli yeniden eğit. Sezon, fiyat ve ürün yapısı değiştikçe modelin isabeti düşer; dönemsel olarak güncelle.
Makine öğrenmesinde sık yapılan hatalar
- Ezberleme (aşırı uyum): Model eğitim verisinde kusursuz, yeni veride başarısız olur. Belirtisi, test sonucunun eğitim sonucundan belirgin düşük çıkmasıdır.
- Gelecekten bilgi sızdırmak: Tahmin anında henüz bilinmeyen bir bilgiyi (örneğin iade tarihini) modele vermek, sahte bir başarı yaratır.
- Tek ölçüye bakmak: Nadir olaylarda "doğruluk" yanıltır. Müşterilerin yüzde 5'i ayrılıyorsa "kimse ayrılmayacak" diyen model bile yüzde 95 doğru görünür.
- Veriye körü körüne güvenmek: Geçmiş kampanyaların yarattığı önyargı modele taşınır; model geçmişte yalnızca belirli bir kitleye gösterilen teklifleri "doğru" sanar.
Sıkça sorulan sorular
Makine öğrenmesi ile yapay zeka aynı şey mi?
Değil. Yapay zeka şemsiye kavramdır; makine öğrenmesi onun veriden öğrenen alt alanıdır. Bugün kullanılan yapay zeka araçlarının büyük çoğunluğu makine öğrenmesine dayanır.
Makine öğrenmesi için ne kadar veri gerekir?
Görevin zorluğuna göre değişir. Basit bir sınıflandırma birkaç bin örnekle çalışabilir; görsel ya da dil gibi karmaşık görevler için çok daha fazlası gerekir ve bu noktada derin öğrenme devreye girer.
Küçük bir e-ticaret işletmesi makine öğrenmesinden yararlanabilir mi?
Evet, çoğu zaman kendi modelini kurmadan. Reklam platformlarının teklif stratejileri, e-posta araçlarının gönderim zamanı tahmini ve öneri modülleri hazır makine öğrenmesi hizmetleridir.
Temelleri öğrenmek için Google Machine Learning Crash Course ücretsiz ve iyi yapılandırılmış bir kaynaktır.
Makine öğrenmesine dayanan arama sistemlerinin içerikleri nasıl seçtiğini yapay zeka aramasında görünürlük rehberinde anlattım.
ChatGPT, Gemini ve Google AI Modu'nda markanızın doğru bilgiyle anılmasını ve kaynak gösterilmesini sağlayan, ölçülebilir GEO danışmanlığı.
