Öngörücü Analitiğe Yeni Başlayanlar İçin Kılavuz

Öngörücü analitik, bir kuruluşun hangi işlevde veya sektörde olursa olsun karar alma süreçlerini iyileştirmek için ihtiyaç duyduğu motordur. Ayrıca, öngörücü analitiği hayata geçirmek, başka yerde bulunması zor bir rekabet avantajı sağlar.

Bu yazıda, öngörücü analitiğin ne olduğunu tartışıyor, nasıl kullanıldığına dair bazı örnekleri inceliyor ve nasıl çalıştığına bakıyoruz.

Öngörücü Analitik Nedir?

Öngörücü analitik; veri madenciliği, öngörücü modelleme ve makine öğrenmesi dahil olmak üzere çeşitli istatistiksel ve veri analitiği tekniklerini tanımlayan bir şemsiye terimdir. Öngörücü analitiğin temel amacı, geçmiş verilerdeki örüntüler ve içgörülerden yararlanarak sonuçlar, eğilimler veya olaylar hakkında tahminlerde bulunmaktır.

Öngörücü analitik, bir kuruluşta dört analitik yetkinlik aşamasının ikincisidir. Sırasıyla dört analitik aşama şunlardır:

1. Tanımlayıcı analitik - geçmişte ne olduğunun belirlenmesi
2. Teşhis edici analitik - neden olduğunun anlaşılması
3. Öngörücü analitik - sırada ne olacağının tahmin edilmesi
4. Yönergeci analitik - bunun en iyi nasıl gerçekleşeceğinin optimize edilmesi ve üzerinde deney yapılması

Kuruluşların bu analitik aşamalarına bu sırayla ulaşması gerekir; çünkü geleceği etkili biçimde tahmin etmek ancak geçmişi anlayarak mümkündür. Bu sayede kuruluşlar, ne olduğuna ve neden olduğuna dair anlayıştan, sırada ne olacağını tahmin etmeye geçer. Analitiğin ek bir son aşaması ise zamanla sürekli öğrenen, tam optimize edilmiş, otonom analitik sistemleri içerir ve bunlar fiilen ‘akıllı’dır.

Öngörücü modelleme, iki tür makine öğrenmesi algoritmasını içerir: denetimli ve denetimsiz. Denetimli makine öğrenmesi algoritmaları bir hedef sonucu tahmin etmek için kullanılır ve öngörücü analitik için başlıca araçlardır. 

Öngörücü analitikte makine öğrenmesini adım adım kullanmaya yönelik bir yürüyüş turu için Şarkı Sözü Analizi eğitimimize göz atın.

İki ana denetimli makine öğrenmesi algoritması türü vardır:

• Sınıflandırma modelleri - gözlemlerin belirli bir kategoriye veya sınıfa girip girmeyeceğini tahmin etmek için kullanılır. Örneğin, bir müşterinin ayrılıp ayrılmayacağını tahmin etmek. Yaygın sınıflandırma teknikleri arasında karar ağaçları ve lojistik regresyon modelleri bulunur.
• Regresyon modelleri - bir değeri tahmin etmek için kullanılır. Örneğin, bir ilanın tıklanma oranını tahmin etmek. Bu tür değerleri tahmin etmek için yaygın yöntemler doğrusal regresyon ve polinom regresyon modelleridir.

Öte yandan, denetimsiz makine öğrenmesi algoritmaları tahmin üretmez; bunun yerine, benzer veri noktalarını etiketlemek veya gruplamak için kullanılabilecek örüntüleri belirlemeye çalışır. Örneğin, en popüler denetimsiz algoritmalardan biri k-ortalama kümeleme olup, müşteriler gibi benzer veri noktaları kümelere ayrılır.

Öngörücü analitik ayrıca mevcut eğilimleri belirlemek, geleceği öngörmek ve sonuçları tahmin etmek için diğer istatistiksel ve veri madenciliği tekniklerini de içerebilir. Kuruluşların öngörücü analitiği nasıl kullanabileceğine ilişkin bazı somut örnekleri bu yazının ilerleyen bölümlerinde ele alacağız.

Yönergeci ve Öngörücü Analitik Arasındaki Fark

Yönergeci analitik, bir kuruluşun analitik yetkinliklerinin üçüncü aşamasıdır ve bir önceki aşamada oluşturulan öngörücü modeller üzerine inşa edilir.

Öngörücü analitik bize bir şeyin neden olduğunu ve sırada ne olabileceğini söylerken, yönergeci analitikte odak, halihazırda kurduğumuz modelleri optimize etmek ve üzerinde deney yapmaktır. "Ya şöyle olursa" sorularınıza yanıt verir ve deneyler ile simülasyonlardan elde edilen bilgilere dayanarak en iyi senaryoyla ilerlemenize olanak tanır.

Amazon CEO’su Jeff Bezos’un meşhur sözüyle: "Amazon’daki başarımız, yılda, ayda, haftada, günde yaptığımız deney sayısının bir fonksiyonudur."

Analitik süreçlerin ve projelerin tüm yönlerinde deneyler yapmak, başarılı yönergeci analitik için temel bir gerekliliktir.

Öngörücü Analitik Örnekleri

Öngörücü analitik, veri noktalarını bir kuruluşun birçok yönünü yönlendirebilecek ve bilgilendirebilecek değerli içgörülere dönüştürür. 

İşte kuruluşların öngörücü analitikten yararlanabileceği birkaç örnek:

Finansal KPI’ların tahmin edilmesi 

Gelir, gider ve stok gibi temel finansal metriklerin tahmin edilmesi, yalnızca sezgiye değil, olgu ve verilere dayalı daha etkili ve bilinçli karar vermeyi sağlar.

Bankacılıkta dolandırıcılığın tespiti ve azaltılması

Bir banka için en maliyetli ve yıkıcı durumlardan biri dolandırıcılık faaliyetleridir. Öngörücü analitik, dolandırıcılığa işaret edebilecek anormallikleri ve zafiyetleri tespit etmeye yardımcı olarak bu kurumların hızlıca harekete geçmesini sağlayabilir.

Bir müşterinin kredi temerrüdüne düşüp düşmeyeceğinin tahmin edilmesi 

Kredi vermek, sigorta ve finans kuruluşları için doğası gereği risklidir. Bir müşterinin kredi temerrüdüne düşme olasılığını tahmin etmek için öngörücü modeller kullanmak, bu riskin önemli ölçüde azaltılmasının en etkili yoludur.

Çalışan ayrılma oranının tahmin edilmesi

Öngörücü analitik, çalışan ayrılmasını tahmin ederek kuruluşunuzun insan kaynakları yönetimini iyileştirmeye yardımcı olabilir. Bu, gelecekteki işe alım ihtiyaçlarını öngörmeyi ve çalışanları teşvik etmek için doğru zamanı bulmayı içerir.

Müşteri satın alma davranışının anlaşılması

Kuruluşlar, müşteri satın almalarının arkasındaki örüntüleri keşfederek ve satın alma davranışlarının nedenlerini inceleyerek satış ve dönüşüm oranlarını artırabilir. Bu davranışları anlamak için Python ile müşteri analitiği ve A/B testi kullanabilirsiniz. 

Pazarlama kampanyalarının doğru müşterilere hedeflenmesi

İşletmeler, doğru müşterileri doğru zamanda hedefleyerek reklamların tıklanma oranlarını ve genel olarak pazarlama kampanyalarının dönüşümlerini artırabilir. Öngörücü analitiğin pazarlamaya uygulanmasına daha derinlemesine bakmak için DataCamp’in Python ile müşteri ayrılmasını tahmin etme kursuna göz atın.

Üretim israfının azaltılması

Öngörücü analitik, kuruluşunuzun üretim israfına yol açan etkenleri anlamasına yardımcı olarak doğru alanlarda aksiyon almasını sağlar. Bu etkenleri anlamak için öngörücü modeller kullanmak, kuruluşlarda önemli maliyet tasarruflarıyla sonuçlanabilir.

Öngörücü Analitik Nasıl Çalışır?

Birçok farklı öngörücü analitik aracı mevcuttur. Seçtiğiniz araç, analizinizin amacına bağlıdır: Tableau ve Power BI gibi iş zekâsı ve görselleştirme araçlarından R Programlama ve Python gibi karmaşık programlama dillerine kadar.

Python’da öngörücü analitiğe giriş için Python ile Öngörücü Analitiğe Giriş kursumuza bakın. Python’a veya öngörücü analitiğe zaten aşinaysanız Python ile Orta Düzey Öngörücü Analitik kursunu inceleyebilirsiniz.

Çoğu öngörücü analitik projesi benzer iş akışlarını ve süreçleri izler. Bu bölümde, projelerde en sık karşılaşılan başlıca adımların üzerinden geçiyoruz.

Amaç

Her öngörücü analitik projesi, amacın anlaşılması, sorunun belirlenmesi ve en iyi çözümün seçilmesiyle başlamalıdır.

Öngörücü analitik projelerinin hedefi, kuruluşun stratejik hedeflerine ulaşmasına yardımcı olmaktır. Projenin hedefi, kuruluş için kritik bir hedefe bağlandığında, ilgili tüm kademelerden benimseme sağlanma olasılığı artar. Bu da projenin yalnızca değerli değil, aynı zamanda başarılı olmasını temin eder.

Projenin amacı belirlendikten sonra, bu doğal olarak projenin çözmesi gereken net bir soruna ve oraya ulaşmak için gereken çözüme işaret eder.

Veri

Veriler CSV dosyaları, veritabanları, ambarlar ve üçüncü taraf uygulamalar gibi çeşitli kaynaklardan gelebilir. Henüz yapılmadıysa, bu veri kaynakları öngörücü analitik ve modellemede kullanmadan önce merkezi bir konumda birleştirilmeli ve yönetilmelidir. Bu, verinin güvenli olmasını ve kalite ile yönetişimin en öncelikli konular olmasını sağlar.

Eski bir veri analitiği deyişiyle: "çöp girerse, çöp çıkar." Tüm verilerinizi elektronik tablolarda saklamaktan kaçınmaya çalışın. Esnek olmakla birlikte, elektronik tablolar veri kalitesi ve güvenliği üzerinde kontrol olmaksızın kolayca düzenlenip paylaşılabilir.

Ayrıca, elinizdeki veya gelecekte üretmeyi düşündüğünüz veri hacmini göz önünde bulundurun. Daha büyük veri hacimlerini işleyebilecek uygun depolama sistemleri ve süreçler olmadan öngörücü modeller kurmak, çözümlenmesi gereken sorunlar için gereksiz yere zaman alıcı ve etkisiz olabilir.

Dönüştürme

Bir öngörücü analitik projesindeki dönüştürme adımı, verilerin temizlenmesini, keşfedilmesini ve sonrasında yapılacak analiz veya model için hazırlanmasını içerir.

Veriyi temizlerken, eksik verileri ve bağlam içinde mantık dışı görünen aykırı veya şüpheli değerleri aramalısınız. Bu, veri keşfiyle el ele gider; çünkü veriyi keşfederek onu anlarsınız ve anormallikler daha görünür hâle gelir.

Son olarak, veri projenin bir sonraki adımı için hazırlanmalıdır. Buradaki tam süreç, uygulanacak algoritmaya ve analiz türüne bağlıdır. 

Örneğin, bir reklam kampanyasında tıklanma oranlarını tahmin etmek için doğrusal regresyon modeli kuruyorsanız, doğrusal regresyonun varsayımlarını ve verinin bunları karşılayıp karşılamadığını göz önünde bulundurmalısınız. Ayrıca, verinizdeki kategorik değişkenleri, tek-seçenekli kodlama olarak da bilinen kukla değişkenlere dönüştürmek gerekir.

Bir öngörücü model kurmaya geçmeden önce verinizi eğitim, test ve doğrulama kümelerine ayırdığınızdan emin olun. Modeli, verideki örüntüleri öğrenip tahmin yapabilmesi için eğitim kümesine uydurursunuz. Ancak model üzerinde yineleme yapıp iyileştirmek için bir doğrulama kümesine de ihtiyacınız vardır ve ardından test kümesini kullanarak modelin doğruluğuna dair nihai, yanlı olmayan bir tahmin elde edersiniz.

Analiz

Nispeten basit bir denetimli makine öğrenmesi algoritması olan lojistik regresyonla öngörücü bir model kuruyorsanız, bu adım modeli uydurmanızı ve sonuçları değerlendirmenizi gerektirir. Ancak, sinir ağları gibi bazı karmaşık algoritmalar doğru tahminler üretebilmek için dikkatli ayarlama ve ince ayar ister.

Unutulmaması gereken önemli bir nokta, birçok öngörücü modelin gerçek dünyaya doğru şekilde genelleme yapabilmesi için büyük hacimlerde veriye ihtiyaç duyduğudur. Bu modeller için gereken veri hacmine henüz sahip değilseniz, daha küçük ölçekte tahmin yapmanıza olanak tanıyan diğer teknikleri düşünebilirsiniz. Bu aynı zamanda hedefinize ve çözmeye çalıştığınız iş sorununa bağlıdır ve veri madenciliği ile çeşitli istatistiksel yöntemlerin uygulanması gibi teknikleri içerir.

Canlıya Alma

Bir öngörücü analitik projesindeki son adım canlıya almadır. Bu, projenin nihai çıktısı veya sonucudur ve modelin kuruluşunuza değer katacağı aracı oluşturur. Projeye ve belirli sorununuzu çözmek için seçtiğiniz çözüme bağlı olarak, bu adım basit bir rapor veya gösterge panelinden mevcut platformlara yapılan karmaşık dağıtımlara kadar her şeyi içerebilir.

Daha karmaşık dağıtımlar için kuruluşunuzun süreci sorunsuz ve verimli yürütmeye yetecek yetkinliğe sahip olup olmadığını değerlendirin. Örneğin, en az 1 veri mühendisine yatırım yapmak, başarılı model dağıtımlarına önemli katkı sağlayabilir.

Sonuç

Analitik, özellikle de öngörücü analitik, yalnızca birkaç teknoloji devi ve büyük şirket için ya da kuruluş içindeki seçkin bir grup için ayrılmış değildir. Günümüzde her ölçekteki kuruluş analitik kullanıyor ve analitik neredeyse tüm sektörlere uygulanabiliyor. Ayrıca öngörücü analitik artık bir kuruluş genelinde ekipler arasında dağıtılmış ve sahiplenilen bir işlevdir.

Öngörücü analitik, neredeyse her kuruluş için olağanüstü bir rekabet avantajı sunabilir. Ancak, başarılı bir öngörücü analitik projesinin temel bileşenlerini dikkate almak ve anlamak kritik önemdedir. Bu makale, öngörücü analitiğe bir kılavuz, iş sorunlarına nasıl uygulanabileceği ve nasıl çalıştığının arkasındaki süreç hakkında bir bakış sundu.