Bulanık çıkarım ve makine öğrenmesi tabanlı sadakat programı tasarımı
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: NURİCAN KAZAZ
Danışman: Selçuk Çebi
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Teknolojik gelişmeler ve değişimler, insanların yaşamını, davranışlarını ve tercihlerini hızla değiştirmekte ve iş dünyasının dinamiklerini de etkilemektedir. Günümüzde firmalar veriyi doğru ve etkili bir biçimde kullanarak diğerlerinden bir adım öne geçebilmektedir. Müşterisini anlayan ve onun ihtiyaçlarına karşılık verebilen işletmeler ancak başarılarını sürdürülebilir kılabilir. Bu sebepten dolayı müşteri sadakatini sağlamak tüm sektörlerde önemli bir zorluk haline gelmiştir. Rekabetin yüksek olduğu sektörlerde, müşteri davranışlarını doğru bir şekilde analiz etmek ve hedefli pazarlama stratejileri geliştirmek hayati öneme sahiptir. Veriden anlamlı içgörüler elde etmek, veri sayısı oldukça fazla olduğundan kolay gibi gözükse de veride karmaşıklık ve anlam arttığından dolayı bunu etkin biçimde gerçekleştirmek oldukça zordur. Restoranlar için etkili bir yaklaşım, müşteri sadakatini artıran kişiselleştirilmiş indirim oranları tanımlamaktır. Bu çalışmada, paket servis yemek müşterilerine hizmet veren çeşitli uygulama kanallarından toplanan gerçek müşteri verileri analiz edilmiştir. Müşteri verileri denetimsiz makine öğrenmesi algoritmaları ve RFM (Yenilik, Sıklık, Parasal Değer) yöntemi kullanılarak kümelendirilmiş ve etiket değerleri atanmıştır. Etiket değerleri doğrultusunda müşteri indirim oranları ilgili kümelere tanımlanmıştır. Elde edilen kümelemenin performansı, kümeleme algoritması seçilirken kullanılan Silüet, Davies-Bouldin ve Calinski-Harabasz indekslerinin ağırlıklı ortalaması kullanılarak belirlenmiştir. Belirlenen değerler sonucu oluşturulan kümelerin arasındaki fark ise Kruskal-Wallis testi kullanılarak belirlenmiştir. Tanımlanan indirim oranlarının müşteri hedefli ve kişiselleştirilmiş indirimler olması için yenilik, sıklık ve parasal değer özellikleri, ortalama ve standart sapma değerlerinden yararlanılarak bulanıklaştırılmış ve Mamdani kural tabanı kullanılarak müşteriler için indirim katsayıları hesaplanmıştır. Hesaplanan indirim katsayıları ile makine öğrenmesi sonucu elde edilen kümeye atanan indirim oranı çarpılarak nihai indirim oranı bireysel müşteri düzeyinde tanımlanmıştır. Önerilen yeni yöntem üç farklı restoran üzerinde uygulanmış ve algoritma performansları test edilmiştir. Bu çalışma veri odaklı ve uygulamalı hibrit bir sadakat programı tasarımını ve yeni bir araştırma çerçevesini ortaya koymaktadır.