Makine öğrenmesi ve derin öğrenme teknikleri ile müşteri yaşam boyu değeri ve terk eşiği tahmini

2020 yılı sonrası dijitalleşmenin hız kazanmasıyla birlikte, müşteri davranışlarını doğru analiz edebilmek, işletmeler için stratejik bir öncelik haline gelmiştir. Bu çalışmada, müşteri yaşam boyu değeri müşteri terk analizini birlikte ele alarak hem müşterilerin gelecekteki potansiyel harcama tutarlarını hem de işletmeyi terk etmeden önceki alışveriş eşiklerini tahmin eden e-ticaret sektörüne yönelik bütüncül bir müşteri segmentasyon modeli geliştirilmiştir. Çalışmada üç aşamalı bir yaklaşım benimsenmiştir. Model 1, geçmiş 12 aylık müşteri davranışları ve satın alma verileri kullanılarak müşterilerin gelecek 6 aylık harcamaları regresyon temelli algoritmalarla tahmin edilmiştir. Model 2 alışverişi terk etmiş müşterilerin davranış örüntüleri incelenerek aktif müşterilerin hangi harcama düzeyinden sonra platformu terk edeceği öngörülmüştür. Model 3, elde edilen tahminler kümeleme algoritmaları ile analiz edilerek müşteriler kârlılık ve sadakat düzeylerine göre gruplandırılmıştır. Modelleme sürecinde XGBoost, Gradyan Artırma, LightGBM, Rastgele Orman, Yapay Sinir Ağı, Derin Sinir Ağı, Tekrarlayan Sinir Ağı ve Evrişimli Sinir Ağı gibi ileri düzey makine öğrenmesi ve derin öğrenme yöntemleri test edilmiştir. Segmentasyon için ise K-Ortalama ve Hiyerarşik Kümeleme algoritmaları kullanılmıştır.Bu bütünleşik yaklaşım, MYBD ve müşteri terk davranışını aynı çatı altında ele almasıyla tek boyutlu sınıflandırmalara alternatif olarak öne çıkmaktadır. Elde edilen segmentasyon sonuçları, "Sadık ve Stratejik Müşteriler", "Karlı ama Terk Riski Yüksek Müşteriler", "Geliştirilebilir Potansiyel Müşteriler" ve "Düşük Riskli ve Düşük Değerli Müşteriler" gibi anlamlı gruplar ortaya koyarak pazarlama stratejilerine doğrudan aksiyon alınıp katkı sağlayabilir. E-ticaret sektöründen elde edilen veriler ile gerçekleştirilen bu çalışma, saha odaklı yapısı ve bütüncül modelleme yaklaşımı ile hem akademik literatüre hem de sektörel uygulamalara önemli katkılar sunmaktadır.