Enhancing deep learning models for campaign participation prediction

Firmalar müşterileri ile uzun vadeli ilişkiler geliştirebilmek adına iletişim kurarlar. Doğru kitleyi doğru ürünle hedeflemek, müşterilere daha iyi hizmet sunarak şirkete olan bağlılıklarını artırma ve dolayısıyla şirket gelirlerini artırma noktasında kritik önem taşır. Bu nedenle şirketler, çoğunlukla kural bazlı çalışan ve insan uzmanlığına dayalı kampanya yönetim sistemleri oluşturmak için büyük yatırımlar yapmaktadır. Son on yılda öneri sistemleri genellikle müşterilerin beklentilerini anlamak ve tahminlemek amacıyla derin öğrenme gibi modelleme tekniklerini de kullanmaktadır. Klasik derin sinir ağları veri içindeki gizli ilişkileri öğrenmede oldukça başarılıdır (genelleme) ancak hatırlama noktasında daha sınırlı yetkinlikleri vardır. Aslen Google Play uygulaması için tasarlanan Wide & Deep öğrenme modeli Wide ve Deep ağ modellerini tek bir model içerisinde birleştirerek bu soruna çözüm sunmaktadır. Bununla birlikte, bu model, uzman bilgisine ve uzmanlar tarafından birden fazla verinin bir araya getirilmesi ile hazırlanmış girdilere ihtiyaç duyar. Bu tezde, özellikle telekomünikasyon alanında, kampanya katılımı tahmini için Wide & Deep ağ modellerini kullanmayı öneriyoruz. Tez kapsamında, modellerde uzman bilgisine duyulan ihtiyacı ortadan kaldırmak amacıyla, bağımsız değişkenler arasındaki çapraz ilişkileri otomatik olarak oluşturmak için karar ağaclarını kullanan bir yöntem geliştirilmiş ve GSM müşterilerinin kampanya katılımını içeren gerçek veri setleri üzerinde kapsamlı bir değerlendirme yapılmıstır. Yapılan karşılaştırma sonucunda önerilen yöntem ile Wide & Deep model performansının önemli oranda artırılabildiği ve Deep, Wide & Deep modellerden daha iyi sonuçlar elde edildiği gözlemlenmiştir. Ayrıca, kampanya sistemlerinde sadece sınırlı sayıda müşteri erişime izin verildiğinden, kabul edilme ihtimali en yüksek olan tekliflerin müşteriye sunulması kritik önem taşımaktadır. Dolayısıyla, kampanya katılımının başarıyla tahminlenebilmesi hatalı tahminlerden kaçınmayı da gerektirmektedir. Bu nedenle başarısız olup olmayacaklarını tahmin edebilecek ağ modelleri oluşturmak amacıyla araştırmamızı sınıflandırma belirsizliği konusunda genişleterek kanıta dayalı derin öğrenme modellerini çalışmamıza dahil ettik. Sonuçlar, önerilen modelin doğru sınıflandırılmış öğeler üzerinde en düşük belirsizlik değerine sahip olduğunu, yanlış sınıflandırdığı öğeler üzerinde ise daha yüksek belirsiklikle karar vermiş olduğunu göstermektedir.