Machine learning-driven optimization: Applications in retention management and rank aggregation

u tez kapsamında, dijital pazarlama ve paylaşım ekonomisi alanlarındaki karmaşık optimizasyon problemlerinin zorlukları ele alınmış ve çözüm için Makine Öğrenmesi (MÖ) ve Yöneylem Araştırması (YA) teknikleri arasındaki sinerji incelenmiştir. Dijital pazarlama konusunda gerçek bir müşteri sadakat yönetimi çerçevesi önerilmiş, paylaşım ekonomisi alanında ise yolculuk paylaşımı problemi için sıra toplulaştırma (agregasyon) temelli bir eşleştirme yaklaşımı sunulmuştur. Çalışma, müşteri sadakat oranını artırmak ve yolculuk paylaşım operasyonlarını optimize etmek için MÖ'nün tahmin doğruluğunu YA'nın karar verme stratejileri ile birleştiren yenilikçi modeller geliştirmeyi amaçlamaktadır. Araştırmada teorik kavramlar pratik uygulamalarla birlikte incelenmiş ve bu sayede operasyonel verimlilikte önemli iyileştirmeler sağlayan sofistike algoritmaların oluşturulması hedeflenmiştir. Giriş bölümünde, MÖ ve YA arasındaki sinerji potansiyeli özetlenmekte ve gerçek dünya sorunlarını çözmek için disiplinler arası bir yaklaşıma duyulan ihtiyaç vurgulanmaktadır. Uygulama tarafında, dijitalleşmiş verinin kolay erişilebilir olmasından dolayı müşteri sadakati ve yolculuk paylaşımı problemlerine odaklanılmıştır. Bu sayede problemin çözümü için gelişmiş analitik tekniklerin kullanılması mümkün olmuştur. MÖ ve YA tekniklerinin entegrasyonu ile geliştirilen uygulamalar, hedeflenen problemlerdeki karar verme süreçlerini iyileştirmiş ve operasyonel verimliliği artırmıştır. Çalışmada, müşteri sadakatini kontrol etmek için kullanılan kestirimci modeller ve geliştirilen veriye dayalı yolculuk paylaşımı eşleştirme algoritması mevcut modellere göre kayda değer seviyede daha iyi performans göstermiştir. Bu sonuç MÖ ve YA teknikleri arasındaki sinerjinin fayda sağlayabildiğini teyit etmektedir. İleride yapılacak araştırmalar, daha büyük veri kümelerini işleyebilen ve gerçek zamanlı analizler sunabilen daha gelişmiş algoritmalar geliştirmeye yönelik olabilir. Tez ayrıca, karmaşık sistemsel zorlukları keşfetmek için daha fazla disiplinler arası çalışmayı teşvik etmekte ve önerilen modellerin kapsamını ve etkinliğini genişletmeyi vaat etmektedir.