EUVIMEDEUVIMED entdecken
Crossref

Makine Öğrenmesi Yöntemleri ile E-Ticarette Müşteri Kaybı Tahmini

Ülkü Hoş İkizoğlu, Gökalp Tulum, Nuri Bingöl, Onur Osman

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi · 27.07.2026 · 17 (2)

DOI: 10.24012/dumf.1896785 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, online erschienen am 27.07.2026. Verfasst von Ülkü Hoş İkizoğlu und 3 weiteren Autor:innen. Die Arbeit nennt 41 Literaturangaben. Gefördert von: Üsküdar Üniversitesi, İstanbul Topkapı Üniversitesi.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

E-ticaret alanında işletmelerin varlığını sürdürebilme ve kâr edebilme durumları müşteri devamlılığının korunması ile gerçekleşmektedir. Yeni müşteri kazanma maliyetinin var olan müşterileri elde tutma maliyetinden daha yüksek olması, işletmenin yaşayabileceği olası müşteri kayıplarını tahmin edip buna yönelik önleyici stratejiler geliştirmesini bir öncelik haline getirmektedir. Bu çalışmada, makine öğrenmesi yöntemleri kullanılarak işletmelerin yaşayabileceği müşteri kayıp durumlarını tahmin etme, veriler üzerinde müşteri davranışlarını anlamayı sağlayan önemli özellikleri belirleme ve bu sonuçları iş stratejilerine dönüştürme hedeflenmektedir. Dört farklı sınıflandırma algoritması karşılaştırılarak e-ticaret veri setindeki müşteri davranışları incelenmiş ve tahminleme yapılmıştır. Hiper parametre optimizasyonu işlemleri Optuna ile gerçekleştirilmiş olup özellik seçim işlemlerinde SelectBest yöntemi ve istatiksel testler birlikte uygulanmıştır. Veri sızıntısını önlemek için gerekli protokoller kullanılmış ve model kararlılığı rastgele örnekleme yöntemiyle test edilmiştir. Performans değerlendirmesinde sonuçlar, Friedman ve Wilcoxon testleri ile doğrulanmış ve metriklerin % 95 güven aralıkları hesaplanmıştır. Model açıklanabilirliği için SHAP ve LIME yaklaşımları bir arada ele alınmıştır. Çalışma sonuçlarında modeller karşılaştırıldığında en dengeli performansı XGBoost algoritması sergilemiş olup, ona en yakın performansı Random Forest algoritması göstermiştir. Yapılan Friedman testi ile modeller arasında anlamlı farklılıklar ortaya konulmuş, Wilcoxon ikili teslerle ise XGBoost ve Random Forest’in diğer modellere üstünlüğü doğrulanmıştır. Müşteri kayıp durumlarını tahminlemede sonuçlar üzerindeki en belirleyici özelliklerin; üyelik süresi, cashback ödemeleri, en son ne zaman alışveriş yapıldığı ve şikayet durumları olmak üzere dört özellik olduğu tespit edilmiştir. Veri sızıntısı korumalı, Optuna tabanlı ve açıklanabilir makine öğrenmesi yaklaşımları; e-ticaret firmalarının risk segmentasyonu yapma, erken müdahale etme ve müşterilerin elde tutulması için stratejiler geliştirmesini desteklemektedir.

Förderung

  • Üsküdar Üniversitesi, İstanbul Topkapı Üniversitesi

Zitieren

APA

İkizoğlu, Ü. H., Tulum, G., Bingöl, N., & Osman, O. (2026). Makine Öğrenmesi Yöntemleri ile E-Ticarette Müşteri Kaybı Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 17(2). https://doi.org/10.24012/dumf.1896785

Vancouver

İkizoğlu ÜH, Tulum G, Bingöl N, Osman O. Makine Öğrenmesi Yöntemleri ile E-Ticarette Müşteri Kaybı Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2026;17(2). doi:10.24012/dumf.1896785

BibTeX
@article{kizolu2026,
  author = {İkizoğlu, Ülkü Hoş and Tulum, Gökalp and Bingöl, Nuri and Osman, Onur},
  title = {Makine Öğrenmesi Yöntemleri ile E-Ticarette Müşteri Kaybı Tahmini},
  journal = {Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi},
  year = {2026},
  volume = {17},
  number = {2},
  doi = {10.24012/dumf.1896785}
}
Kostenlos starten →