AI ile Müşteri Segmentasyonu
AI müşteri segmentasyonu; RFM ve davranış verisini K-means, DBSCAN veya hierarchical clustering ile gruplayarak her segmente özel kampanya ve fiyat stratejisi kurmayı sağlayan makine öğrenmesi yöntemidir.
AI müşteri segmentasyonu nedir?
Müşteri segmentasyonu, müşterileri benzer davranış ve değer özelliklerine göre ayrık gruplara ayırma sürecidir. AI/makine öğrenmesi ile bu gruplama, sabit demografik kurallar yerine gerçek satın alma davranışından otomatik keşfedilir. Sonuç, "herkese aynı mesaj" yaklaşımının yerini alan; her gruba özel kampanya, fiyat ve iletişim stratejisi kurmayı mümkün kılan bir haritadır.
Kişiselleştirilmiş kampanyalar, kitlesel gönderime göre belirgin biçimde daha yüksek etkileşim üretir. Bu yazıdaki oranlar sektöre göre değişen örnek/yaklaşık aralıklardır, garanti değildir.
Segmentasyon yaklaşımları
| Yöntem | Girdi | Güçlü yön | Zayıf yön |
|---|---|---|---|
| Demografik | Yaş, gelir, lokasyon | Basit, veri kolay | Yüzeysel, davranışı yansıtmaz |
| Davranışsal (RFM) | Recency, Frequency, Monetary | En ayırt edici, aksiyona dönük | Zengin işlem verisi ister |
| Psikografik | İlgi, değer, yaşam tarzı | Derin motivasyon | Toplaması ve doğrulaması zor |
Kümeleme algoritmaları karşılaştırması
| Algoritma | Küme sayısı | Outlier | Şekil | Ne zaman? |
|---|---|---|---|---|
| K-means | Önceden verilir (k) | Duyarlı | Küresel | Büyük, dengeli veri |
| DBSCAN | Otomatik | Ayrı işaretler (-1) | Düzensiz | Outlier/VIP ayıklama |
| Hierarchical (Ward) | Dendrogramdan seçilir | Orta | İç içe | Alt-segment çıkarma |
K-means ve optimal k
K-means, her müşteriyi en yakın küme merkezine atar ve merkezleri iteratif olarak günceller. Doğru k için iki ölçüt kullanılır: Elbow yöntemi küme içi hatayı (inertia) k'ye göre çizip eğrinin kırıldığı noktayı seçer; Silhouette skoru -1 ile +1 arasında küme kalitesini ölçer, 1'e yakın değer daha iyidir. Pratikte 3–7 arası segment hem istatistiksel hem operasyonel olarak yönetilebilirdir.
DBSCAN ve outlier keşfi
DBSCAN, yoğunluk temelli çalışır: yeterince komşusu olmayan noktaları -1 (gürültü/outlier)olarak işaretler. Bu, çok yüksek harcamalı VIP'leri veya çok düşük etkileşimli şüpheli hesapları otomatik ayıklamak için idealdir. eps (epsilon) parametresi k-distance grafiğinden seçilir.
Hierarchical clustering
Hierarchical (Ward) yöntem bir dendrogram (hiyerarşik ağaç) üretir; bu ağaçtan farklı seviyelerde kesim yaparak segment ve alt-segment oluşturabilirsiniz — örneğin "Yüksek Değerli" segment içinde "Teknoloji meraklıları" alt kümesi.
Özellik mühendisliği ve ölçekleme
Kümeleme kalitesi büyük ölçüde girdilere bağlıdır. Tipik davranışsal özellikler: toplam harcama, sipariş sayısı, ortalama sepet (AOV), son alışverişten bu yana geçen gün (recency), ürün çeşitliliği, indirim kullanım oranı, iade oranı ve mobil kullanım oranı. Bu özellikler farklı ölçeklerde olduğu için mutlaka StandardScaler (z-score) ile normalize edilmelidir; aksi halde büyük değerli bir özellik mesafeyi domine eder ve kümeler bozulur.
Segment profili ve aksiyon eşleştirme
Kümeleme sonrası her segmente iş anlamı ve aksiyon atanır. Örnek bir profil–aksiyon haritası:
| Segment | Profil | Önerilen aksiyon |
|---|---|---|
| VIP / Şampiyon | En yüksek harcama, çok sık, aktif | Özel erişim, kişisel asistan, sadakat ödülü |
| Sadık yüksek değer | Yüksek harcama, düzenli | Çapraz satış, paket teklif, abonelik |
| Düzenli müşteri | Orta harcama, tutarlı | Tahminleyici öneri, upsell |
| Ara sıra alan | Düşük sıklık, indirim duyarlı | Flash indirim, keşif e-postası |
| Uykuda / kayıp | Uzun süredir alışveriş yok | Win-back kampanyası, geri kazanım anketi |
ROI matematiği (örnek senaryo)
Aşağıdaki hesap tamamen hipotetiktir, yöntemi göstermek içindir:
- 100.000 müşteriye tek tip e-posta → ~%2,5 dönüşüm.
- 5 segmente özel kampanya ile ortalama dönüşüm varsayımsal olarak %7'ye çıkarsa → yaklaşık 2,8x iyileşme.
- Ek gelir = (yeni dönüşüm − eski dönüşüm) × trafik × ortalama sepet.
- ROI = (ek gelir − kampanya + sistem maliyeti) / maliyet.
Bu oranlar illüstratif varsayımlardır; gerçek etki kontrol grubuyla (A/B) ölçülmelidir.
2026 eğilimleri
- Gerçek zamanlı segmentasyon: Yeni müşteri, önceden eğitilmiş modelle bir API çağrısında anında segmente atanıp uygun kampanyayı alıyor.
- Embedding tabanlı kümeleme: Davranış dizilerini vektöre çevirip anlamsal segmentler çıkarma yaygınlaşıyor.
- Segment → aksiyon otomasyonu: Kümeleme çıktısı doğrudan CRM/kampanya motoruna bağlanıyor.
- KVKK 6698 uyumu: Profilleme ve otomatik kampanyada veri minimizasyonu ve açık rıza öne çıkıyor.
Segmentasyon, öneri sistemleri ve fiyat optimizasyonu ile birlikte kurulduğunda en yüksek getiriyi sağlar; kurumsal AI çözümlerimizi katalogda inceleyebilirsiniz.
Merak edilenler
Müşteri segmentasyonunda K-means ile DBSCAN arasındaki fark nedir?
K-means küme sayısını (k) önceden vermenizi ister, küresel ve benzer boyutlu kümeler bulur, hızlıdır ama aykırı değerlere (outlier) duyarlıdır. DBSCAN küme sayısını otomatik bulur, düzensiz şekilli kümeleri yakalar ve aykırı müşterileri "gürültü" olarak ayrı işaretler; ama yoğunluk parametrelerine (eps, min_samples) duyarlıdır. VIP veya bot gibi uç müşterileri ayıklamak istiyorsanız DBSCAN, dengeli ve büyük veri için K-means uygundur.
Optimal küme sayısı (k) nasıl belirlenir?
İki yaygın yöntem vardır: Elbow (dirsek) yöntemi kümeler arası hatayı (inertia) k'ye göre çizer ve eğrinin kırıldığı noktayı seçer; Silhouette skoru ise -1 ile +1 arasında küme içi sıkılığı ve kümeler arası ayrımı ölçer, 1'e yakın değer daha iyidir. Ayrıca sonuç iş açısından yorumlanabilir olmalı: 3-7 arası segment genellikle hem istatistiksel hem operasyonel olarak yönetilebilirdir.
RFM analizi nedir ve segmentasyonla ilişkisi nedir?
RFM; Recency (son alışverişten bu yana geçen süre), Frequency (alışveriş sıklığı) ve Monetary (toplam harcama) olmak üzere üç güçlü davranışsal özelliktir. Bu üç boyut, kümeleme algoritmalarına verilecek en ayırt edici girdilerdendir ve tek başına puanlanarak da (ör. her boyutu 1-5 skorlamak) hızlı, yorumlanabilir bir segmentasyon üretir.
Segmentasyon öncesi veriyi neden ölçeklemek gerekir?
K-means ve DBSCAN uzaklık temellidir; toplam harcama (on binler) ile sipariş sayısı (tek haneler) aynı ölçekte olmadığında büyük değerli özellik mesafeyi domine eder ve kümeler yanlış çıkar. Bu yüzden StandardScaler ile z-score normalizasyonu (ortalama 0, standart sapma 1) veya min-max ölçekleme uygulanır. Ölçekleme, kümeleme kalitesini doğrudan etkileyen kritik bir ön adımdır.
Kurumunuza özel çözümü konuşalım.
İhtiyacınızı yazın; yapay zeka, veri analitiği ve siber güvenlik çözümlerini değerlendirip 1 iş günü içinde dönelim. Aradığınız yoksa talep üzerine geliştiririz.
Talep Oluştur