Tahminleme ve Predictive Analytics: İş Kararları İçin ML Modelleri

Predictive Analytics: Geleceği Verilerden Okumak

Gartner araştırmalarına göre, predictive analytics kullanan şirketler %23 daha yüksek profitabilite elde etmektedir. Netflix, önerilen filmler sayesinde %2 churn (müşteri kaybı) azaltarak yıllık 100 milyon dolar tasarruf sağlamaktadır. E-commerce sektöründe talep tahmini uygulamaları, envanteri %15 düşürerek milyonlarca dolar tasarruf sağlamaktadır.

Smart Maple, healthcare, telecom ve e-commerce sektöründe 15 adet üretim ortamındaki predictive model başarıyla kurgulamıştır. Özellikle Oplist ile gerçekleştirilen randevu iptal tahmini projesi operasyonel verimliliği %8 artırmıştır.

---

Predictive Analytics Nedir?

Veri analitik dört seviyede çalışır. Tanımlayıcı analitik (ne oldu sorusuna cevap verir), tanı analitik (neden oldu sorusunu yanıtlar) ve tahmin analitik (ne olacak sorusuna cevap verir) geleneksel yöntemlerdir. Reçeteci analitik ise "ne yapmalıyız" sorusuna cevap vererek optimal eylem önerileri sunar.

Tahmin analitik, tarihsel veriler ve makine öğrenmesi algoritmaları kullanarak gelecek olayları tahmin eder. Örneğin, geçmiş satış verilerinden hareketalarak gelecek ayın satış miktarını, bir müşterinin sistemi terk etme olasılığını ya da optimal fiyat noktasını belirleyebilir. Bu yetenekler işletmelere proaktif karar alma imkanı sunar.

---

Sektörle Göre Tahmin Analitik Uygulamaları

Healthcare Sektörü

Uygulama	Metrik	İş Etkisi
Randevu İptal Tahmini	72 saat öncesi tahmin	Operasyonel verimlilik %8 iyileşme
Hastanın Gelmeme Tahmini	Hasta gelecek mi gelmeyecek mi	SMS hatırlatıcı → %15 azalış
Hastanın Yaşam Boyu Değeri	Uzun dönem müşteri değeri	Pazarlama bütçesi optimizasyonu
Klinik Performans Puanlama	Hangi klinik başarılı	Başarı modelleri replikasyonu

E-Commerce Sektörü

Uygulama	Metrik	İş Etkisi
Talep Tahmini	Gelecek 4 hafta satış	Envanter optimizasyonu (%15 azalış)
Müşteri Ayrılması Tahmini	Risk segmenti belirleme	Proaktif elde tutma (+%12 LTV)
Ürün Önerisi Sistemi	Çapraz satış, yukarı satış	Ortalama sipariş değeri +%20
Fiyat Elastikiyeti	Fiyat-talep ilişkisi	Gelir optimizasyonu

Telecom Sektörü

Uygulama	Metrik	İş Etkisi
Müşteri Kaybı Tahmini	3 ay öncesi tanımlama	Proaktif elde tutma kampanyaları
Ağ Optimizasyonu	Trafik tahmini	CAPEX planlama, hizmet kalitesi
Müşteri Segmentasyonu	Davranışsal kümeleme	Hedefli pazarlama

---

Zaman Serisi Tahmini Yöntemleri

Zaman serisi verilerini tahmin etmek için kullanılan başlıca yaklaşımlar vardır. ARIMA (AutoRegressive Integrated Moving Average), sabit trend ve sezonalite içeren veriler için klasik matematiksel yöntemdir ancak hiperparameter ayarlaması karmaşık olabilir.

Üstel düzleştirme (ETS) yöntemi seviye, trend ve sezonaliteyi bir arada değerlendirir ve uygulama açısından basittir, ancak trend değişikliklerine uyarlanabilir değildir. Prophet (Facebook), trend kırılmaları, tatiller ve sezonaliteyi otomatik olarak işler ve kullanıcı kütüphaneleri, ürün satışları ve web trafiği gibi alanlarda etkilidir.

Derin öğrenme tabanlı LSTM ve RNN modelleri, karmaşık doğrusal olmayan desenleri yakalamakta esnek olmakla birlikte, daha fazla veri ve dikkatli eğitim gerektirmektedir. Oplist randevu tahmini projesi için Prophet algoritması ensemble yöntemle birlikte kullanılmıştır.

---

Müşteri Kaybı Tahmini

Müşteri kaybı (churn) tahmini, işletmelerin ayrılmak üzere olan müşterileri proaktif olarak tanımlamasını sağlar. Oplist örneğinde, aylık klinik ayrılma oranı %2,1 (ayda 2-3 klinik) olup hedef %1'den düşüktür. %2,1 ayrılma oranı aylık 1.700 dolar gelir kaybına neden olmaktadır.

Etkin bir churn tahmini modeli, ayrılma riskine maruz olan klinikleri 30 gün önceden tanımlamak suretiyle, başarı yöneticileri ve pazarlama ekiplerinin proaktif müdahale yapmasını sağlar. Engagement metrikleri (randevu trendleri, iptal oranları), finansal göstergeler (gelir trendi, müşteri değeri) ve sistem kullanımı verileri (giriş sıklığı, destek talebi) gibi özellikleri içeren bir XGBoost modeli, bu tahminler için etkili bir yöntemdir.

Modelin eğitilmesi ve validate edilmesi sonrası, risk düzeylerine göre (düşük, orta, yüksek, kritik) hedefli elde tutma stratejileri uygulanabilir.

---

A/B Testleme ve Nedensel Çıkarım

Tahmin modellerinin gerçek dünya etkisini anlamak için A/B testleme gereklidir. Oplist'te SMS hatırlatıcı uygulamasının hayırkart atlatmaya (no-show) etkisini test etmeyi düşünün. Kontrol grubu SMS almayan, test grubu 24 saat öncesi SMS alan randevulardır.

Başlangıç no-show oranı %5 ise, SMSin bunu %3'e indirebileceği hipotezi test edilir. İstatistiksel anlamlılık ve yeterli örneklem büyüklüğü sağlandığında (tipik olarak grup başına 1.200-2.000 randevu, 3 haftalık test süresi), sonuçlar karar almada kullanılır.

Örneğin, test sonrası control grubunun no-show oranı %5,2 olurken test grubu %3,1 olursa, bu %2,1 iyileştirme istatistiksel olarak anlamlı kabul edilebilir. Oplist ölçeğinde (500 klinik, günde 25.000 randevu) bu, SMS maliyetini karşılayan yıllık 2,87 milyon dolar faydaya ulaşmaktadır.

---

Modellerin Üretim Ortamına Alınması ve İzlenmesi

Tahmin modelini üretim ortamına almak basit bir adım değildir. Geliştirme aşaması tipik olarak 6 hafta sürer: veri toplama (2 hafta), keşifçi veri analizi ve özellik mühendisliği (2 hafta), model seçimi ve ayarlaması (3 hafta), doğrulama ve backtest (1 hafta).

Dağıtım aşamasında model bir API aracılığıyla sunulur. Flask veya AWS Lambda gibi araçlar kullanılarak, gerçek zamanlı tahminler için erişilebilir hale gelir. 3 haftalık A/B test süresi, modelin üretim ortamında güvenli bir şekilde test edilmesini sağlar.

İzleme aşaması kritiktir. Veri değişimi (giriş verilerinin dağılımında değişim), model değişimi (tahmin dağılımında değişim) ve performans düşüşü (doğruluk kaybı) izlenmelidir. Aylık ya da üç aylık yeniden eğitim planları, performans düşüşü eşiğini aşarsa tetiklenir.

---

Maliyet-Fayda Analizi

Tahmin modellerine yapılan yatırımın gerçek değeri, işletmeye sağladığı faydada görülür. Oplist churn tahmini projesi örneğini incelersek:

Birinci yıl maliyetler: veri mühendisliği (21.000 dolar), veri bilimci (42.000 dolar), makine öğrenmesi mühendisi (28.000 dolar), altyapı (24.000 dolar), izleme ve yeniden eğitim (60.000 dolar) olmak üzere toplam 175.000 dolardır.

Fayda: müşteri ayrılma azalması (1,78 milyon dolar/yıl), elde tutma iyileşmesi (400.000 dolar/yıl), operasyonel verimlilik (150.000 dolar/yıl) toplam 2,33 milyon dolar/yıldır.

Bu durumda net faydası 2,155 milyon dolar, ROI %1.231 (12,3 kat geri dönüş) ve geri ödeme süresi 1,1 aydır. 5 yıllık net bugünkü değer (10% iskonto oranı) 8,2 milyon doları aşmaktadır.

---

Yaygın Tuzaklar ve Çözümleri

Sorun	Belirtisi	Çözüm
Veri Sızıntısı	Train/test verilerinin karışması, gelecek bilgi	Temporal doğrulama, düzgün özellik zamanlaması
Sınıf Dengesizliği	%95 negatif, %5 pozitif (churn)	SMOTE, sınıf ağırlıkları, stratifiye bölme
Özellik Ölçeklemesi	Ağaç modellerine ölçek duyarlılığı	StandardScaler doğrusal modeller için
Overfitting	Mükemmel eğitim, zayıf test performansı	Çapraz doğrulama, düzenleme, ensemble
Konsept Değişimi	Zaman içinde model performansı düşüşü	Veri değişimi izlemesi, yeniden eğitim planı

---

İlgili Makaleler

• İş Zekası ve Veri Analitiği
• Veri Ambarı ve ETL Pipeline
• Büyük Veri Analitik Platformu

---

Sonuç

Predictive analytics, işletmelere verilerine dayalı kararlar alarak rekabet avantajı sağlamaktadır. Zaman serisi tahmini (Prophet), sınıflandırma modeleri (XGBoost), fiyat optimizasyonu ve uygun doğrulama yöntemleri (A/B testleri, backtest) kombinasyonu, başarılı uygulamalar için gereklidir. Dağıtım sonrası sürekli izleme ve yeniden eğitim, modellerin etkinliğini koruyan kritik faktörlerdir.

Smart Maple, predictive makine öğrenmesi model uygulamalarında 3-4 ay sürede, 100.000-150.000 dolar aralığında çalışmalar gerçekleştirir. Birinci yıl içinde beklenen ROI 5-20x aralığındadır.

İşletmenizin tahminleme ve veri analitik ihtiyaçlarını konuşmak için Smart Maple ile iletişime geçin.

---

Yazarlar: Smart Maple Data Science Team Güncelleme: 16 Şubat 2026