Yapay Zeka ve Makine Öğrenimi Teknikleri Yoluyla Çevrimiçi Perakendeciler için Pazarlama Bütçelerinin Optimize Edilmesi

Abstract

Özet Çevrimiçi tüccarlar için pazarlama bütçesi tahsisini en üst düzeye çıkarmak amacıyla bu tez, yapay zekâ (AI) ve makine öğrenmesi (ML) yaklaşımlarının kullanımını araştırmaktadır. Geleneksel bütçeleme teknikleri, perakende sektörünün hızlı dijitalleşmesi ve müşteri iletişim kanallarının artan karmaşıklığı ışığında yetersiz kalmıştır. Bu çalışma, pazarlama sonuçlarını tahmin eden ve tahmini modellemeyi kullanarak harcama verimliliğini en üst düzeye çıkaran veri odaklı bir strateji sunmaktadır. Pazarlama kampanyası verilerinin ön işlenmesi, keşifsel veri analizi ve PyCaret çerçevesinde Random Forest, Gradient Boosting ve LightGBM gibi karmaşık makine öğrenme modellerinin kullanımı, metodolojinin bir parçasıdır. Doğruluk ve yorumlanabilirliğe dayanarak, en iyi performans gösteren model seçilir ve özellik önemi SHAP analizi ile belirlenir. Bulgular, makine öğrenimi tahminlerine dayalı akıllı bütçe tahsisinin müşteri hedefleme taktiklerini büyük ölçüde artırdığını, gereksiz harcamaları azalttığını ve pazarlama etkinliğini artırdığını göstermektedir. Sonuçlar, yapay zeka destekli optimizasyonun bütçe planlama prosedürlerinde nasıl devrim yaratabileceğini ve e-ticaret karar vericileri için önemli sonuçlar doğurabileceğini göstermektedir.Abstract In order to maximize marketing budget allocation for online merchants, this thesis investigates the use of artificial intelligence (AI) and machine learning (ML) approaches. Traditional budgeting techniques have proven insufficient in light of the retail industry's rapid digitization and the growing complexity of customer contact channels. This study offers a data-driven strategy that forecasts marketing results and maximizes spending efficiency by utilizing predictive modeling. Preprocessing marketing campaign data, exploratory data analysis, and the use of sophisticated machine learning models like Random Forest, Gradient Boosting, and LightGBM within the PyCaret framework are all part of the methodology. Based on accuracy and interpretability, the top-performing model is chosen, and feature importance is determined by SHAP analysis. The findings show that smart budget allocation based on machine learning predictions greatly increases client targeting tactics, decreases unnecessary spending, and boosts marketing efficacy. The results show how AI-driven optimization can revolutionize budget planning procedures and have important ramifications for e-commerce decision-makers.