Makine Öğrenimi ve
Predictive Modelleme

Pazar araştırmalarında sorulan birçok soru, genellikle birbirleriyle yüksek derecede korelasyon (iç içe geçme) gösterir. Klasik En Küçük Kareler (OLS) yöntemleri bu çoklu bağlantı (multicollinearity) karşısında istatistiksel gücünü yitirir ve varyans enflasyonuna (VIF) uğrar.

LASSO algoritması, modele L1 ceza terimi (Penalty Term) ekleyerek, tahmin gücü düşük ve birbirini tekrarlayan anket maddelerinin katsayılarını matematiksel olarak tam sıfıra (\(\beta = 0\)) eşitler. Böylece geriye tüketici davranışını açıklayan en saf, bağımsız ve güçlü "Sürücü (Driver)" değişkenler kalır.

Tüketiciler pazar kararlarını bağımsız düzlemlerde değil, karmaşık ve koşullu mantık ağları içinde alırlar ("Markaya güveniyorsam VE fiyat uygunsa alırım, AMA güvenmiyorsam fiyata bakmaksızın reddederim"). Sınıflandırma ve Regresyon Ağaçları (CART), veri setindeki Gini safsızlığını (Gini Impurity) minimize eden optimum eşik değerlerini bularak, tüm pazar kitlesini hiyerarşik alt segmentlere böler. Algoritma her adımda veriyi katı bir şekilde ikiye (Binary Split) ayırır.

Pazar araştırmalarından elde edilen veriler (örneğin "Fiyata Karşı Duyarlılık" ve "Kalite Algısı" skorları) genellikle düz bir çizgi çekilerek iki gruba ayrılamayacak kadar birbiri içine geçmiştir (Non-linear separability). SVM algoritması, "Çekirdek Hilesi (Kernel Trick)" adı verilen yüksek mühendislik mimarisiyle veriyi 2 boyutlu düzlemden çıkarıp çok boyutlu bir hiperuzaya (hyperplane) taşır. İki farklı müşteri sınıfı arasındaki "Sınır İhlallerini" (Margin of Separation) maksimize eden kusursuz bir ayırıcı yüzey inşa eder.

Geleneksel pazar segmentasyonları, yöneticilerin sezgisel olarak belirlediği demografik kesişimlere dayanır. Oysa gerçek tüketici davranışını tetikleyen faktörler arasındaki etkileşimler (interactions) çok daha karmaşık ve gizlidir. CHAID algoritması, binlerce anket katılımcısını tarayarak; bağımlı değişkene istatistiksel olarak (\(p < 0.05\)) en çok etki eden kategorik değişkenleri bulur.

Standart makine öğrenimi algoritmaları değişkenler arasındaki yüzeysel "korelasyonlara" dayanarak tahmin yaparken; Nedensel Yapay Zeka algoritmaları doğrudan nedenselliğin (Causality) kök mekanizmasını hedefler. Bayesyen İnanç Ağları, pazar verilerini koşullu olasılık (Conditional Probability) matrislerine ve Yönlendirilmiş Asiklik Grafiklere (DAG) dönüştürür.

İnsan beyni ve tüketici kararları kaotiktir; farklı anket sorularına verilen yanıtların nihai bir "Satın Alma Niyetine" dönüşmesi doğrusal olmayan bir örüntü izler. Çok Katmanlı Yapay Sinir Ağları (Multi-Layer Perceptron - MLP), bu gizli ilişkileri (hidden layers) ileri beslemeli algoritmalarla öğrenerek, geleneksel modellerin erişemeyeceği düzeyde yüksek bir tahminsel isabet oranına (predictive accuracy) ulaşır.

Müşteri memnuniyet anketleri genellikle hep geçmişi raporlar. Oysa rekabetçi pazarlarda araştırmanın asıl amacı, müşterinin markayı terk edeceği anı (churn) önceden tahmin etmektir. Gradient Boosting (XGBoost) gibi ileri düzey topluluk öğrenme algoritmaları, tüketicilerin anket yanıtlarındaki zayıf sinyalleri birleştirerek, her bir müşterinin "Gelecek çeyrekte markayı terk etme olasılığını" % olarak hesaplar (Erken Uyarı Sinyali).

Lansman öncesi pazar araştırmalarında, tüketicilere "Bu ürünü satın alır mısınız?" diye sorulduğunda alınan "Kesinlikle Alırım" yanıtları, gerçek dünyadaki satış oranlarıyla (Conversion Rate) nadiren örtüşür. İnsanların beyanları ile eylemleri arasındaki bu bilişsel sapmayı (bias) modellemek için Random Forest (Karar Ağaçları Topluluğu) kullanılır. Model, tüketicinin anketteki diğer yanıtlarını analiz ederek, o tüketicinin ürünü "gerçekte" raftan alma ihtimalini (Propensity Score) algoritmik olarak hesaplar.

Pazarlama kampanyalarının etkisini ölçerken, "kampanyaya katılanlar" ile "katılmayanların" önceden var olan farkları (bias) analizleri yanıltır. PSM modeli, iki grubun kovaryat (covariate) yapılarını eğilim skorları üzerinden eşleştirerek, laboratuvar standartlarında "Yarı Deneysel (Quasi-Experimental)" bir kontrol grubu yaratır ve gerçek nedenselliği (Causal Inference) ispatlar.

Aynı müşteri veya mağaza kitlesinin zaman içindeki (Wave to Wave) değişimini ölçerken bağımsız t-testleri kullanılamaz. Panel Veri Ekonometrisi, Sabit Etkiler (Fixed Effects) ile zaman içindeki genel trendi hesaplarken; Rastgele Etkiler (Random Effects) ile her bir bireyin kendi benzersiz başlangıç noktasını ve gelişim yörüngesini modellendirir.

Stratejik değişkenler arasındaki ilişkiler nadiren "A, B'yi etkiler" kadar basittir. Etki genellikle bir aracı (Mediator) üzerinden geçer ve bu etki belirli şartlara (Moderator) bağlı olarak değişir. Ekonometrik regresyon kurgusu, bu "Dolaylı Etki (Indirect Effect)" mekanizmalarını Bootstrapping yöntemiyle ispatlar.

Müşteri memnuniyetsizliği genellikle kalitenin düşüklüğünden değil; lansman beklentileri (Expectation) ile ürünün fiili performansı (Confirmation) arasındaki farktan doğar. Bu analiz, pazarlamanın yarattığı vaatler ile operasyonun sunduğu gerçeklik arasındaki sapmayı (Gap) mutlak değerlerle modellendirir.

Performans metriklerine sadece "mevcut puan" (seviye) olarak bakmak, yaklaşan tehlikeleri gizler. Tıpkı fizikte olduğu gibi, bir endeksin mutlak skoru yüksek olsa bile, büyüme hızı (1. Türev - Velocity) ve ivmesi (2. Türev - Acceleration) negatife dönmüş olabilir. Momentum analizi, değişimin yönsel şiddetini yakalar.

Müşterilere sorulan 40 farklı anket sorusu birbiriyle yüksek korelasyonludur (Multicollinearity). PCA algoritmaları, bu karmaşık ve gürültülü veri matrisini Eigenvalue hesaplamalarıyla birbirine tam dik (Orthogonal) ve bağımsız "Temel Bileşenlere (Latent Dimensions)" dönüştürür.

Müşterinin "Terk Etti (1)" veya "Kaldı (0)" gibi ikili davranışlarına sebep olan etkenleri analiz ederken lineer modeller tutarsız sonuçlar üretir. Maksimum Olabilirlik Kestirimi (MLE) kullanan İkili Lojistik Modeller, etkiyi (0,1) arasına sıkıştıran kusursuz Sigmoid eğrileri çizer.

Satış rakamları zaman içinde artıyorsa, bu gerçekten reklam bütçesinin bir sonucu mu, yoksa pazarın zaten var olan organik büyüme trendi mi? ARIMAX tarzı ekonometrik modeller, kontrol edilemeyen dışsal regresörlerin ana trend üzerindeki net marjinal etkisini (Partial Effect) ayrıştırır.

Web sitesi ziyaret sayısı veya ürün şikayet adedi gibi "Sayma (Count)" verileri, standart çan eğrisi kurallarına uymaz. Ayrıca pratikte çok sık karşılaşılan "Varyansın, Ortalamadan Büyük Olması" sorunu, klasik Poisson modellerinin hata marjlarını yanıltıcı derecede daraltır. Negatif Binomial regresyon bu istatistiksel safsatayı çözer.

Klasik (Frequentist) istatistikteki \(p < 0.05\) kavramı iş dünyasının "Gerçekten hangi kampanya daha iyi?" sorusunu tam karşılamaz. Bayesyen yaklaşım, veri geldikçe eski inançları (Prior) günceller ve her bir kampanya için sonsal (Posterior) bir olasılık yoğunluk dağılımı yaratarak kesin olasılık yüzdeleri konuşmamıza imkan tanır.