Customer Satisfaction Analysis Using Artificial Neural Network

Year 2020, , 39 - 55, 27.03.2020

Yunus Emre Araç , Ahmet Gürhanlı

https://doi.org/10.24012/dumf.562503

Cited By: 1

Abstract

One
of the most important curiosity issues in today's technologies has been to
predict the future. Many studies have focused on machine learning, but in
nonlinear cases, classical machine learning methods are not enough. Artificial
neural networks have entered our lives as a system that allows us to make
predictions based on the available data. All organizations working for the
customers need to learn the satisfaction of their customers in order to gain
more customers and keep their existing customers. A linear equation cannot be
created for this satisfaction, since not only objective data but also human
emotions can be introduced. By analyzing the data well, it is necessary to make
the right decisions for new future customers and increase their permanence.
Classical machine learning is inadequate in this kind of practice, but
automatically trained neural networks that include non-linear components can
give results having high accuracies. Non-linear equations are established by
means of artificial neural networks and it is aimed to make the best estimates.
In recent years, comparisons and studies have shown that artificial neural
networks give better results in nonlinear cases compared to classical machine
learning methods. This study shows that better results can be obtained if
satisfaction analysis are conducted on customers using deep learning methods.
In this paper, situations encountered in this application which is using an
artificial

Keywords

ANN, Artificial Neural Network, Customer Satisfaction

Yapay Sinir Ağını Kullanarak Müşteri Memnuniyeti Analizi

Abstract

Günümüz teknolojilerinde en önemli merak konularından biri ileriyi tahmin etmek olmuştur. Bu konuda birçok çalışma makine öğrenmesi üzerine yoğunlaşmıştır ama doğrusal olmayan durumlarda klasik makine öğrenmesi yöntemleri yeterli gelmemiştir. Yapay sinir ağları da eldeki verilerden yola çıkarak tahminler yapabilmemize olanak sağlayan bir sistem olarak hayatımıza girmiştir. Müşteriye yönelik çalışan tüm kuruluşların daha fazla müşteri kazanabilmek ve var olan müşterilerini ellerinde tutabilmek için müşterilerinin memnuniyetlerini öğrenmeleri gerekmektedir. Bu memnuniyet durumu içine sadece nesnel veriler değil insan duyguları da girebileceği için doğrusal bir denklem oluşturulamamaktadır. Eldeki veriler iyi analiz edilerek, yeni gelecek müşteriler için de doğru kararlar verilip onların kalıcılığının arttırılması gerekmektedir. Klasik makine öğrenmesi bu tür bir uygulamada yetersiz kalmaktadır, ancak otomatik olarak eğitilen ve doğrusal olmayan bileşenler içeren yapay sinir ağları doğruluğu yüksek sonuçlar verebilmektedir. Yapay sinir ağları sayesinde doğrusal olmayan denklemler kurularak bu uygulamalara yönelik tahminlerin en iyi şekilde yapılması amaçlanmaktadır. Son yıllarda yapılan karşılaştırmalar ve çalışmalar da yapay sinir ağlarının klasik makine öğrenmesi yöntemlerine göre doğrusal olmayan durumlarda daha iyi sonuç verdiğini göstermektedir. Bu çalışma da derin öğrenme ile müşteriler üzerinde memnuniyet analizi ve tahmini yapılırsa daha iyi sonuçlar alınabileceğini ortaya koymaktadır. Bu makalede bir yapay sinir ağında bu uygulama özelinde karşılaşılan durumlar raporlanmaktadır. Çalışmamız müşteri memnuniyet analizi için ağdaki parametrelerin nasıl ayarlanması gerektiğini belirtmekte ve farklı algoritma seçimlerinin nasıl sonuç verdiğini göstermektedir. 

Keywords

YSA, Yapay Sinir Ağı, Müşteri Memnuniyeti

References

• Akin E. (2018). Yapay Sinir Ağları – Artificial Neural Network (ANN).
• Basheer, I. ve Hajmeer, M. (2000). Artificial neural networks: fundamentals, computing, design, and application.
• Bishop, C. (2006). Pattern Recognition and Machine Learning.
• Chung, H., Lee, S. ve Park, J. (2016). Deep neural network using trainable activation functions
• Courbariaux, M., Hubara, I., Soudry, D., El-Yaniv, D. ve Bengio, Y. (2016). Binarized Neural Networks: Training Neural Networks with Weights and Activations Constrained to +1 or −1.
• Diederik, K. ve Ba, J. (2014). Adam: A method for stochastic optimization.
• Dozat, T. (2016) Incorporating Nesterov momentum into Adam.
• Duchi, J., Hazan, E. ve Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic optimization.
• Khan, J., Wei, J., Ringner, M., Saal, L., Ladanyi, M., Westermann, F., Berthold, F., Schwab, M., Antonescu, C., Peterson, C. ve Meltzer, P. (2001). Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks.
• Mei, S. (2018). A Mean Field View of the Landscape of Two-Layer Neural Networks, Proceedings of the National Academy of Sciences.
• PARK, D., ELSHARKAWI, M., MARKS, R., ATLAS, L. ve DAMBORG, M. (1991). ELECTRIC-LOAD FORECASTING USING AN ARTIFICIAL NEURAL NETWORK.
• Rowley, H., Baluja, S. ve Kanade, T. (1998). Neural network-based face detection.
• Schmidhuber, J. (2015). Deep learning in neural networks: An overview.
• Silver, D., Huang, A., Maddison, C., Guez, A., Sifre, L., Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V., Lanctot, M., Dieleman, S., Grewe, D., Nham, J., Kalchbrenner, N., Sutskever, I., Lillicrap, T., Leach, M., Kavukcuoglu, K., Graepel, T., Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search.
• Tieleman, T. ve Hinton, G. (2012). Lecture 6.5rmsprop: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural Networks for Machine Learning.
• Yao, X. (1999). Evolving artificial neural networks. Zeiler, M. (2012). ADADELTA: An adaptive learning rate method.