@article{article_1637810, title={E-Ticarette Kullanıcılarının Davranışsal Yaklaşımlarının Makine Öğrenmesi Yöntemleri ile Sınıflandırılması ve Müşteri Segmentasyonu}, journal={Hitit Sosyal Bilimler Dergisi}, volume={18}, pages={314–329}, year={2025}, DOI={10.17218/hititsbd.1637810}, author={Metin, Serkan}, keywords={Müşteri Segmentasyonu, E-Ticaret, SVM, Random Forest, KNN}, abstract={E-ticaretin hızla büyümesi ve artan tüketici beklentileri, etkili müşteri segmentasyonu yöntemlerine olan ihtiyacı artırmıştır. Geleneksel segmentasyon teknikleri genellikle manuel ve kural tabanlı yaklaşımlara dayandığından, modern e-ticaretin gerektirdiği karmaşıklık ve ölçeklenebilirliği sağlamada yetersiz kalmaktadır. Makine öğrenmesi algoritmaları, veriye dayalı içgörüler sunarak kişiselleştirilmiş pazarlama stratejileri ve hedefe yönelik müşteri etkileşimleri oluşturmayı mümkün kılan güçlü bir alternatif sunmaktadır. Bu çalışma, K-En Yakın Komşu (KNN), Destek Vektör Makineleri (SVM) ve Rastgele Orman (Random Forest) algoritmalarını kullanarak müşteri segmentasyonu sınıflandırma performanslarını analiz etmeyi ve karşılaştırmayı amaçlamaktadır. Mevcut literatürde müşteri segmentasyonu için çeşitli yaklaşımlar önerilmiştir, ancak bu makine öğrenmesi modellerinin e-ticaret bağlamında doğrudan karşılaştırılması sınırlı kalmıştır. Bu araştırma, bu boşluğu doldurmayı hedefleyerek farklı modellerin sınıflandırma performanslarını değerlendirip çevrimiçi alışveriş yapan müşterileri segmente etmede en uygun yöntemi belirlemeyi amaçlamaktadır. Bu çalışmada kullanılan veri seti Kaggle platformundan elde edilmiş olup, alışveriş sıklığı, promosyon katılımı, harcama alışkanlıkları ve güvenlik endişeleri gibi tüketici davranışlarını yansıtan özellikleri içermektedir. En uygun küme sayısını belirlemek için Elbow ve Silhouette yöntemleri kullanılmıştır. Kümeleme yapısı belirlendikten sonra K-Means algoritması uygulanarak müşteriler davranışsal özelliklerine göre farklı gruplara ayrılmıştır. Ardından, KNN, SVM ve Random Forest algoritmaları bu kümeleri sınıflandırmak için eğitilmiş ve performansları Accuracy (Doğruluk), Precision (Kesinlik), Recall (Duyarlılık) ve F1-Skoru gibi metrikler kullanılarak değerlendirilmiştir. Elde edilen sonuçlara göre, SVM modeli %95 doğruluk oranı ile en yüksek performansı sergilemiştir. Random Forest modeli ise %93 doğruluk oranı ile SVM’ye çok yakın sonuçlar üretmiş olup, daha düşük hesaplama maliyeti ve daha yüksek ölçeklenebilirlik avantajı sunmaktadır. KNN modeli ise %78 doğruluk oranı ile en düşük performansı göstermiştir, bu da yüksek boyutlu veya büyük veri setleri için uygun olmadığını göstermektedir. Ek olarak, Precision, Recall ve F1-Skoru açısından da SVM ve Random Forest’ın KNN’den daha üstün olduğu tespit edilmiştir, bu da onların daha güçlü sınıflandırma yeteneklerine sahip olduğunu doğrulamaktadır. Sonuç olarak, bu çalışma e-ticarette müşteri segmentasyonu için doğru makine öğrenmesi modelinin seçilmesinin önemini vurgulamaktadır. SVM, en yüksek doğruluk oranı gerektiren uygulamalar için önerilirken, Random Forest büyük veri setleri ve ölçeklenebilirlik gereksinimleri için daha uygun bir alternatif sunmaktadır. KNN modeli ise küçük ölçekli segmentasyon görevleri için daha uygun olup, büyük veri setleri için ideal olmadığı belirlenmiştir. Bu bulgular, makine öğrenmesi kullanarak müşteri segmentasyonunu optimize etmek isteyen e-ticaret işletmeleri için yol gösterici olacak ve müşteri hedefleme, etkileşim ve sadakat stratejilerini geliştirmeye katkı sağlayacaktır.}, number={2}, publisher={Hitit Üniversitesi}