Artık Makine Öğreniminin genel çerçevesini, temel kavramlarını ve pazarlamayla ilişkili alanlara nasıl uygulandığını ele aldığımıza göre, şirketlerin bu süreçleri pratikte nasıl kullandığına yani makine öğrenimi kullanım örneği sunma zamanı geldi. Büyük firmaların Makine Öğrenimi kullanım örneği konusunda giderek daha hedefli ve kişiselleştirilmiş içerik sunmak için makine öğrenimini nasıl kullandıklarına, bazı pazarlama şirketlerinin ise bu teknolojiden nasıl daha fazla içgörü ve yatırım getirisi (ROI) elde ettiğine birlikte bakalım.
Target, Aileden Önce Hamile Olduğunu Tespit Ettiği Müşteriyi Tanıdı
Bu kullanım örneği muhtemelen Target’ın halkla ilişkiler ekibi tarafından planlanmamıştı. Hikâye viral oldu ve pazarlama dünyasının dışında birçok kişi için büyük perakendecilerin Makine Öğrenimiyle müşterilerini nasıl hedeflediğini gösteren ilk örneklerden biri hâline geldi.
Target, her müşterisine kredi kartı, isim ve e-posta adresine bağlı özel bir “Misafir ID” (Guest ID) atar. Ayrıca Red Card ve Cartwheel gibi sadakat programları sayesinde bu ID’lere daha fazla veri bağlar.
Bu olayda Target, bebek kayıt formunu dolduran kadınların verilerini kullandı. Hamile müşterilerin satın alma geçmişini analiz ederek bu profile uyan veri desenini tespit ettiler. Makine Öğrenimi açısından baktığımızda, bu segmentasyonu oluşturmak için muhtemelen Naive Bayes gibi bir sınıflandırma modeli kullandılar.
Sonrasında Target, bu sınıflandırılan gruba bebek ürünleri kuponları gönderdi. Alıcılardan biri, hamile olduğunu babasına henüz söylememiş bir genç kızdı. Baba kuponlardan durumu öğrenince şaşkına döndü. Bu durum kız için de Target için de istenmeyen bir senaryo olsa da, perakendecilerin veri toplama, analiz etme ve kullanma yöntemlerine dair çarpıcı bir örnek oldu.
Adobe, Müşterilerinizin Ne İstediğini ve Ne Zaman İstediğini Biliyor
Adobe Marketing Cloud, pazarlamacıların Makine Öğrenimi kullanım örneği olarak çok büyük bir yere sahip olduğunu söyleyebiliriz, makine öğreniminn doğrudan kullanabilmesi için çeşitli araçlar sunar.
Adobe Audience Manager sayesinde pazarlamacılar, müşteri verilerini merkezi bir veri yönetim platformunda toplayabilir. Bu platformda, belirgin müşteri profilleri ve birleşik hedef kitle segmentleri oluşturulabilir. Bu segmentleri anlamak, Adobe’un diğer Experience Cloud araçlarında daha etkili kişiselleştirme imkânı sağlar. Ayrıca, en yüksek getiri sağlayan segmentler belirlenip bütçe bu alanlara yönlendirilebilir.
Adobe, ayrıca Adobe Sensei tarafından desteklenen bir yapay zekâ arayüzü olan Virtual Analyst’ı geliştirdi. Bu sanal analiz aracı sürekli olarak verileri işler, öngörüsel algoritmalar ve Makine Öğrenimiyle iş süreçlerinin detaylarına iner. Adeta bir veri bilimcisi gibi çalışarak şu avantajları sağlar: gelir artışı, maliyet düşüşü, risk azaltımı ve hata tespiti.
Facebook, Kullanıcılara Gönderileri ve Reklamları Filtreliyor
Makine öğrenimi kullanım örneği olarak bir diğer şirketimiz ise Facebook, kullanıcıların paylaştığı metinleri daha iyi anlamak amacıyla DeepText adlı bir sistem geliştirdi. Bu pekiştirmeli öğrenme sistemi, içeriğin bağlamını anlamaya yardımcı olur, spam içerikleri filtreler ve kaliteli içerikleri öne çıkarır. Elbette reklam hedefleme ve tesliminde de rol oynar.
DeepText, FBLearner Flow platformuyla eğitilen bir derin sinir ağıdır. Eğitimden sonra modeller FBLearner Predictor sistemine aktarılır. Bu yapı, modellerin sürekli güncellenmesini ve ölçeklenebilirliğini sağlar.
Facebook’un 1,86 milyar aylık aktif kullanıcısı olduğunu düşünürsek, DeepText’in çok sayıda dili anlaması gerekir. Bu anlayış, yalnızca doğal dil işleme düzeyinde değil; içeriklerin niyeti ve bağlamını da kavrayacak şekilde geliştirilmiştir.
Kelime gömme (word embeddings) yöntemi sayesinde kelimeler arasındaki anlamsal ilişkiler korunur. Örneğin “bae” ve “sevgili” gibi kelimelerin benzer bağlamlarda geçtiği fark edilir. Bu teknoloji diller arası benzerlikleri bile eşleyebilir.
Messenger uygulamasında, eğer bir kullanıcı taksi çağırmak istiyorsa, sistem bu niyeti anlayarak ona doğrudan araç çağırma seçeneği sunar.
Gelecekte Facebook, DeepText’i şu alanlarda da kullanmak istiyor:
- Kullanıcı bir ürün satmak istiyorsa, sistem bu niyeti anlayıp satış araçlarını sunacak.
- Ünlülerin gönderilerindeki kaliteli yorumları öne çıkarmada yardımcı olacak.
- Haber akışındaki sahte haberleri tespit etmekte kullanılacak.
Facebook, ayrıca insan gibi konuşan sohbet botları oluşturmak için de yapay zekâ kullanıyor. Bu amaçla herkesin indirip katkı sağlayabileceği açık kaynaklı bir araç kiti sundular. Örneğin, Reddit’teki film yorumları bu botların eğitilmesi için veri olarak kullanılabilir.
Clarifai, Videolarda İnsanları ve Nesneleri Tanımlıyor
New York merkezli Clarifai, görüntü ve video tanıma teknolojileri geliştiren bir firmadır. 40 milyon dolar yatırım alarak, etiketlenmemiş büyük medya arşivlerindeki benzer görselleri tanımlayabilen sistemler geliştirmiştir.
Şirketin beta aşamasındaki “Apparel” modeli, 100’den fazla moda terimini (giysi, aksesuar vb.) tanıyabilir. “Logo” modeli ise özellikle sosyal medya görsellerinde (Snapchat, Instagram) marka logolarını tespit etmek isteyenler için idealdir.
“Demographics” modeli sayesinde ise bir fotoğraftaki yüzlerin yaşı, cinsiyeti ve etnik görünümü analiz edilebilir. Bu da daha görsel ağırlıklı dijital dünyada metin içeriği olmadan hedefleme yapabilmek için pazarlamacılara büyük fırsatlar sunar.
En dikkat çekici özelliklerden biri de kullanıcıların kendi modellerini eğitebilmesidir.
Sailthru, Pazarlama Kampanyalarında Daha İyi Getiri Sağlıyor
Makine öğrenimi kullanım örneği açısından pazalama konusunda çığır açan yine New York merkezli Sailthru, Makine Öğrenimiyle e-posta pazarlamasına odaklanıyor. Sistem, müşterilerin ilgi alanlarını ve satın alma alışkanlıklarını öğrenerek bir sınıflandırma yapar. Bu sınıflandırma sayesinde e-postanın içeriği ve gönderim zamanı optimize edilir.
Sailthru’nun müşterilerinden The Clymb, toplam e-posta gelirinde %71 artış, müşteri kaybında ise %72 azalma yaşadı.
Tahmin ve elde tutma modelleriyle, müşterilerin gelecekteki davranışları öngörülebilir hâle geliyor. The Clymb bu modelleri etkinleştirdiğinde, gönderilen her bin e-posta başına gelir %175 arttı.
Netflix, Video Önerilerini Kişiselleştiriyor
Netflix, Makine Öğrenimini nasıl kullandığını açıkça paylaşan nadir şirketlerden biridir. Bunun en net örneği ana sayfasıdır: her kullanıcıya özel olarak düzenlenir.
Netflix’in ana sayfası, hem kullanıcının ilgisini çekebilecek içerikleri ön plana çıkarmalı hem de o içerikten başka önerilere kapı açmalıdır. Satır formatında sıralanan içerikler, bazen tür gibi temel meta verilere göre gruplansa da, çoğunlukla kullanıcı davranışlarına göre kişiselleştirilir.
Bu yapı bir graf analizi örneğidir. “The Rock” gibi bir ortak öge, “Hızlı ve Öfkeli” ile “Akrep Kral” filmleri arasında bağlantı kurar.
Netflix’in sisteminde Naive Bayes ve lojistik regresyon gibi modellerin birlikte kullanıldığı tahmin ediliyor. Naive Bayes kullanıcıları sınıflandırırken, lojistik regresyon bu gruba hangi içeriklerin sunulması gerektiğini belirliyor. Örneğin, bir kullanıcı çoğunlukla okul öncesi içerikler izliyorsa, Netflix ona korku filmi önermez.
Ayrıca Netflix, A/B testleriyle ana sayfa düzenini sürekli test eder. Eskiden herkese “Netflix’te Popüler” gibi genel satırlar sunuluyordu. Artık her kullanıcıya özel başlıklar sunuluyor.
iPullRank, Organik Arama Görünürlüğünü Tahmin Ediyor
Son makine öğrenimi kullanım örneğimiz ise iPullRank. SEO başarısını ölçmek kolay değildir. iPullRank, Inc 500 listesindeki şirketlerin organik arama performanslarını karşılaştırmak için kapsamlı bir analiz gerçekleştirdi.
Kullanılan adımlar şunlardı:
- Inc 500 listesinin kazınması
Searchmetrics’ten en başarılı ve başarısız 100 şirketin belirlenmesi
- Her şirketin URL’lerinin tespiti
- Moz, SEMrush, Majestic gibi araçlardan veri çekilmesi
- 700 domain’in cognitiveSEO’ya girilmesi
- Unnatural Links Classifier kullanılması
116 değişken üzerinden Naive Bayes, lojistik regresyon, rastgele orman, lasso ve çapraz doğrulama ile analiz yapıldı.
Sonuç: 2015 Inc 500 şirketleri, genel olarak 2014’e kıyasla daha iyi SEO skorlarına sahipti. Ancak çoğu şirketin bağlantı popülaritesi ve güven metriği düşüktü. Bu da dış SEO ve içerik stratejilerinde zayıflık olduğunu gösteriyordu.
