Ətrafınıza baxın hər yerdə “data” uçuşur desək təəccüblənməyin. Çünki, gündəlik istifadə etdiyimiz mobil cihazlar, qolumuza taxdığımız smart saatlar, sosial media platformaları, marketlər, banklar və.s qurumlar bizdən istəsək də istəməsək də “data” toplamaqdadır. Əgər bir yerdə “data” uçuşursa mütləq şəkildə onu ovlayan ovçular – “Data Scientist”lər də var.
Data Scientist – uçuşan dataları qovalayan, ovlayan, bişirən və satmağı bacaran insanlara deyirlər (təbii ki məcazi mənada). İşin içində satış varsa, bunun Marketinq və şirkətin varlığını davam etdirməsi baxımından nə ifadə etdiyini, məncə, anlatmağa ehtiyac yoxdur. Amma, yenə də Marketinq sahəsində işləyən “data ovçuları”nın nə iş gördüyünə və bu işi necə gördüyünə bir qədər nəzər yetirək;
Sinifləndirmə (Clustering) Analizi
Sinifləndirmə Analizini anlamaq üçün sadə bir misala nəzər yetirsək kifayətdir. Tutaq ki, sizin əlinizdə sadəcə bir çeşit məhsul və ya xidmət var. Siz bunu satmaq istəyirsiniz və ilkin düşüncəniz budur ki, bu məhsul və ya xidməti hamı alacaq. Əslində isə elə olmur, çünki, bazarda olan alıcı həddindən artıq heterogen qrup təşkil etməkdədir. Yəni sizin məhsuldan bəzi insanlar qiymətinə görə, bəziləri keyfiyyətinə görə və.s narazı olacaq. Bu mərhələdə isə bizim köməyimizə Sinifləndirmə Analizi çatır. Biz bu analiz vasitəsi ilə qiymətə önəm verən müştəriləri eyni sinifə, keyfiyyətə üstünlük verənləri isə bir başqa sinifə daxil edərək onlara uyğun məhsullarımızda çeşitləndirmə edirik. İşin marketinq hissəsi bundan ibarət olsa da, data hissəsində də sinifləndirmə üçün sadə alqoritmalardan tutmuş, mürəkkəb alqoritmalara qədər istifadə olunur.
Ən sadə yöntəmlər sırasına, k nearest neighbor (knn), K-means kimi alqoritmalar yer alır və bu alqoritmalar fuzzy K-means, Expectation–Maximization (EM) Clustering yöntəmlərinə qədər mürəkkəbləşir. Amma, məsələ nə qədər mürəkkəb olsa da, işin sadə bir yanı var torbanın içərisində yer alan fərqli şarlar içərisindən eyni rənglərdə olan şarları taparaq onları eyni torbaya qoymaq. Marketinq diliylə desək, eyni davranışa sahib müştəriləri bir sinif (cluss) altında toplayaraq onlara özəl məhsul və ya xidmət təklif etmək.
Seçim Modellərinin (Choice Models) tətbiqi
Məsələni anlamaq üçün yenə günümüzdən bir nümunə verək. Kapitalist sistemdə müştərilərinin istək və ehtiyacları o qədər fərqlidir ki, bir şirkətiniz olduğunu düşünün: Bu şirkətdə müştərilərin hər istədiyini diqqətə alıb bir məhsul bazara çıxarmaq fikrinə düşsəniz, yəqin ki, üzərinə hər hansı marka adı yazıb rəfə qoyacağınız məhsul olmaz. Bu mərhələdə inanıram ki ağlınıza sual gəldi ki, bəs nə oldu bizim sinifləndirmə analizimizə o bizə kömək etsin də. Əslində haqlısınız o sizə kömək edə bilər, amma bir nöqtəyə qədər. Çünki, hər nə qədər məhsulunuzu çeşitlindərmək istəsəniz belə bu çeşitləndirmə maksimum 7-10 məhsul və ya xidmətə qədər davam edəcək, sonrasında isə məlum məsələlər istehsal şərtləri, işgücü azlığı və. s sizi “stop!” deməyə məcbur edəcək. Burda isə mütləq şəkildə bizə bu sualın cavabı lazımdır? Müştəri ən çox nə istəyir və ya müştəri ən çox nəyi seçir? Bu suala cavab tapmaq üçün isə birbaşa üz tuturuq seçim modellərinə.
Seçim Modelləri
Müştərilərin xüssusiyyətlərini diqqətə alaraq bir müştərinin hansı məhsula və ya hansı seçimə yönələcəyi ehtimallarını hesablayan Ümumiləşdirilmiş Reqressiya Modelləridir (Generalized Linear Regression Models). Bu reqressiya ailəsinə Logistic Linear Regression, Multinominal və Ordinal Logistic Regression modelləri daxildir.
Misal üçün, bir əlinizdə armud və digərində alma tutun. Qarşısınıza gələn adamın yaşını, cinsiyyətini, yaşadığı yeri, xəyal dünyanızı biraz genişləndirsəniz gözlərinin rəngini, neçə kilo olduğunu diqqətə alaraq bu adamın hansı meyvəni seçəcəyi sualına cavab tapa bilərsiniz. Məsələn: bu adam 85% almanı seçəcək.
Əsl məsələdə elə budur. Kimin nə seçəcəyini, seçdikdən sonra yox seçmədən öncə müəyyən edə bilmək. Əksi olarsa, əlinizdəki məhsulu qapı-qapı gəzsəniz daxil əgər doğru qapını döyə bilmirsinizsə o məhsul sözün əsl mənasında “əlinizə qalacaq”.
Data elminə sıfırdan başlamaq istəyənlər üçün bu yazı maraqlı ola bilər.
