Veriyi öngörüye, öngörüyü iş kararına çevirin
Ham veriden iş kararına uzanan öngörüsel analitik süreci: CRISP-DM ile problem tanımı, churn skorlama, talep tahmini, RFM ve kümeleme segmentasyonu, uplift ve CLV modelleme Python ile uygulamalı işlenir.
Veri madenciliği sürecinden öngörüsel modele ve karar desteğine
Bu eğitim, ham veriden eyleme dönüşebilir iş kararına uzanan öngörüsel analitik sürecini uçtan uca ele alır. CRISP-DM metodolojisiyle iş problemini modelleme problemine çevirmeyi, veri hazırlığı ve özellik mühendisliğini, lojistik regresyon, karar ağacı, random forest ve gradient boosting ile sınıflandırmayı, regresyon ile talep/gelir tahminini öğrenirsiniz. Churn (müşteri kaybı) skorlama, RFM segmentasyonu, uplift modelleme ve müşteri yaşam boyu değeri (CLV) gibi iş senaryoları Python (scikit-learn, XGBoost) üzerinde kurgulanır. Model performansını ROC-AUC, lift eğrisi ve beklenen fayda ile iş diline çevirmeyi uygularsınız.
4 Gün. Her gün dört modül; kavram anlatımı ardından gerçek iş veri setiyle Python not defteri uygulaması yapılır.
Orta Seviye — CRISP-DM süreciyle veri madenciliği, öngörüsel modelleme ve iş kararlarına çevirme (segmentasyon, churn, talep tahmini).
Jupyter not defterlerinde scikit-learn ve XGBoost ile churn, segmentasyon ve talep tahmini senaryoları üzerinde uygulamalı çalışılır.
Modelleri doğruluk değil, iş etkisi ve beklenen fayda üzerinden değerlendirirsiniz.
Churn, talep ve gelir gibi sonuçları gelecek için skorlayabilirsiniz.
Model çıktısını segment ve aksiyon önerisine çevirip karar alırsınız.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
pandas ile veri çerçevesi işleme ve temel fonksiyon yazımına aşinalık gerekir.
Ortalama, dağılım, korelasyon ve olasılık kavramlarına giriş düzeyinde hâkimiyet faydalıdır.
Veri kaynaklarından tablo çekme mantığını bilmek örnekleri kolaylaştırır.
Jupyter, scikit-learn, XGBoost ve pandas kurulu bir çalışma ortamı.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Bir iş sorusunu CRISP-DM adımlarıyla çözülebilir modelleme problemine çevirirsiniz.
Ham veriden tahmin gücü yüksek öznitelikler üretirsiniz.
Churn gibi olayları XGBoost ve lojistik regresyonla skorlarsınız.
Modelleri lift, beklenen fayda ve ROI üzerinden değerlendirirsiniz.
Regresyon ve mevsimsellikle gelir ve talep tahmini yaparsınız.
RFM ve K-means ile müşterileri aksiyon alınabilir gruplara ayırırsınız.
Uplift ve yaşam boyu değeriyle kampanya kaynağını doğru yönlendirirsiniz.
Modeli üretime alıp drift ve performansını izlersiniz.
Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.
Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.
Farklı kaynakları birleştirin: SQL JOIN türleri, UNION, pandas merge/concat, tane kontrolü, fuzzy eşleştirme ve doğrulama. Orta seviye DVA eğitimi.
Detayları Gör →
Analitikte kritik veri hususları: veri kalitesi, önyargı türleri, yorum tuzakları, etik, adalet ve gizlilik (KVKK/GDPR). Orta seviye DVA eğitimi.
Detayları Gör →
Veri dönüşümü: tip, format ve kodlama dönüşümleri, Türkçe karakter sorunları, şema eşleme, dönüşüm kuralları ve doğrulama. Orta seviye DVA eğitimi.
Detayları Gör →
Kurumu veriyle yönetin: veri kültürü, veri okuryazarlığı, KPI ve metrik ağacı, self-servis analitik ve dönüşüm yol haritası. Orta seviye DVA eğitimi.
Detayları Gör →
Veri hatası tipolojisi, pandas ile profil çıkarma, Pydantic ve Great Expectations ile şema ve iş kuralı doğrulamayı uygulamalı öğrenin.
Detayları Gör →