Gerçek hayattan 5 kümeleme analizi örneği

Küme analizi, makine öğreniminde kullanılan ve bir veri seti içindeki gözlem gruplarını bulmaya çalışan bir tekniktir.

Kümeleme analizinin amacı, her küme içindeki gözlemlerin birbirine oldukça benzer olduğu, farklı kümelerdeki gözlemlerin ise birbirinden oldukça farklı olduğu kümeleri bulmaktır.

Aşağıdaki örnekler, kümeleme analizinin çeşitli gerçek dünya durumlarında nasıl kullanıldığını göstermektedir.

Örnek 1: Perakende Pazarlama

Perakende şirketleri genellikle benzer hanelerden oluşan grupları belirlemek için kümelemeyi kullanır.

Örneğin, bir perakende işletmesi aşağıdaki hane bilgilerini toplayabilir:

• Hane geliri
• Ev büyüklüğü
• Hane Reisi Mesleği
• En yakın kentsel alana uzaklık

Daha sonra potansiyel olarak aşağıdaki kümeleri tanımlamak için bu değişkenleri bir kümeleme algoritmasına dahil edebilirler:

• Grup 1: Küçük aileler, büyük harcama yapanlar
• Grup 2: Geniş aile, çok para harcayanlar
• Grup 3: Küçük aile, düşük masraflar
• Grup 4: Geniş aile, düşük masraflar

Şirket daha sonra belirli reklam türlerine yanıt verme olasılıklarına göre her haneye kişiselleştirilmiş reklamlar veya satış mektupları gönderebilir.

Örnek 2: akış hizmetleri

Akış hizmetleri genellikle benzer davranışa sahip görüntüleyenleri belirlemek için kümeleme analizini kullanır.

Örneğin, bir yayın hizmeti bireyler hakkında aşağıdaki verileri toplayabilir:

• Günde izlenen dakika sayısı
• Haftalık toplam görüntüleme oturumu sayısı
• Ayda görüntülenen benzersiz programların sayısı

Bir akış hizmeti, bu ölçümleri kullanarak yüksek ve düşük kullanımlı kullanıcıları belirlemek için küme analizi gerçekleştirebilir, böylece reklam bütçelerinin çoğunu kime harcamaları gerektiğini bilebilirler.

Örnek 3: Spor bilimi

Spor takımı veri bilimcileri benzer oyuncuları belirlemek için sıklıkla kümelemeyi kullanır.

Örneğin, profesyonel basketbol takımları aşağıdaki oyuncu bilgilerini toplayabilir:

• Maç başına puan
• Maç başına ribaund
• Maç başına asist
• Maç başına top çalma

Daha sonra benzer oyuncuları belirlemek için bu değişkenleri bir gruplandırma algoritmasına besleyebilirler, böylece birbirleriyle antrenman yapmalarını ve güçlü ve zayıf yönlerine göre belirli çalışmalar yapmalarını sağlayabilirler.

Örnek 4: E-postayla Pazarlama

Birçok işletme, tüketicilere gönderilen e-postaları geliri en üst düzeye çıkaracak şekilde uyarlayabilmek amacıyla benzer tüketicileri belirlemek için küme analizini kullanır.

Örneğin bir işletme tüketiciler hakkında aşağıdaki bilgileri toplayabilir:

• Açılan e-postaların yüzdesi
• E-posta başına tıklama sayısı
• E-postaları kontrol etmek için harcanan zaman

Bir işletme, bu ölçümleri kullanarak, e-postayı benzer şekillerde kullanan tüketicileri belirlemek ve farklı müşteri gruplarına gönderdikleri e-posta türlerini ve e-postaların sıklığını uyarlamak için küme analizi yapabilir.

Örnek 5: Sağlık sigortası

Sağlık sigortası şirketi aktüerleri, sağlık sigortalarını belirli şekillerde kullanan tüketici “kümelerini” belirlemek için sıklıkla kümelenme analizini kullanmıştır.

Örneğin, bir aktüer haneler hakkında aşağıdaki bilgileri toplayabilir:

• Yıllık toplam doktor ziyareti sayısı
• Toplam hane büyüklüğü
• Hane başına düşen toplam kronik hastalık sayısı
• Hane halkının ortalama yaşı

Daha sonra bir aktüer, benzer haneleri belirlemek için bu değişkenleri bir kümeleme algoritmasına besleyebilir. Sağlık sigortası şirketi daha sonra belirli gruplardaki hanelerin kendi sigortasını ne sıklıkta kullanmasını beklediğine bağlı olarak aylık primleri belirleyebilir.

Ek kaynaklar

Aşağıdaki eğitimlerde istatistiksel programlama dilleri kullanılarak farklı türde küme analizlerinin nasıl gerçekleştirileceği açıklanmaktadır:

Python’da K-Means Kümelemesi Nasıl Gerçekleştirilir
R’de K-Means kümelemesi nasıl gerçekleştirilir?
R’de K-Medoids kümelemesi nasıl gerçekleştirilir?
R’de hiyerarşik kümeleme nasıl gerçekleştirilir?