Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, AIMS Analitik Bilgi Yönetimi Çözümlerinde Profesyonel Hizmetler Takım Lideri Yılmaz Meral tarafından sunulan bir eğitim ve tanıtım içeriğidir. Sunum, sigorta sektöründe analitik projeler ve IBM Watson Studio kullanımı hakkında kapsamlı bilgiler sunmaktadır.
- Video, AIMS'in sigorta sektöründe gerçekleştirdiği analitik projelerin tanıtımıyla başlayıp, müşteri analitiği, segmentasyon çalışmaları, satış tahmini, fraud tespiti ve claim management gibi konuları ele almaktadır. Daha sonra IBM SPSS Modeller ve Watson Studio'nun veri işleme, modelleme ve yapay zeka algoritmalarının nasıl kullanılacağı adım adım gösterilmektedir.
- Sunumda özellikle sağlık sigortası satın alma eğilimini tahmin etmek için karar ağacı, yapay sinir ağları ve diğer makine öğrenmesi modellerinin nasıl oluşturulacağı, veri setlerinin nasıl işleneceği ve model performansının nasıl değerlendirileceği detaylı olarak anlatılmaktadır. Ayrıca platformun veri akışları oluşturma, veri kaynaklarına bağlanma ve kullanıcı yetki özellikleri de açıklanmaktadır.
- Sunum ve Şirket Tanıtımı
- Yılmaz Meral, AIMS Analitik Bilgi Yönetimi Çözümlerinde Profesyonel Hizmetler Takım Lideri olarak sigorta sektöründe 360 derece analitik dönüşüm konusunu anlatacak.
- AIMS, 2000 yılında kurulan, %100 Türk sermayesiyle SPSS Türkiye olarak başlayıp, 2012 yılında IBM global gold partner olarak AIMS ismiyle devam eden bir şirket.
- Şirket, veri analitiği, istatistiksel analizler ve makine öğrenmesi konularında eğitimler sunuyor ve kurumlara özel terzi usulü danışmanlık hizmeti veriyor.
- 04:06Sigorta Sektöründe Analitik Yaklaşım
- Sigorta sektöründe 360 derece analitik vizyon yaklaşımı, çember şeklinde gösterilerek müşteri analitiği, analitik CRM, operasyonel süreçler ve analitik insan kaynakları gibi alanları kapsıyor.
- Projeler, iş ihtiyaçlarının analizi ve analitik yol haritasının belirlenmesiyle başlayıp, terzi usulü analitik danışmanlık hizmeti sunarak özel çözümler geliştiriyor.
- Değer segmentasyonu, müşterilerin kuruma kattığı değeri ölçen bir piramit yapısı oluşturarak, müşterileri platin, altın, gümüş, bronz gibi segmentlere ayırıyor.
- 06:54Değer Segmentasyonu ve Potansiyel Değer Segmentasyonu
- Değer segmentasyonu, tek bir alana bakarak değil, karlilik, prim üretimi, ürün çeşitliliği gibi birçok farklı kırılımdan çok boyutlu bir analiz yaparak mikro ve makro değer segmentleri oluşturuyor.
- Potansiyel değer segmentasyonu, müşterinin dış kaynak verileri ve poliçe bilgileri üzerinden potansiyelini ölçerek, mevcut değer piramidinde düşük seviyelerde olan ancak potansiyel olarak yüksek değer taşıyan müşterileri belirliyor.
- Potansiyel değer segmentasyonu, mevcut değer segmentasyonunda eşit görünen müşterilerin gerçek potansiyelini ortaya çıkararak, aksiyonlarla değer segmentlerini yükselterek piramit yapısını üst seviyelere çıkarmayı hedefliyor.
- 11:05Segment Bazlı Müşteri Yaklaşımı
- Müşteri davranışlarını karakteristikler çıkartarak elde ederek müşteriyi tanıma sürecine ilerlenir.
- Segment bazlı müşteri yaklaşımında değer segmentasyonu, davranış segmentasyonu, potansiyel değer ve demografik segmentasyon gibi farklı segmentasyon çalışmaları yapılır.
- Segmentasyon çalışmaları, ileride yapılacak çalışmalar için temel oluşturan tanımlama çalışmalarıdır.
- 11:37Segmentasyon Çalışmalarının Kombinasyonu
- Değer segmentasyonu ve davranış segmentasyonu bilgileri birleştirilerek farklı davranışlara sahip kişilerin değer segmentasyonuna göre üst veya alt piramiddeki konumları incelenir.
- Sık teklif segmentinde üst tarafta olan müşterilerin davranışları, ürün çeşitliliği ve farklı davranış boyutları inceleyerek alt tarafta aynı davranışa sahip kitlenin üst tarafta olmasına yönelik hedefler belirlenir.
- Bu farklı segmentasyon çalışmalarının bir araya getirilmesi, müşterileri çok farklı seviyelerde 360 derece incelemeyi sağlar.
- 12:37Ürün Eğilimi Projesi
- Müşterilerin değer piramidinde üste çıkarma stratejilerinden biri müşterilerin ürün gamını genişletmektir.
- Ürün eğilimi modelleri, müşterinin farklı ürün sahipliklerine, kanal kullanımlarına, davranış segmenti boyutlarına ve potansiyel değerlerine bakarak kurulur.
- Modeller sonucunda her müşteri için farklı ürün eğilimleri çıkar ve bu modellerde hem istatistiksel algoritmalar hem yapay zeka algoritmaları kullanılır.
- 14:37Kanal Analitiği
- Kanal analitiği, müşterinin hangi kanalı kullandığı ve bu kanaldaki özelliklerini inceler.
- Dijitalleşme çağıda hangi müşterilerin dijital tarafa yönlendirilebileceği veya yönlendirilmemesi gerektiği belirlenir.
- Çağrı merkezi analizi, müşterilerin ne zaman ve ne amaçlı aradığı veya arayabileceği öngörü modelleriyle yapılır.
- 15:40Kampanya Geri Bildirim Modellemesi
- Kampanya geri bildirim modellemesi, müşterinin daha önceki kampanyalara nasıl cevap verdiği incelenir.
- Hangi müşteri kitlelerinin hangi kampanyalara cevap verdikleri, geri dönüş oranları ve hangi müşterilerin ilgili kampanyaya geri döndükleri ortaya çıkarılır.
- Karar ağacı çıktısı gibi modeller, kampanyaya geri dönen müşterilerin geliri, cinsiyeti gibi özelliklerini göstererek hedef kitlesi daraltır.
- 17:56Terk Etme Eğilimi Modellemesi
- Terk etme eğilimi modellemesi, müşteri tarafındaki terk etme (tüm ürünleri kapatıp şirketten gitme) ve ürün bazlı terk etme (belirli ürünleri kapatma veya yenilememe) olmak üzere iki farklı terk etme türünü ele alır.
- Terk etme eğilim modelleri, tüm müşterilere değil segment bazlı kurularak farklı sonuçlar elde edilir.
- Terk etme eğilimi modellerinde makine öğrenmesi, yapay zeka teknikleri ve istatistiksel algoritmalar hibrit bir şekilde kullanılır.
- 20:04Yaşam Boyu Değer Modellemesi ve Acente Yönetiminde Analitik Yaklaşım
- Yaşam boyu değer modellemesi, müşterinin müşterilik hayatı boyunca kattığı değeri ve gelecekte katabileceği değeri tahmin eder.
- Acente yönetiminde analitik yaklaşım, acentenin değeri, çalışma karakteristiği ve potansiyellerini inceler.
- Acentenin müşteri portföyünün sadık müşterilerden oluşup oluşmadığı veya sadece zorunlu ürünleri satın alan müşterilerden oluşup oluşmadığı da değerlendirilir.
- 21:42Satış Tahmini Modellemesi
- Satış tahmini modellemesi sadece satış tahmini değil, hasar tahmini ve hasar tutar modellemesi gibi farklı tahminler için de kullanılabiliyor.
- Tahmin değerleri kısa dönemli, orta dönemli ve uzun dönemli olmak üzere üç farklı yaklaşımda bulunabiliyor.
- Tahmin modellerinde istatistiksel tahmin yöntemleri, zaman serisi analizleri, regresyon modelleri, benzer gün yaklaşımı ve yapay zeka kökenli algoritmalar (karar ağaçları, sinir ağları) gibi farklı teknikler kullanılabiliyor.
- 23:15Hava Durumu Verileri
- Hava durumu bilgisi tahmin modellerinde önemli bir faktör olup, IBM'nin satın aldığı The Weather Company gibi şirketlerden geçmiş, şimdiki ve gelecek hava durumu verileri kullanılabilir.
- Hava durumu verileri tahmin modellerinin doğruluk seviyesini yükseltiyor ve ürün geliştirme ve uyarı çıkartma süreçlerinde de kullanılabilir.
- 24:23Analytic Fraud (Hilekarlık Tespiti)
- Analytic fraud, müşterilerin hilekarlık tespiti için kullanılan bir yöntem olup, farklı yaklaşımlarla gerçekleştiriliyor.
- İlk yaklaşım iş kuralları ve tecrübeye dayalı olup, danışmanlıkta görülen case'ler kurallar haline getirilerek uyarılar oluşturuluyor.
- İkinci yaklaşım, bilinen suistimallerin modellenmesi ve makine öğrenmesi algoritmalarıyla öngörüsel model geliştirilmesiyle gerçekleştiriliyor.
- Üçüncü yaklaşım, kümeleme algoritmaları ve anomali detection yöntemleriyle anormal davranışların öngörülmesi ve skorlanmasıyla gerçekleştiriliyor.
- 27:49Claim Management (Hak Talebi Yönetimi)
- Claim management, fraud riski, müşteri segmentasyonu, churn skoru gibi farklı analitik çalışmalarla desteklenen hak talebi yönetim sistemidir.
- Müşterilere servis yönlendirmesi yaparken, fraud riski, segmentasyon, churn skoru ve servis özellikleri gibi faktörler dikkate alınarak müşteri memnuniyeti önceliğiyle yönlendirme yapılıyor.
- Servislerin yapıldığı segmentasyon çalışması ile birlikte claim management sistemi daha da iyileştirilebiliyor.
- 30:23İnsan Kaynakları ve Müşteri Yönetimi Çalışmaları
- Müşteri yönetimi alanında değer segmentasyonu, katkı payı, toplam birikim gibi kırılımlara bakılarak makine öğrenmesi çalışmaları yapılmaktadır.
- Potansiyel değer analizi için müşterinin sahip olduğu ürünlere bakılarak katkı payı arttırma ve tahsilatsızlık eğilimi gibi modeller geliştirilmektedir.
- Bireysel emeklilik alanında ek katkı payı eğilimi ve müşterilerin hangilerinin yatırılabileceği konusunda eğilim modelleri oluşturulmaktadır.
- 31:28Analitik İnsan Kaynakları Yönetimi Projeleri
- Analitik insan kaynakları yönetimi, müşteri tarafından operasyonel taraftan claim management tarafından çıktığımız ve kendi içimize geldiğimiz bir yapı olarak düşünülmektedir.
- Çalışan verimlilik segmentasyonu, çalışan davranış segmentasyonu ve çalışan terk etme eğilim modellemesi gibi projeler gerçekleştirilmiştir.
- Vodafone ile yapılan çalışan terk eğilim modellemesi çalışmasında, bazı profiller zaten bildiklerken bazıları tamamen yeni keşfettikleri profiller olarak ortaya çıkmıştır.
- 32:48İşe Alım ve Çalışan Memnuniyeti Çalışmaları
- Çalışan yaşam boyu değer modellemesi, müşteri tarafındaki yaşam boyu değer modellemesine benzer yapıda kurulmuş bir modelleme yaklaşımıdır.
- İşe alım modellemesi kapsamında başvuru skorlaması yapılarak doğru personelin doğru lokasyona ve pozisyona yerleştirilmesi amaçlanmaktadır.
- Çağrı merkezi çalışmasında ne kadar çağrı geleceğini ve buna göre kaç çalışana sahip olunması gerektiğini belirleyen modeller bulunmaktadır.
- Çalışan memnuniyet araştırmaları, saha ekibi tarafından yapılan çalışmalarla birlikte gerçekleştirilmekte ve memnuniyetsizlik nedenleri tespit edilmektedir.
- 35:30IBM SPSS Modeler ve IBM Watson Studio
- IBM SPSS Modeler, müşterilerin davranışlarına bakarak karar destek modelleri kurabilmemizi sağlayan bir yazılımdır.
- IBM SPSS Modeler'de farklı paletler bulunmaktadır: source paleti veri kaynaklarına bağlanmayı, record obs ve field obs veri manipülasyonunu, graph paleti görselleştirmeyi, modeling paleti modelleme tekniklerini, output paleti çıktıları ve export paleti veri aktarımını sağlar.
- IBM Watson Studio'da benzer bir yapı bulunmaktadır ve açık kaynak kodlu modeller entegre edilmiş şekilde kullanılabilir.
- 41:12IBM SPSS Modeler Uygulaması
- Ürün eğilimi modellemesi senaryosunda, farklı dosyalarda tutulan müşteri bilgileri ve ürün sahipliği bilgilerinin birleştirilmesi gerekmektedir.
- IBM SPSS Modeler'de veri kaynaklarına bağlanmak için sürükle-bırak yöntemi kullanılarak işlemciler akışa eklenmektedir.
- Text dosyasına bağlanmak için ilgili dosyayı seçip, boşlukları alarak veriye bağlanma işlemi gerçekleştirilmiştir.
- 41:44Veri Kaynaklarının İncelenmesi
- Table işlemcisi, verileri göstermek için kullanılır ve sürükle-bırak yöntemiyle kaynak işlemcine bağlanır.
- İlk veri kaynağından 100 müşteri kaydı ve 10 farklı alan (değişken, field) bulunur; müşteri numarası, demografik bilgiler ve ürün sahiplikleri gibi.
- İkinci veri kaynağından 200 müşteri kaydı gelir, bu kayıtlar ilk kaynaktaki müşterilerle farklıdır.
- 43:22Veri Kaynaklarının Birleştirilmesi
- Veri analitiği çalışmalarında yüz binlerce, milyonlarca hatta yirmi-otuz milyonluk verilerle çalışılabilir.
- Modeller, veriyi kendi içinde çekmez, sadece verinin fotoğrafını alarak işlem yapar ve veri kaynağındaki veri değişmez.
- Append işlemcisi kullanılarak iki farklı veri kaynağı alt alta birleştirilir ve toplam 300 müşteri kaydı elde edilir.
- 45:29Farklı Veri Kaynaklarının Birleştirilmesi
- Üçüncü veri kaynağı olarak Excel dosyasından gelen sağlık sigortası bilgileri, müşteri numarası ve sağlık sigortası sahipliği bilgilerini içerir.
- Merge işlemcisi kullanılarak müşteri demografik bilgileri ve sağlık sigortası bilgileri müşteri numarası üzerinden birleştirilir.
- Birleştirme sonucunda 10 alan yerine 11 alan (sağlık sigortası bilgisi eklendi) ve 300 kayıt elde edilir.
- 47:12Hedef Değişken Tanımlama
- Sağlık sigortası sahipliği alanı (health insurance) çalışmanın hedef alanı olarak tanımlanır çünkü hangi müşterilerin sağlık sigortası alabileceğini öğrenmek istenir.
- Modeller, verileri okuyarak hangi kategorilerin alt kategorilere sahip olduğunu ve sürekli değişkenlerin hangi aralıklarda değiştiğini tanımlar.
- Açıklayıcı değişkenler ve hedef değişken (health insurance) modellerde ayrı olarak tanımlanır.
- 48:35Veri İnceleme ve Değerlendirme
- Data audit işlemcisi, veri setinin detaylı incelemesini sağlar ve her bir satırda bulunan alanları gösterir.
- Kategorik alanlarda (örneğin sağlık sigortası) mavi ve kırmızı renklerle hedef dağılımları gösterilir, sürekli alanlarda (gelir) yüksek gelirli kişilerin sağlık sigortası sahibi olma eğilimi daha fazla görülür.
- Çocuk sayısı sahipliği gibi kategorik alanlarda tek çocuğa sahip olan kişilerin sağlık sigortası sahibi olma eğilimi daha fazla olduğu grafiklerden yakalanabilir.
- 50:27Veri Kalitesi ve Boş Değerler
- Veri kalitesi kısmında alanların yüzde kaçı dolu olduğu, kayıtların yüzde kaçı dolu olduğu gibi bilgiler görüntülenebilir.
- Sürekli alanlarda outlier ve extreme değerlerin sayısı görüntülenebilir ve bu değerler için analiz dışında bırakma veya boş değer gibi değerlendirmeler yapılabilir.
- Boş kayıtlar için ortalama, orta nokta, sabit değer ata, rastgele ata veya formülasyon yazarak doldurma işlemleri yapılabilir.
- 52:40Veri Doldurma ve Modelleme
- Boş değerler için algoritma ile tahmin edici model kurularak doldurma işlemi yapılabilir, örneğin yaş değeri kişinin mesleği, çocuk sayısı gibi özelliklerine bakılarak tahmin edilebilir.
- Veri seti eğitim, test ve validation olarak üç farklı veri setine bölme işlemleri yapılabilir.
- IBM Watson Studio'da gelişmiş modeller, yapay zeka algoritmaları (neural network, support vector machine) ve istatistiksel algoritmalar (discriminant analizi, lojistik regresyon) bulunur.
- 55:41Karar Ağacı Modeli
- Karar ağacı modeli sürükle-bırak yöntemiyle kurulabilir ve hedef değişken olarak "health insurance" seçilir.
- Model çalıştırıldığında, değişken önemliliği gösterilir ve çocuk sayısı gibi önemli değişkenler belirlenir.
- Karar ağacı yapısında, müşterilerin sağlık sigortasına sahip olup olmadığına göre bölünmesi ve çocuk sayısı gibi faktörlerin önemliliği gösterilir.
- 59:41Karar Ağacı Modeli İle Veri Analizi
- Karar ağacı algoritması, verileri küçültürken içindeki "evet" dağılımını artırarak sağlık sigortası alan müşterileri belirlemeye yardımcı oluyor.
- Tek çocuklu ailelerde sağlık sigortası alma eğilimi %45'ten %35'e düşerken, iki çocuklu ailelerde %45'ten %32'ye düşüyor.
- Gelir seviyesi, evlilik durumu ve yaş gibi değişkenlerle müşteri kırılımları yapılarak sağlık sigortası alma eğilimleri analiz ediliyor.
- 1:01:26Model Sonuçlarının Değerlendirilmesi
- Tek çocuklu, belirli bir gelir seviyesi üstünde ve 32 yaşından büyük olan müşteriler sağlık sigortası alma eğiliminde.
- Karar ağacındaki farklı kartlar, farklı değişkenlere göre müşteri kırılımları sunuyor.
- Evli olmayan, çocuğu olmayan ve Product 2'ye sahip kişiler sağlık sigortası alma eğiliminde değil.
- 1:03:08Model Sonuçlarının Tabloda Gösterilmesi
- Tablo işlemcisi kullanılarak model sonuçları veri setine ekleniyor ve her müşteri için tahminler gösteriliyor.
- Model tahminleri "evet" veya "hayır" olarak gösteriliyor ve 0 ile 1 arasında değişen bir güven skoru ile birlikte sunuluyor.
- Propensity skorları da elde edilebiliyor ve hangi müşteri ne kadar skorla ne olarak tahmin edildiği görülebiliyor.
- 1:05:10Farklı Modelleme Teknikleri
- Ürün eğilim modellemesi, kampanya modellemesi, tahsilatsızlık modellemesi gibi farklı modeller geliştirilebiliyor.
- Neural network algoritması, insan beyninin öğrenme yapısına dayanan bir modelleme tekniği olarak kullanılıyor.
- Bisnet ve diğer modelleme teknikleri de kullanılabilir ve farklı modellerin sonuçları birleştirilebilir.
- 1:08:39Veri Setini Farklı Algoritmalarla İşleme
- Veri seti, karar ağacı, yapay sinir ağları ve bios network gibi üç farklı algoritmadan geçiriliyor.
- Her algoritma müşterilerin sağlık sigortası alıp almayacağı konusunda farklı tahminler yapıyor.
- Ensemble işlemci, farklı modellerin çıktılarını birleştirmek için kullanılıyor ve farklı birleştirme teknikleri sunuyor.
- 1:10:53Model Performansını Değerlendirme
- Tahminlerin doğruluk oranları değerlendirilmeli ve bunun için partition tekniği kullanılabilir.
- Analises işlemci, modellerin performansını değerlendirmek için doğruluk oranları, confusion matrix, area under curve ve gini gibi katsayıları gösteriyor.
- Bu katsayılar 0 ile 1 arasında değişiyor ve belirli değerleri geçerse model kullanılabiliyor.
- 1:12:38Yeni Verileri Skorlama
- Mevcut olmayan verileri skorlamak için yeni bir veri kaynağına bağlanılıyor.
- Yeni veri kaynağındaki müşterilerin sağlık sigortası bilgisi yokken, hangi müşterilerin sağlık sigortasına eğilimi olduğunu bulmak isteniyor.
- Karar ağacı modeli kullanılarak müşterilerin eğilimleri belirleniyor ve hangi müşterilerin sağlık sigortası alabileceğini gösteren bir alan oluşturuluyor.
- 1:15:39IBM Watson Studio Tanıtımı
- IBM Watson Studio, yapay zeka ve istatistiksel algoritmaları kullanabileceğimiz gelişmiş bir platform.
- Watson Studio'da Jupiter Notebook gibi açık kaynak araçlar kullanılabilir ve cloud ile entegrasyon sağlanabilir.
- Platform, dokümantasyonlar, güncellemeler ve community desteği sunuyor.
- Projeler altında veri kaynakları (Excel, text, csv) görüntülenebilir ve database bağlantıları sağlanabilir.
- 1:17:44Watson Studio'da Modeller ve Akışlar
- Watson Studio'da çeşitli akışlar oluşturulabilir ve daha yeni bir görünüme sahiptir.
- Akışlarda veri kaynaklarına bağlanarak, dosyaları append ile birleştirip, merge ile ürün sahipliklerini ekleyebilirsiniz.
- Veri tiplerini ayarlayıp, karar ağacı, neural network gibi farklı modellerle modelleme işlemlerini gerçekleştirebilirsiniz.
- 1:18:43Watson Studio'nun Özellikleri
- Watson Studio'da data asset, user input veya simülasyon verileri geliştirilebilir.
- Platformda kayıtlarla ilgili işlemler, işlemciler, grafikler ve birçok farklı model bulunur.
- İstatistiksel algoritmalar, yapay zeka algoritmaları, öngörüsel modeller, birliktelik analizleri ve kümeleme analizleri gibi modeller kullanılabilir.
- 1:19:25Watson Studio'nun Avantajları
- Watson Studio büyük bir platform olup kullanıcılar yetki bazlı giriş yapabilirler.
- Açık kaynak kodlarıyla R veya Python ile çalışırken sistemde bir kez güncellendiğinde tüm kullanıcılara yayılır.
- Data refinery gibi özellikler sayesinde manipülasyon işlemlerini çeşitli kurallardan geçirerek yapabilirsiniz.
- 1:19:59Karar Ağacı Modeli
- Karar ağacı modelinde model bilgileri, kullanılan algoritma, feature sayısı, ağaç derinliği ve karar verici not sayısı görüntülenebilir.
- Feature importance kısmında hangi alanların anlamlı olduğu görülebilir.
- Top decision rules altında farklı kurallar görüntülenir ve her biri birer if-then kuralı olarak raporlanır.
- 1:21:08Karar Ağacı Görselleştirme
- Karar ağacı diyagramında çocuk sayısı, evlilik durumu ve ürün sahipliği gibi kriterlerle müşteri ürün alma eğilimi belirlenir.
- Top decision rules çıktısı, tek tek ağacı incelemek yerine doğrudan kuralları gösterir.
- Yapay zekanın arka tarafta yakaladığı kurallar kullanıcıya sunulur.
- 1:21:49Neural Network Çıktıları
- Neural network'te toplam doğruluk ve karmaşıklık matrisi görüntülenir.
- Model information kısmında kullanılan sinir ağları algoritması (örneğin multilayer perceptron veya radial basis) belirtilir.
- Network diyagramında input layer, hidden layer ve output layer'larla birlikte kategori bazlı alanların öğrenme aşamasındaki önem seviyeleri gösterilir.
- 1:22:40Watson Studio Kullanım Seçenekleri
- Watson Studio'da kodlar yazarak süreçler tanımlanabilir ve açık kaynak kodlar kullanılabilir.
- Python gibi kütüphaneler kullanılabilir veya arayüz üzerinden işlemciler sürükle-bırak ile bağlanarak akışlar oluşturulabilir.