Eğitim Hakkında
Bu program, standart makine öğrenmesi modellerinin "ne" olduğunu tahmin etme yeteneğini, davranışsal ekonominin "neden" olduğunu açıklama gücüyle birleştirir. Katılımcılar, müşterilerin rasyonel olmayan, psikolojik ve sosyal faktörlerle şekillenen karar alma süreçlerinin arkasındaki temel prensipleri öğrenecek ve bu prensipleri, daha isabetli, daha açıklanabilir ve daha etkili yapay zekâ modelleri geliştirmek için somut özelliklere (features) ve model mimarilerine nasıl dönüştüreceklerini keşfedeceklerdir. Eğitimin sonunda katılımcılar, sadece müşteri kaybını veya satışları tahmin etmekle kalmayacak, aynı zamanda hangi müşteriye hangi "dürtme" (nudge) veya teşvikin en etkili olacağını ölçebilen "uplift" modelleri tasarlayabilecek yetkinliğe sahip olacaklardır.
Bu eğitim, iki güçlü disiplinin kesişiminde yer alır:
- Davranışsal Ekonomi (BE): Daniel Kahneman'ın "Sistem 1 ve Sistem 2" düşünme biçimleri, Kayıptan Kaçınma (Loss Aversion), Çapalama (Anchoring), Çerçeveleme (Framing) ve "Dürtme" (Nudging) gibi, insanların sistematik olarak nasıl irrasyonel kararlar aldığını açıklayan teoriler bütünüdür.
- Yapay Zekâ (AI): Bu teorik bilgileri, eyleme geçirilebilir stratejilere dönüştüren teknolojik araç setidir. Özellikle, bir müdahalenin (örn: indirim) net etkisini ölçen Uplift Modelleme, nedenselliği korelasyondan ayıran Nedensel Çıkarım (Causal Inference) ve kişiselleştirilmiş teşvik dizilerini optimize eden Pekiştirmeli Öğrenme (Reinforcement Learning) gibi ileri seviye teknikler kullanılacaktır.
Kimler İçindir?
- Müşteri davranışının arkasındaki "neden"i anlayarak daha etkili kampanyalar tasarlamak isteyen Pazarlama Stratejistleri ve Ürün Yöneticileri.
- Standart özelliklerin ötesine geçerek, psikolojik içgörülerle zenginleştirilmiş daha güçlü ve açıklanabilir modeller yaratmayı hedefleyen Veri Bilimciler ve Makine Öğrenmesi Mühendisleri.
- Kullanıcıları etik bir şekilde istenen davranışlara yönlendiren arayüzler ve deneyimler tasarlayan Kullanıcı Deneyimi (UX) Araştırmacıları ve Tasarımcıları.
- Müşteri yaşam boyu değerini (CLV) ve bağlılığını artırmak için kişiselleştirme stratejileri geliştiren Müşteri İlişkileri Yönetimi (CRM) ve Müşteri Deneyimi (CX) Uzmanları.
- Fiyatlandırma, indirim ve promosyon stratejilerinin psikolojik etkilerini modellemek isteyen Gelir Yönetimi ve Fiyatlandırma Analistleri.
Sertifika
Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.
Eğitim İçeriği
1.1. Geleneksel Ekonominin ve Makine Öğrenmesinin Sınırları
- "Rasyonel İnsan" (Homo Economicus) Varsayımının Yetersizliği.
- Standart ML Modellerinin "Neden" Sorusuna Cevap Verememesi (Korelasyon vs. Nedensellik).
- Davranışsal Ekonomi ve Yapay Zekanın Birbirini Nasıl Tamamladığı.
- Vaka İncelemesi: Netflix, Amazon, Spotify gibi şirketlerin bu prensipleri nasıl kullandığına dair örnekler.
2.1. İnsan Zihninin İki Sistemi: Sistem 1 (Hızlı) ve Sistem 2 (Yavaş)
- Müşterilerin %95'inin kararlarını nasıl sezgisel ve otomatik olarak verdiğinin anlaşılması.
- Prospekt Teorisi: Kayıptan Kaçınma (Loss Aversion) - Kayıpların kazançlardan neden daha fazla acı verdiği.
- Referans Noktaları ve Çapalama (Anchoring): İlk görülen fiyatın veya bilginin sonraki kararları nasıl etkilediği.
- Çerçeveleme Etkisi (Framing Effect): Aynı bilginin farklı sunulmasının (%95 yağsız vs. %5 yağlı) tercihleri nasıl değiştirdiği.
- Sosyal Kanıt (Social Proof): "Diğerleri de bunu yapıyor" etkisinin gücü.
- Kıtlık (Scarcity): "Sınırlı sayıda" veya "son gün" gibi ifadelerin değeri nasıl artırdığı.
- Sahip Olma Etkisi (Endowment Effect): İnsanların sahip oldukları şeylere neden daha fazla değer biçtiği.
- Hiperbolik İndirgeme (Hyperbolic Discounting): İnsanların gelecekteki büyük bir ödül yerine bugünkü küçük bir ödülü neden tercih ettiği (erteleme ve anlık tatmin).
3.1. Referans Noktalarını Özellik Olarak Kodlama
- Bir müşterinin bir ürün için gördüğü ilk fiyatı veya ortalama harcamasını "çapa" (anchor) olarak modelleme.
- Bir müşterinin bir ürün için gördüğü ilk fiyatı veya ortalama harcamasını "çapa" (anchor) olarak modelleme.
- Bir fiyat değişikliğini, müşterinin referans noktasına göre "kazanç" mı yoksa "kayıp" mı olarak algılandığını hesaplayan bir özellik yaratma.
- Müşterinin ağındaki (network) diğer kişilerin davranışlarını (örn: "arkadaşlarından kaç tanesi bu ürünü aldı?") bir özellik olarak kullanma.
- "Stokta son 3 ürün" veya "kampanyanın bitmesine kalan süre" gibi bilgileri modelin anlayacağı şekilde kodlama.
4.1. Standart Tahminlemenin Ötesi: Uplift Modelleme
- "Kimler indirim teklif edilirse satın alır?" sorusu ile "Kimler sadece indirim teklif edilirse satın alır?" sorusu arasındaki fark.
- Pazarlama müdahalelerinin net artışsal etkisini (net incremental impact) ölçen modeller (örn: Two-Model Approach, Class Transformation).
- Vaka İncelemesi: İndirim bütçesini, sadece indirime tepki verecek "ikna edilebilir" kitleye odaklayarak israfı önleme.
- A/B testlerinin yapılamadığı durumlarda, bir eylemin gerçek nedensel etkisini gözlemsel veriden çıkarmaya yönelik yöntemler (Propensity Score Matching).
Aşama 1: Problem Tanımı ve Davranışsal Teşhis
- Gerçek bir iş problemi seçme (örn: "kullanıcıların tasarruf hesabına para yatırma oranını artırmak").
- Bu davranışın önündeki psikolojik engelleri (erteleme, mevcut duruma bağlılık vb.) BE prensipleriyle teşhis etme.
- Teşhis edilen engelleri aşmak için birden fazla "nudge" hipotezi geliştirme (örn: varsayılan olarak katılımı açık yapma - "default option", sosyal karşılaştırma gösterme - "social proof").
- Mevcut veri seti üzerinde, hangi müşterinin hangi "nudge"a en çok tepki vereceğini tahminleyen bir uplift modeli geliştirme.
- Geliştirilen kişiselleştirilmiş "nudge" stratejisinin potansiyel etkisini simüle etme ve sonuçları analiz etme.
6.1. Dürtme (Nudging) ve Manipülasyon Arasındaki İnce Çizgi
- Kullanıcıları istemedikleri şeyleri yapmaya kandıran arayüz tasarımlarının analizi ve bunlardan kaçınma yolları.
- Geliştirilen bir müdahalenin şeffaf, faydalı ve kullanıcı odaklı olup olmadığını denetlemek için pratik bir çerçeve.
7.1. Proje Sunumları ve Geri Bildirim
7.2. Davranışsal Bilimler Ekibini Kurum İçinde Konumlandırma
7.3. Gelecek Trendleri: Hiper-Kişiselleştirme, Duygusal Yapay Zekâ (Affective Computing) ve Etik
Neden Bu Eğitimi Almalısınız ?
- Daha Derin Anlayış: Müşterilerin sadece ne yaptığına değil, neden yaptığına dair bilimsel bir çerçeve sunarak, korelasyonun ötesinde nedenselliğe dayalı stratejiler geliştirmenizi sağlar.
- Üstün Tahmin Gücü: Davranışsal ekonomi prensipleri, standart demografik ve işlem verilerinin yakalayamadığı gizli örüntüleri ortaya çıkaran, son derece zengin bir özellik mühendisliği (feature engineering) kaynağı sunar.
- Etkili ve Ölçülebilir Müdahaleler: Hangi müşteriye hangi mesajın, hangi çerçeveyle sunulması gerektiğini (Nudging) tasarlamayı ve bu müdahalenin gerçek etkisini (Uplift) ölçmeyi öğretir, böylece pazarlama harcamalarının israfını önler.
- Açıklanabilir ve Savunulabilir Modeller: Yapay zekâ modellerinin tahminlerini, kanıta dayalı psikolojik teorilerle destekleyerek, üst yönetime ve diğer paydaşlara daha kolay açıklanabilir ve savunulabilir hale getirir.
- Etik ve Sürdürülebilir Müşteri İlişkileri: Müşterileri manipüle eden "karanlık örüntüler" (dark patterns) yerine, onlara gerçekten değer katan ve uzun vadeli güvene dayalı ilişkiler kuran etik seçim mimarileri tasarlama becerisi kazandırır.
Önemli Notlar
Program ücretlerine KDV dahil değildir.
Paylaş: