AI veri hazırlama adımları, ham pazarlama verilerini makine öğrenimi modellerinin etkili bir şekilde işleyebileceği yüksek kaliteli bir formata dönüştürmek, düzenlemek ve temizlemek için kullanılan süreçlerdir. Bu döngü, veri toplama ile başlar ve girdinin yüksek kaliteli olmasını sağlamak için temizleme, normalleştirme ve özellik mühendisliği ile devam eder. Verileri AI modeline ulaşmadan önce iyileştirerek, pazarlamacılar hataları önleyebilir, bu da daha doğru tahminlere ve otomatikleştirilmiş optimizasyonlara yol açar.
Veri hazırlama neden AI’nın en çok zaman alan kısmıdır?
Dijital pazarlamadaki yaygın bir model, veri bilimcilerinin ve AI mühendislerinin proje sürelerinin yaklaşık %80’ini model oluşturmaktan ziyade hazırlığa harcadıklarını fark etmeleridir. Bu, pazarlama verilerinin Google Ads, Meta Ads ve çeşitli CRM platformları gibi farklı ekosistemler arasında parçalanmış olması nedeniyle gerçekleşir. Her platform farklı adlandırma kuralları, saat dilimleri ve para birimi formatları kullanır, bu da bir AI modelinin ilk hizalama olmadan kalıpları bulmasını imkansız hale getirir. Bu hazırlık adımları olmadan, AI bir Shopify mağazası ile bir Facebook kampanyası arasındaki para birimi farkını bir performans düşüşü olarak yorumlayabilir ve bu da yanlış bütçe tahsislerine yol açar. Sonuç olarak, hazırlık aşaması tüm optimizasyon sürecinin en kritik parçasıdır.
Bir yapay zeka sisteminden alınan yüksek kaliteli çıktı, tamamen ona beslenen verilerin bütünlüğüne bağlıdır. Tipik bir hesapta, ham veriler genellikle Google Analytics 4’teki bot trafiği veya HubSpot CRM’deki yinelenen potansiyel müşteri girişleri gibi gürültü içerir. Bu anormallikler giderilmezse, AI modeli yanlış sinyallerden öğrenecek ve sonuçta hedef kitle segmentleri çarpık veya dönüşüm tahminleri yanlış olacaktır. Ayrıca, veri hazırlama, pazarlamacıların farklı temas noktalarını birbirine bağlayarak müşteri yolculuğunun birleşik bir görünümünü oluşturmasına olanak tanır. Bu hizalama, AI’nın bir arama reklamı etkileşiminin sonraki bir e-posta kaydını nasıl etkilediğini anlaması gereken gelişmiş ilişkilendirme modellemesi için gereklidir.
Adım 1: Veri Keşfi ve Kaynak Entegrasyonu
İlk aşama, AI modelinizi bilgilendirecek tüm potansiyel veri kaynaklarının belirlenmesini içerir. Modern bir pazarlama ortamında bu, genellikle GA4 BigQuery dışa aktarımları, CRM dışa aktarımları ve sosyal medya platformlarından gelen piksel verileri gibi birincil kaynakları içerir. Her bir kaynakta bulunan alanları, iş hedeflerinizle uyumlu olup olmadıklarını görmek için denetleyerek başlamalısınız. Örneğin, müşteri kaybını tahmin etmek istiyorsanız, veri kaynaklarınızın geçmiş satın alma tarihlerini, destek bileti sıklığını ve e-posta etkileşim metriklerini içerdiğinden emin olmalısınız. Bu kaynakları erkenden haritalandırmak, verilerin eksik olabileceği veya takibin zaman içinde tutarsız olduğu boşlukları belirlemeye yardımcı olur.
Entegrasyon genellikle her şeyi merkezi bir ortama getirmek için API’lerin veya veri ambarı çözümlerinin kullanılmasını gerektirir. Örneğin, bir Shopify mağazasından veri çekerken, gerçek bir Reklam Harcaması Getirisi (ROAS) hesaplamak için sipariş geçmişini Google Ads’den gelen pazarlama harcamalarıyla birleştirmeniz gerekebilir. Bu adım, farklı veri kümelerini birbirine bağlayacak benzersiz tanımlayıcıyı, örneğin karma bir e-posta adresi veya belirli bir kullanıcı kimliği gibi, tanımladığınız yerdir. Bu aşamada temiz bir entegrasyon yolu oluşturmak, makine öğrenimi hattında daha sonra teknik borcu önler ve modelin anlamlı kararlar almak için yeterince geniş bir perspektife sahip olmasını sağlar.
Adım 2: Veri Temizleme ve Hata Düzeltme
Veri temizleme, bir veri kümesindeki yanlış, bozuk veya yinelenen verileri düzeltme veya kaldırma sürecidir. Pazarlamada bu, genellikle kampanya adlarındaki tutarsız büyük/küçük harf kullanımı gibi yapısal hataları düzeltmeyi veya platformlar arasında değişen tarih formatlarını düzeltmeyi içerir. Örneğin, bir sistem tarihleri AA/GG/YYYY olarak kaydedebilirken diğeri YYYY-AA-GG kullanabilir. Bunları tek bir formatta standartlaştırmak zaman serisi analizi için esastır. Ayrıca, temizleme, modeli karıştırabilecek aykırı değerlerin kaldırılmasını içerir. Ortalama sipariş değerinin 50$ olduğu bir mağazada 50.000$’lık tek bir kazara satın alma, AI’nın tipik bir müşteri anlayışını önemli ölçüde bozabilir, bu nedenle bu anormallikler ele alınmalıdır.
Temizlemenin bir diğer kritik parçası, müşteriler farklı e-posta adresleri kullandığında veya izleme pikselleri tek bir olay için birden çok kez tetiklendiğinde sıklıkla meydana gelen yinelenen girişlerin ele alınmasıdır. Bir AI modeli aynı dönüşümü üç kez görürse, o dönüşüme yol açan belirli anahtar kelimeleri veya reklamları aşırı değerlendirecektir. Python’un Pandas kütüphanesi veya Google Cloud DataPrep gibi araçları kullanmak, bu kopyaların paylaşılan özelliklere göre tanımlanmasını otomatikleştirmeye yardımcı olabilir. Her veri noktasının benzersiz ve doğru şekilde biçimlendirilmiş olduğundan emin olarak, AI hazırlık iş akışında izleyen daha karmaşık dönüşüm adımları için istikrarlı bir temel oluşturursunuz.
Pazarlama veri kümelerindeki eksik değerleri nasıl ele alırsınız?
Eksik değerler, gerçek dünya pazarlama verileriyle uğraşırken kaçınılmaz bir zorluktur ve genellikle bir CRM’de boş girişler veya bir müşteri anketinde boş alanlar olarak görünür. Bunları ele almanın üç ana yolu vardır: silme, atama veya işaretleme. Silme, eksik bilgisi olan herhangi bir kaydın kaldırılmasını içerir, ancak boşluklar yaygınsa bu önemli bir veri kaybına yol açabilir. Atama, eksik değerleri diğer mevcut verilere dayanarak doldurduğunuz daha gelişmiş bir tekniktir. Örneğin, bir müşterinin ‘Bölgesi’ eksikse ancak ‘Şehri’ Londra olarak listelenmişse, kaydın faydasını korumak için bölgeyi güvenli bir şekilde ‘Büyük Londra’ olarak atayabilirsiniz.
‘Ortalama Oturum Süresi’ gibi sayısal verilerin eksik olduğu durumlarda, pazarlamacılar boşlukları doldurmak için genellikle kalan verilerin ortalamasını veya medyanını kullanırlar. Ancak, ortalamayı kullanmanın veri kümenizdeki varyansı azaltabileceğini ve bunun da önemli kalıpları AI’dan gizleyebileceğini gözlemlemek gerekir. Daha sofistike bir yaklaşım, eksik değerleri diğer özelliklere dayanarak tahmin etmek için ikincil bir makine öğrenimi modeli kullanmaktır. Büyük ölçekli bir e-ticaret veri kümesini yönetiyorsanız, eksik değerleri ‘-1’ veya ‘Bilinmiyor’ gibi belirli bir kodla işaretlemek, AI’ya verilerin yokluğunun başlı başına anlamlı bir sinyal olduğunu da söyleyebilir, bu da müşteri davranışı analizinde genellikle doğrudur.
- Excel veya Python gibi araçlarda ısı haritalarını veya özet istatistikleri kullanarak eksik değerleri tanımlayın.
- Eksik verilerin yüzdesine göre satırları kaldırma (liste bazlı silme) veya doldurma (atama) arasında karar verin.
- Veriler çarpıksa sayısal atama için medyanı kullanın, çünkü ortalamadan daha az aykırı değerlerden etkilenir.
- Örneklem boyutunu korumak için eksik kategorik verileri yeni bir ‘Bilinmiyor’ sınıfı olarak kategorize edin.
- Eksik verileri ele almak için kullanılan yöntemin modele istenmeyen bir önyargı getirmediğini doğrulayın.
Adım 3: Veri Dönüştürme ve Ölçeklendirme
Veri dönüştürme, verilerin orijinal formatından algoritma için daha uygun bir formata dönüştürülmesini içerir. Bu adımın en önemli parçalarından biri ölçeklendirmedir. Makine öğrenimi modelleri, farklı özellikler çok farklı aralıklara sahip olduğunda genellikle zorlanır. Örneğin, bir ‘Toplam Harcama’ özelliği 10$ ile 10.000$ arasında değişebilirken, bir ‘Tıklama Sayısı’ özelliği 1 ile 100 arasında değişebilir. Ölçeklendirme olmadan, AI harcama özelliğine sadece sayılar daha büyük olduğu için 100 kat daha fazla ağırlık verebilir. Tüm değerleri 0 ile 1 arasındaki bir aralığa sıkıştıran Min-Max ölçeklendirme gibi teknikler, her özelliğin modelin nihai tahminine eşit katkıda bulunmasını sağlar.
Bir diğer dönüştürme tekniği, verileri sıfır ortalaması ve bir standart sapma etrafında merkezleyen Z-skoru normalleştirmesidir. Bu, özellikle K-means kümeleme veya veri noktaları arasındaki mesafelerin hesaplanmasına dayanan Destek Vektör Makineleri gibi algoritmalar için yararlıdır. Ölçeklendirmenin ötesinde, dönüştürme ayrıca kategorik değişkenlerin kodlanmasını da içerir. AI modelleri ‘Arama’ veya ‘Sosyal’ gibi metinleri anlayamadığından, bunları sayılara dönüştürmeniz gerekir. ‘One-hot kodlama’, her kategorinin 1 veya 0 ile yeni bir sütun haline geldiği yaygın bir yöntemdir ve modelin farklı kanallar arasında doğal bir sıra veya sıralama varsaymadan pazarlama kanalı verilerini işlemesine olanak tanır.
Adım 4: Pazarlama Modelleri için Özellik Mühendisliği
Özellik mühendisliği, AI’nın daha iyi performans göstermesine yardımcı olan yeni değişkenler oluşturmak için alan bilgisini kullanma sürecidir. Modele sadece bir işlem tarihleri listesi vermek yerine, bir pazarlamacı ‘Son Satın Almadan Beri Geçen Günler’ özelliği oluşturabilir. Bu tek sayı, ham bir zaman damgasından gelecekteki davranışları tahmin etmek için çok daha bilgilendiricidir. Tipik bir Shopify mağazası senaryosunda, özellik mühendisliği her kullanıcı için ‘Sepete Ekleme’ oranının ‘Ürün Görüntülemelerine’ oranının hesaplanmasını içerebilir. Bu türetilmiş metrik, AI’nın belirli kullanıcıları yeniden hedefleme kampanyaları için önceliklendirmek amacıyla kullanabileceği net bir satın alma niyeti sinyali sağlar ve genellikle ham verileri kullanmaktan daha yüksek bir dönüşüm oranıyla sonuçlanır.
Etkili özellik mühendisliği, pazarlama hunisinin derinlemesine anlaşılmasını gerektirir. ‘Toplam Oturumlar’ ve ‘Toplam Dönüşümler’i birleştirerek bir ‘Kullanıcı Başına Dönüşüm Oranı’ özelliği oluşturabilir veya modelin hafta sonu alışveriş modellerini tanımlamasına yardımcı olmak için bir zaman damgasından ‘Haftanın Günü’nü çıkarabilirsiniz. Boyutsallığı azaltmak da bu adımın bir parçasıdır, burada değer katmayan gereksiz özellikleri kaldırırsınız. ‘Şehir’ ve ‘Posta Kodu’ aynı coğrafi bilgiyi sağlıyorsa, her ikisini de tutmak bazı modelleri karıştırabilecek çoklu doğrusallığa yol açabilir. Alien Road uygulayıcıları, modellerin verimli kalmasını ve en alakalı veri sinyallerine odaklanmasını sağlamak için genellikle bu yüksek etkili özelliklere odaklanır.
Pazarlama verilerini etiketlemek için en iyi uygulamalar nelerdir?
Etiketleme, bir potansiyel müşterinin dönüşüm sağlayıp sağlamadığı veya bir müşterinin ayrılıp ayrılmadığı gibi AI modeliniz için hedef sonucu tanımlama sürecidir. Denetimli öğrenme için bu etiketlerin doğru ve net bir şekilde tanımlanması gerekir. En iyi uygulama, etiketlerinizin tüm veri kümesi boyunca tutarlı olduğundan emin olmaktır. ‘Dönüşmüş’ bir potansiyel müşteriyi satın alma işlemi yapan biri olarak tanımlarsanız, bu kuralı tüm kayıtlarda kesinlikle uygulamalısınız. Duygu analizinde, etiketleme, insan gözden geçirenlerin müşteri yorumlarını ‘Olumlu’, ‘Nötr’ veya ‘Olumsuz’ olarak kategorize etmesini içerebilir. Birden fazla gözden geçirenin aynı verileri kontrol ettiği fikir birliğine dayalı bir yaklaşım kullanmak, öznelliği azaltmaya ve eğitim setinin kalitesini artırmaya yardımcı olabilir.
Pazarlama otomasyonu için etiketleme yaparken, zaman penceresini dikkate almak da yararlıdır. Bir kullanıcının önümüzdeki 30 gün içinde satın alma yapıp yapmayacağını tahmin ediyorsanız, etiketleriniz bu belirli zaman dilimini yansıtmalıdır. Etiketleme ayrıca ‘Tıklandı’ için 1 ve ‘Tıklanmadı’ için 0 gibi ikili veya kullanıcıları ‘Düşük Değerli’, ‘Orta Değerli’ ve ‘Yüksek Değerli’ olarak kategorize edebileceğiniz çok sınıflı olabilir. Bu aşamada sınıf dengesizliğini kontrol etmek esastır. Verilerinizin %99’u ‘Satın Alma Yok’ olarak etiketlenmişse, AI yüksek doğruluk elde etmek için her seferinde sadece ‘Satın Alma Yok’ tahmin etmeyi öğrenebilir. Azınlık sınıfını aşırı örnekleme gibi teknikler kullanmak, modelin aslında satın alma yapan %1’in özelliklerini öğrenmesine yardımcı olabilir.
Adım 5: Veri Bölme ve Doğrulama
Veriler temizlendikten, dönüştürüldükten ve etiketlendikten sonra, eğitim ve test için farklı kümelere bölünmelidir. Yaygın bir yaklaşım, verilerin %80’inin modeli eğitmek için kullanıldığı ve %20’sinin görülmemiş veriler üzerindeki performansını test etmek için ayrıldığı 80/20 kuralıdır. Bu adım, AI’nın sadece eğitim verilerini ezberlemediğinden emin olmak için hayati önem taşır, bu aşırı uyum (overfitting) olarak bilinen bir sorundur. Bir model eğitim setinde mükemmel performans gösteriyor ancak test setinde başarısız oluyorsa, temel kalıpları öğrenmemiştir ve canlı bir pazarlama ortamında tahmin yapmak için yararlı olmayacaktır. Test seti, modelin hazır olduğunu kanıtlamak için bir final sınavı görevi görür.
- Eğitim Seti: Algoritma tarafından kalıpları bulmak ve parametrelerini ayarlamak için kullanılan ana veri kısmı.
- Doğrulama Seti: Eğitim aşamasında model ayarlarını ince ayar yapmak ve aşırı uyumu önlemek için kullanılan daha küçük bir alt küme.
- Test Seti: Nihai doğruluğu değerlendirmek için sürecin sonunda sadece bir kez kullanılan tamamen bağımsız bir veri kümesi.
- Rastgeleleştirme: Kümelerin tüm popülasyonu temsil etmesi için bölmeden önce verilerin karıştırıldığından emin olun.
- Zamansal Bölme: Zamana duyarlı veriler için, gerçek dünya tahminini simüle etmek amacıyla eğitim için daha önceki, test için daha sonraki verileri kullanın.
Bu hafta nereden başlamalı
AI veri hazırlama adımlarıyla yolculuğunuza başlamak için, bu hafta GA4 BigQuery dışa aktarımınız veya birincil CRM listeniz gibi tek bir veri kaynağını denetleyerek başlayın. Anahtar alanlardaki eksik değerler veya kampanya verilerinizdeki tutarsız adlandırma kuralları gibi en yaygın hataları arayın. Otomatikleştirilmiş komut dosyalarına geçmeden önce zorlukları anlamak için sadece bir aylık veriyi bir elektronik tabloda manuel olarak temizlemeye çalışın. Bu sorunları erkenden belirleyerek, gelişmiş AI pazarlama stratejilerini destekleyebilecek ve genel kampanya verimliliğinizi artırabilecek ölçeklenebilir bir veri hattı oluşturmaya daha hazırlıklı olacaksınız.
Okumaya devam et: AI Optimizasyonu · AI Optimizasyonu