Alternating least squares model recommender systems: An application on credit card market

Abstract

Yakın geçmişte ivmelenen veri üretimi ve veri işleme algoritmalarında yaşanan gelişmeler; işletmelerin pazarlama aktivitelerine yeni bir yön vermiştir. Kitlesel pazarlama, yerini giderek kişisel pazarlamaya bırakmaktadır. Her birey için;üründen beklenti, iletişim yatkınlığı, kanal tercihi ve bunun gibi pazarlama aktivitelerine yön veren farktörlerin ciddi anlamda değişkenlik gösterdiğini farkeden işletmeler pazarlama yaklaşımlarını da bu alt segmentlere göre şekillendirmeye başlamış, veri kullanımına hakim olan azınlık bir kesim ise bu işi bireye kadar özelleştirmeyi başarmıştır. Bu çalışmada, günümüzde sanal sektörlerde kendine uygulama alanı bulan; fakat aslında daha geniş bir iş kolu yelpazesi için katma değer potansiyeli taşıyan önerici sistemler üzerinde odaklanılmıştır. Arama motorlarındaki reklam yerleştirmeleri, e-ticaret sitelerindeki 'önerilen ürünler', medya veritabanlarındaki 'bu ürünü alanlar şunları da beğendi' kısımları önerici sistemlerin akla gelen ilk örneklerindendir. Bu sistemler, geçmiş verilerin analizi ile geniş bir ürün katalogundan, kullanıcıların/tüketicilerin kullanmaya/tüketmeye meyilli olduğu veya kullanacağı/tüketeceği öngörülen ürünleri tahmin eder.Bu tezde, önce farklı önerici sistem çeşitleri ve algoritmaları yüzeysel olarak tanıtılmakta, ardından da kredi kartı pazarında bir uygulama ile Hareketli En Küçük Kareler algoritması üzerine kurulu bir İşbirliğine Dayalı Filtreleme Modeli önerici sisteminin işleyiş detayları incelenmektedir. İlk adımda; girdi olarak kullanılan 1 milyon kredi kartı işlemi verisi kart hamili – sektör matrisine dönüştürülmektedir. Daha sonra sisteme 'özellik' olarak adlandırdığımız 3. bir boyut tanıtılmaktadır. Özellik, kart hamilleri ile sektörler arasındaki ilişkileri tanımlamada istasyon görevi görecektir. Bu amaç doğrultusunda önce kart hamili – sektör matrisi, kart hamili – özellik ve özellik – sektör matrislerine faktörize edilir; ardından da Hareketli En Küçük Kareler algoritması ile her iki matris parelel ve kısmen bağımsız olarak çözülür. Elde edilen değerler ile kart hamillerinin sektörlerle olan ilişkileri hesaplanır ve tahminleme yapılır. Tezin sonuç bölümünde bu tahminler gerçekleşmelerle kıyaslanarak modelin tutarlılığı değerlendirilmekte ve modelin gerçek hayatta değer katabileceği uygulama önerileri sunulmaktadır.

Following the introduction of MapReduce and Apache Hadoop,it has been possible to process immense datasets that are beyond the capabilities of traditional database management system techniques. This created a new area of study: Big Data. Big Data is generally used to define the massive and unstructured datasets, unsuitable to process with subject traditional methods. Growing interest on data intensified on the areas where it is available the most: e-commerce businesses, movie review sites, music player platforms to name a few, where user interaction is digital so that it can be logged and traced. Practices mainly aim analyzing user profiles, predicting preferences and making appropriate recommendations. Though it is relatively easier to analyze feedbacks and predict preferences in these cases, where user ratings, scores, favorites or likes/dislikes are available, the bigger part of the value lies within the indirect data, as direct feedbacks are usually not in grasp. Businesses should harness any information available and build proper correlations to feed the recommendation system. In this study, credit card transaction logs will be studied to predict card holder's next transaction sector and propose marketing offers correspondingly. I hope it will shed light on future researches on recommendation systems with implicit data.