İlişkisel bir veritabanında depolanmış müşteri ve sigortalı evcil hayvan profilleriniz, poliçe detaylarınız, primleriniz ve talepleriniz var. Bir pazarlama yöneticisi, benzer profillere sahip yeni potansiyel müşteriler bulmak için hedeflenmiş bir sosyal medya kampanyası yürütmek istiyor. Sosyal medyada eşleştirme yapmak üzere farklı müşteri segmentlerini belirlemek için hangi modelleme yaklaşımı en uygunudur?

Doğru cevap, farklı müşteri segmentlerini keşfetmek için müşteri profillerine kümeleme uygulamak ve ardından sosyal medyada benzer profilleri bulmaktır. Kümeleme (clustering), etiketlenmemiş verilerdeki doğal grupları veya segmentleri belirlemek için kullanılan denetimsiz bir öğrenme tekniğidir. Bu senaryoda, müşteri ve evcil hayvan profilleri, poliçe detayları gibi mevcut veriler üzerinde kümeleme algoritmaları (örneğin K-Means) çalıştırılarak benzer özelliklere sahip müşteri grupları otomatik olarak tespit edilebilir. Bu segmentler belirlendikten sonra, her bir segmentin karakteristik özellikleri analiz edilerek sosyal medyada hedeflenecek benzer profiller bulunabilir. Regresyon, sürekli bir hedef değişkeni tahmin etmek için kullanılırken, bu senaryoda segmentasyon birincil hedeftir. Öneri sistemleri, kullanıcılara ürün veya hizmet önermek için tasarlanmıştır ve segmentasyon için doğrudan uygun değildir. Karar ağacı sınıflandırıcısı, etiketlenmiş verilerle denetimli öğrenme için kullanılır; ancak bu senaryoda önceden tanımlanmış müşteri segmentleri yoktur, dolayısıyla sınıflandırma yerine keşifsel bir yaklaşım gereklidir.