Bireysel Dijital Davranışların Tahmini: Olasılıksal Modellerden Derin Öğrenmeye Yeni Bir Hibrit Yaklaşım

Abstract

Toplumun hızla dijitalleşmesi, bireysel davranışları yeniden şekillendirmiş ve dijital etkileşimler aracılığıyla büyük hacimli bireysel düzeyde veriler üretmiştir. Bu dönüşüm, tahmine dayalı modelleme açısından fırsatlar barındırsa da, geleneksel tahmin teknikleri belirli kısıtlamalara sahiptir. Örneğin, Otoregresif Hareketli Ortalama (ARMA) modelleri toplu verilere dayanırken, Ölene Kadar Satın Al (BTYD) modelleri davranışsal eğilimleri modellemekte zorlanır. Bu zorlukların üstesinden gelmek için bu çalışma, bireysel düzeydeki dijital davranışları modellemek amacıyla Geçitli Tekrarlayan Birim (GRU) ve Uzun-Kısa Süreli Bellek (LSTM) modellerini kullanan bir derin öğrenme mimarisi sunmaktadır. LSTM daha önceki çalışmalarda kullanılmış olsa da, GRU bu bağlamda daha önce incelenmemiştir. Bulgularımız, GRU'nun son döneme ait örüntülere duyarlılığı sayesinde, Yakınlık, Sıklık, Parasal Değer (RFM) yaklaşımının yakınlık bileşeniyle uyumlu olarak bireysel dijital davranış tahmininde etkili olduğunu göstermektedir. Finansal teknoloji mobil uygulama verisi ile Online Retail II veri seti üzerinde yapılan ampirik değerlendirmeler, GRU ve LSTM modellerinin davranışsal eğilimleri başarıyla yakaladığını, BTYD yaklaşımlarına kıyasla daha düşük yanlılık ve daha yüksek trend doğruluğu sunduğunu göstermektedir. Bu çalışmada ayrıca, kural tabanlı segmentasyon veya k-ortalama kümeleme yöntemlerini derin öğrenme ve BTYD modelleriyle birleştiren hibrit bir yaklaşım önermektedir. Bu yaklaşım, tek başına kullanılan derin öğrenme modellerine kıyasla belirgin bir performans artışı sağlamasa da, davranışsal modellemede yeni ve incelenmemiş bir yön sunmaktadır. Bu araştırma, metodolojik katkılarının yanı sıra, tahmine dayalı \mbox{modellemede} satın alma dışındaki davranışsal verilerin kullanılmasının önemini de ortaya koymaktadır. Geleneksel tahmin yöntemleri genellikle müşteri satın alma davranış verileri için geliştirilmiş ve uygulanmıştır. Bu çalışma ise kapsamı genişleterek kullanıcı girişleri gibi dijital davranışsal etkileşimleri ele almaktadır. Elde edilen bulgular, dijital davranışların tahmin edilmesinde dizi tabanlı \mbox{modellerin} taşıdığı potansiyele dair teorik içgörüler sunarken, karar alma süreçlerini güçlendirmeyi hedefleyen kuruluşlar için de pratik çıkarımlar ortaya koymaktadır. Bu sonuçlar, doğru hedef kullanıcıları belirleme, kişiselleştirilmiş stratejiler geliştirme, elde tutma kampanyalarını optimize etme ve bireysel davranış değişimlerine proaktif yanıt verme konularında yardımcı olabilir.

The rapid digitalization of society has reshaped individual behavior, generating large volumes of individual-level data through digital interactions. While this presents opportunities for predictive modeling, traditional forecasting techniques face limitations. For example, Autoregressive Moving Average (ARMA) models rely on aggregate data, and Buy Till You Die (BTYD) models often struggle to model dynamic behavioral trends. To address these challenges, this study introduces a deep learning framework that leverages Gated Recurrent Unit (GRU) and Long Short-Term Memory (LSTM) architectures to model individual-level digital behavior. While LSTM has been used in prior studies, GRU has not previously been explored in this context. Our findings indicate that GRU is effective in individual-level digital behavior prediction, particularly due to its sensitivity to recent patterns, which aligns with the recency component of the Recency, Frequency and Monetary (RFM) framework. Empirical evaluation using data from a fintech mobile application and the Online Retail II dataset shows that both GRU and LSTM outperform BTYD models in trend fidelity and bias reduction. This study also presents a segmentation-based hybrid approach that combines rule-based segmentation or $k$-means clustering with deep learning and BTYD models. Although the hybrid framework did not produce substantial performance improvements over standalone deep learning models, it introduces an unexplored direction in behavioral modeling. Beyond methodological contributions, this research highlights the importance of incorporating non-purchase behavioral data in predictive modeling. While traditional forecasting methods have primarily been developed and applied for customer purchase behavior data, this study broadens the scope by considering digital behavioral interactions, such as user logins. The findings provide theoretical insight into the potential of sequence-based models in digital behavior prediction and practical implications for organizations aiming to enhance decision-making. Specifically, the results can help organizations identify target users, personalize engagement strategies, optimize retention campaigns and respond proactively to individual-level shifts in behavior.