TARIFNAME EMEKLILIK SIRKETLERI IÇIN GELISTIRILEN BIR SISTEM VE YONTEM Teknik Alan Bu bulus, tüm emeklilik sirketlerinde kullanilabilen, müsterinin hareketlerini ve demografik bilgilerini yapay zeka ve makine ögrenmesi destegi ile otomatik analiz eden ve bu sayede müsterinin kendisine sunulan ek ürünü alip almayacagina karar veren bir sistem ve yöntem ile ilgilidir. Teknigin Bilinen Durumu Mevcut Isleyiste, karar destek sistemlerinden manuel olarak çekilen raporlar, veriler ve bilgiler analist uzmanlar tarafindan degerlendirilmekte ve bu degerlendirme sonucunda analist uzmanlarin kendi is bilgileri ve öngörüleri sonucunda müsterilere sunulacak ek ürünlere karar verilmektedir. Kullanilan veriler sinirli, yapisal olup karar verme anindan veri ile insana dayali karar verme süreci teknik problemlere neden olmaktadir. Bu teknik problemler, emeklilik sirketlerinin finansal kayiplarina, müsteri memnuniyetsizligine ve kaynak verimsizligine neden olmaktadir. Teknigin bilinen durumunda yer alan TR2018/16417 numarali patent basvuru dokümaninda, finans piyasalarinda yaygin olarak bilinen Black-Litterman modelinin ikiden fazla varlik sinifiyla ve farkli risk profillerine sahip yatirimcilara yönelik portföy olusturulabilecek sekilde kullanilmasini saglayan bir yöntem açiklanmaktadir. Yöntem sayesinde, hisse senedi ve bono portföyleri olusturmada basarisi kanitlanmis bir modelin, emeklilik ve yatirim fonu piyasasina uyarlanmasi mümkün kilinmistir. Ilgili basvuru dokümaninda, müsterinin hareketlerini ve demografik bilgilerini yapay zeka ve makine 'ögrenmesi destegi ile otomatik analiz eden ve bu sayede müsterinin kendisine sunulan ek ürünü alip almayacagina karar veren bir yapilanmadan bahsedilmemektedir. Sonuç olarak, yukarida anlatilan Ihtiyaçlari karsilayacak çözümlerin konu hakkindaki yetersizligi nedeniyle ilgili teknik alanda bir gelistirme yapilmasi gerekli kilinmistir. Bulusun Amaci Bulus, mevcut durumlardan esinlenerek olusturulup yukarida belirtilen olumsuzluklari çözmeyi amaçlamaktadir. Bu bulusun amaci, tüm emeklilik sirketlerinde kullanilabilen, müsterinin hareketlerini ve demografik bilgilerini yapay zeka ve makine ögrenmesi destegi ile otomatik analiz eden ve bu sayede müsterinin kendisine sunulan ek ürünü alip almayacagina karar veren sistem ve yöntemin ortaya konulmasidir. Bulusun yapisal ve karakteristik özellikleri ve tüm avantajlari asagida verilen sekiller ve bu sekillere atiflar yapilmak suretiyle yazilan detayli açiklama sayesinde daha net olarak anlasilacaktir ve bu nedenle degerlendirmenin de bu sekiller ve detayli açiklama göz önüne alinarak yapilmasi gerekmektedir. Bulusun Anlasilmasina Yardimci Olacak Sekiller Sekil 1, bulusa konu olan sisteme ait sematik gösterimidir. Sekil 2, bulusa konu olan yönteme ait akis diyagramidir. Parça Referanslarinin Açiklamasi 1. Sistem 2. Oznitelik deposu 3. Gerçek zamanli veri yönetim modülü 4. Gerçek zamanli özellik hesaplama modülü . Gerçek zamanli karmasik olay isletme modülü 6. Yigin veri depolama modülü 7. Aksiyon bildirim isletme modülü 8. Aksiyon geri bildirim isletme modülü 9. Yigin müsteri i' ürün analitigi modülü . Kural desen tespit modülü 11. Karmasik olay uygulama olusturma modülü 12. Toplu veri isleme modülü 1000. Yöntem Bulusun Detayli Açiklamasi Bu detayli açiklamada, bulusa konu olan sistem (1) ve yöntemin (1000) tercih edilen yapilanmalari, sadece konunun daha iyi anlasilmasina yönelik olarak açiklanmaktadir. Bu bulus, tüm emeklilik sirketlerinde kullanilabilen, müsterinin hareketlerini ve demografik bilgilerini yapay zeka ve makine ögrenmesi destegi ile otomatik analiz eden ve bu sayede müsterinin kendisine sunulan ek ürünü alip almayacagina karar veren bir sistem (1) ve yöntem (1000) ile ilgilidir. Sekil 1lde sematik gösterimi sunulan bulus konusu sistem (1); tasarlanan kural tanimlari, analitik modellerin çiktilari ve anlik hesaplanan özelliklerin ortak kullanimi nedeniyle, verinin anlik olarak ve merkezi bir konumdan incelenmesi ihtiyacini karsilamak için gelistirilmis olan, mimari olarak doküman tabanli NoSQL veri tabani ile bellek tabanli NoSQL veri tabanini kullanan, analitik model çiktilarini zaman damgalari ile versiyonlayarak doküman veri tabaninda depolayan, daha sonra bu verileri en güncel degerleri ile bellek veri tabanina aktararak hizli sorgulama imkani saglayan, kayitlari anahtar-deger deposu ile müsteri belirteci anahtar olacak sekilde depolayan, böylelikle ilgili müsteri için erisilmek istenilen degerin hizli bir sekilde elde edilerek anlik karar verme mekanizmasinda kullanilabilmesini saglayan, doküman veri tabani üzerinde ayrica analitik süreç çiktisi olarak elde edilen aday desenleri depolayan, aday desenler incelendikten sonra seçilen desen için tasarlanan kural dokümanlarini daha sonradan doküman veri tabani üzerinde saklayan, son olarak gerçek zamanli akan verinin gerçek zamanli veri isleme uygulamasi olan Apache FIink ile toplanarak elde edilmesini, elde edilen verilerin bellek veri tabanina anahtar-deger deposu olarak yazilmasini ve bu veriler içim anlik kullanim imkâni saglayan öznitelik deposu (2), olarak alan, aktarilan veriler üzerinde cihaz, ip, kullanici verilerini kullanarak bir oturum olusturan, oturum yönetimini önceden belirlenen bir süre içerisinde olay gerçeklesmediginde yeni bir oturum üretecek sekilde gerçeklestiren, bu oturumlar içerisine alim durumu bilgisini hesaplayarak ekleyen, olusturulan veri dokümanini veri tabani üzerinde saklayan, doküman veri tabani üzerinde biriktirilen oturum olay verilerini satisin durumu, verinin elde edildigi kanal özelinde ayristirarak sirali birliktelik analizi için hazir hale getiren gerçek zamanli veri yönetim modülü (3), gerçeklesen ürün sayisi, toplam deger büyüklügü, vazgeçme adeti, sepete eklenen ürün sayisi, ürünlerin sepette bekleme süreleri gibi sayisal özelliklerin tespitini saglayan ve tespit ettigi özellikleri anlik olarak kullanima hazir hale getiren, gerçek zamanli hesaplama uygulamasi olan Apache Flinkli kullanan, gerçek zamanli olarak hesaplanan bu özellikleri anahtar-deger (key-value) eslesmeleri ile birlikte veriyi bellek üzerinde saklayan NOSQL veri tabani olan Redisrte depolayan ve gerçek zamanli karar verme islemlerinde kullanilmak üzere, Apache Flink ile anahtar deger üzerinden erisilerek özellik degerinin kullanilmasini saglayan gerçek zamanli özellik hesaplama modülü (4), v tasarlanan desen dokümaninin sahip oldugu alanlara göre olusturulan uygulamalarin çalistirilmasindan ve izlenmesinden sorumlu olan, anlik karar verme mekanizmasi olarak anlik ve yigin öznitelikleri barindiran öznitelik deposuna (2) erisim saglayan ve verilen tarih araliklarinda uygulamayi isleten, girdi olarak gerçek zamanli veriyi alan, gerçek zamanli akan veri üzerinde müsteri bazinda deseni izleyen, desen içerisinde tasarlanan senaryonun gerçeklesmesi durumunda uygulanacak aksiyonun seçilmesini saglayan ve seçilen aksiyonu uygulanmasi için yönlendiren gerçek zamanli karmasik olay isletme modülü (5), .,. yigin hesaplanan veriler üzerine erisim saglayan, erisilen veriler üzerinde analitik modellerde kullanilmak üzere tespit edilen alanlar için hesaplamalar yapan, hesaplanan alanlari büyük veri üzerinde saklayan, Apache Hadoop HDFS uygulamasiini kullanan, veri setlerini tablo tanimlari yapilarak sorgulayan ve gerekli hesaplamalarin dagitik mimariye uygun bir yapida kurgulanmasini saglamak amaci ile Apache Hive çerçeve uygulamasini kullanan yigin veri depolama modülü (6), gerçek zamanli karmasik olay isletme modülünden (5) seçilen aksiyonu alan, gerçek zamanli karmasik olay isletme modülünden (5) iletilen kural dizini ile karsilastiginda öznitelik deposundan (2) alinan analitik degerler ile tasarlanan aksiyonlardan seçilen aksiyonun isletilmesini saglayan, tasarlanan aksiyonlari kanal bazinda yönlendirerek ilerleten ve karar destek mekanizmasi olarak veya istenilirse anlik aksiyonlarin otonom tepki vermesi için kullanilan aksiyon bildirim isletme modülü (7), alinan aksiyonlarin kanal üzerinden hedef müsterilere iletilmesini saglayan, bildirimler sonucunda toplanan geri dönüsler, sonradan raporlamak amaci ile öznitelik deposuna (2) aktaran aksiyon geri bildirim isletme modülü (8), . yigin verileri ile gerçek zamanli karar mekanizmalarinda müsteri eslestirme ve degerlendirme amaci ile kullanilan, bu amaçla hesaplanan özellikleri modeller için veri setleri haline getirerek uygulayan, müsteri bazinda elde edilen tahmin sonuçlarini öznitelik deposundaki (2) doküman veri tabanina aktaran, elde edilen müsteri segment bilgisi ile ürün tablolarini iliskilendirerek segment bazinda ürün beraberliklerini analiz eden ve ürünler arasinda tavsiye puanini hesaplayan yigin müsteri 1 ürün analitigi modülü (9), gerçek zamanli verilerin islenmesi ile olusturulan veriyi, olaylar üzerindeki iliskileri açiklayabilmek için, birliktelik analizi yöntemlerine girdi olarak kullanan, gerçek zamanli veriler ile yigin olarak aktarilan verileri de belirtilen oturum veri modeline getirerek kural desen tespiti için kullanan, elde edilen aday desenler, daha sonra karmasik olay izleme uygulamasinda kullanilmak üzere doküman veri tabanina json dosya formati ile kaydeden kural desen tespit modülü (10), analitik modül çiktisi olarak verilen aday desenleri inceleyerek tasarlanan kural dokümanlarini doküman dosyasina yazan, gelistirilen uyulama sayesinde doküman veri tabanina erisim saglayan, uygulama parametresi olarak alinan deseni doküman ismi ile seçilen desenin üzerine yükleyen, desen dokümani içerisinde parametreleri gelistirilen uygulama ile ayristiran, ayni uygulama sayesinde her seferinde yeni bir uygulamaya ihtiyaç duyulmadan birden fazla karmasik olay isletme isinin çalistirilmasini saglayan, tasarlanan desen dokümani üzerinde olay sirasi, tekrar etme sikligi ve süresi, devaminda gelen olaylarla olan iliskileri ve karar verirken oznitelik deposunda (2) hangi alan ve deger ile karar verilmesi gerektigini belirleyen karmasik olay uygulama olusturma modülü (11) ve islenmesini saglayan saglayan toplu veri isleme modülü (12) içermektedir. Sistem (1), analistler tarafindan manuel, eksik, geçmis veri ve insana dayali kararlara dayanan problemden kaynaklanan hata risklerini. finansal kayiplari ve memnuniyetsizligi azaltmaktadir. Sistem (1) karar verme opsiyonunu kullanicilara birakmayip, kullandigi yapay zeka, makine ögrenmesi ve büyük veri isleme algoritmalari sayesinde bahsedilen problemleri ortadan kaldirmaktadir. Sistemin (1) otomasyon özelligi sayesinde manuel süreçler ve buradan olusacak riskler ortadan kaldirilmaktadir. Sistem (1) müsterilerden gelen olumsuz bildirimlerin azalmasini ve bundan kaynakli olusan finansal kayiplari minimize etmektedir. Sistem (1), müsteriler ile iletisimin gerçeklestigi ve satis kanallarinda üretilen verileri gerçek zamanli ve yigin olarak isledikten sonra olusturdugu özellikleri anlik aksiyon almak için kullanan bir yardimci karar destek yapilanmasidir. Sistem (1), degisen ticari dünyada, müsterinin hareketlerini takip etmekte, bu verileri geçmis hareketlerle yorumlamakta, anlamlandirarak bilgiye dönüstürmekte ve bu bilgiler dogrultusunda anlik olarak eylem üretebilmektedir. Olusturulan sistemle (1) verileri bilgiye dönüstürmenin yani sira müsteriye 'Özgü kisisellestirilmis kampanya ve ürün/hizmet sunum modülüyle müsteri kayip orani düsürülürken, sistemdeki (1) hatalarin da anlik olarak tespit edilmesi saglanmaktadir. Sistem (1) müsteri deneyimini olumsuz etkileyen bu gibi aci noktalarin tespitini ve etki alaninin büyüklügünü ortaya koymaktadir. Bu kötü deneyimin kök nedenleri istatiksel deney tasarimina dayali kontrol gruplari içeren aksiyonlar ve sonrasinda yapilan istatiksel testler ile tespit edilmektedir. Sistem (1), müsteri memnuniyeti odakli olarak, müsteriye anlik geri bildirimlerde ve yönlendirmelerde bulunmaktadir. Bu özelligin kazandirilmasi için sistemde (1) Karmasik Olay Isleme (KOI) teknigi kullanilmaktadir. Platformlar üzerinde; oturum öncesi, oturum ani ve oturum sonrasi, müsterinin tüm hareketlerini takip edebilen, çoklu kaynaklardan (birden fazla log dosyasi) gelen verileri birlestiren, örüntüler çikarabilen bir olay isleme mekanizmasi gelistirilmistir. Sistemde (1) ayrica üst satis ve çapraz satis pazarlama modelleri kullanilarak, müsterilere ekonomik faydaya dönüsecek önerilerin belirlenmesi saglanmaktadir. Burada, islem (transaction) verileri üzerinde, veri içindeki örüntülerden yola çikilarak olusturulacak birliktelik kurallarinin çikarilmasina dayali bir kural öneri sistemi (1) bulunmaktadir. Bulus kapsaminda, bu gereksinimlere uygun farkli algoritmalar; Apriori, Eclat, FP-Growth gibi bir kütüphane gelistirilmistir. Bu kütüphane "aktivite" birlikteliklerini ortaya çikarmak amaciyla dagitik veri platformu üzerinde kosturabilecek formda tasarlanmistir. Sistemde (1) kampanyanin etkilerinin müsteri kaybi velveya müsteri memnuniyeti skorunda düsüs üzerinden analizlerin hesaplanmasi yoluyla Yapilan üst satis ve çapraz satis tabanli kampanya önerilerinin etkisinin ölçülmesi saglanmaktadir. Bu kötü deneyimlerin kök nedenlerini ve iyilestirici aksiyonlarini bulmak için istatiksel deney tasarimi esaslarina göre A/B testi yöntemi kullanilmakta, kontrol degiskenleri belirlenmekte, kontrol ve test gruplari ikili (paintvise) veya rassal olarak olusturulmakta ve test grubuna aksiyonlar alinip sonrasinda sonuçlar istatiksel testler (t-testi) ile tespit edilmektedir. Sistemin (1) hedef kitlesi Bireysel Emeklilik, Hayat Sigortasi sirketleri ve Bankacilik sektörüdür. Bu sirketler, proje çiktisi ürünün kullanarak kendi müsterilerinin verilerini analiz edebilmeleri ve müsterileri deneyimi memnuniyetinin arttirilmasi saglanmaktadir. Bu hedef kitlesinin seçimindeki en önemli neden; hem sektör olarak bu müsteri kitlesinin sahip oldugu ürünlerin yakindan takip edilmesi gerekliligidir. Bunun yani sira, sistem (1) sayesinde bu sektördeki sirketlerin kendi müsterilerini tutundurmaya yönelik hizli çözüm ya da öneri üretilme ihtiyaci karsilanmaktadir. Sistemde (1) gerçeklesen akista; 1) Kaynak üzerinde hazirlanan müsteri tablosuna erisim saglanir. 2) Müsteri tablosu üzerinde modellerde kullanmak üzere önceden belirlenen veri islemleri (normalizasyon, encoding, outlier tespiti vb.) gerçeklestirilir. a) Müsteri tablosu üzerindeki alanlar için kullanici seçimine göre önceden egitilmis veri modelleri olan CLTV hesaplama, Müsteri Segment belirleme ve Müsteri Karliligi Analizi modelleri çalistirilir. Elde edilen analitik tahminler öznitelik deposu (2) üzerine gönderilir. b) Olusturulan müsteri tablosu ürün tablosu ile iliskilendirilerek müsteri ürün aitligi tablosu olusturulur. Müsteri ürün aitligi tablosu üzerine önceden egitilen Iliskilendirme Modeli uygulanarak ürün beraberlikleri çikarilarak öznitelik deposu (2) üzerinde bu iliskiler yazilir. 3) Web, mobil ve çagri merkezinden akan log verileri isletilerek oturum yapisi olusturulur. Oturum yapisi içerisinde gerçeklesen islemler liste haline getirilir ve oturum satin alma durumu alan olarak hesaplanarak eklenir. a) Satin alma durumu ve kanal bilgisine göre olusturulan veri setleri üzerinde sirali örüntü analizi yöntemi uygulanarak örüntüler incelenir. Kesfedilen örüntüler içerisindeki beraberliklere göre aday örüntüler Iistelenerek sonradan KOI (Complex Event Processing CEP ) kurallari olusturulmak üzere CEP Rule Store (Doküman Veri tabani) üzerine gönderilir. b) Tasarim ekrani üzerinden aday örüntüler incelenerek KOI kurallari tanimlanir ve bunlarin isletilmesi için Flink CEP Application Generator (Kural Uygulama Olusturma Araci) üzerinden Flink CEP Engine Server (Anlik Aksiyon Araci) üzerine gönderilir. c) Tasarlanan kural setleri için karar verme asamasinda belirlenen is kurallari isletilir. Is kurallari önceden hesaplanarak öznitelik deposu (2) üzerinde saklanan alanlar ile isletilmektedir. Orüntü tespitinden sonra gerçek zamanli veri üzerinde bu örüntülerin tespit edilmesi ve önceden hazirlanan kurallara göre anlik kararlarin alinmasi saglanmaktadir. 4) Kesfi gerçeklestirilen örüntüler incelenerek tasarlanmis olan KOI kurallari Flink CEP Application Generator (Kural Uygulama Olusturma Araci) üzerinde tasarim ekranindan verilen parametreler ile Flink CEP Engine Server (Anlik Aksiyon Araci) üzerine gönderilerek isletilir. Gerçek zamanli veri yönetim modülü (3); okuyan anlik veri okuma aracina ve 0:› müsterinin hareketlerini anlik olarak isleyen anlik veri isleme aracina sahiptir. Oznitelik deposu (2), yapay zeka araci ve anlik aksiyon aracinin karar vermesi için gerekli bzniteliklerin tutuldugu yer olan, gerçeklesecek aksiyonlari belirleyen, izleyen ve uygulayan kullanici grubu olan gelistiriciler tarafindan yönetilen, 0:› yapay zeka araci tarafindan üretilen çiktilarin ve kural olusturma araci için gerekli kural dokümanlarinin saklandigi doküman veri tabanina ve ':6 anlik aksiyon aracinin karar vermesi sirasinda gerekli olan öznitelik degerlerine hizli erisim yapilmasini saglayan bellek içi depolama veri tabanina sahiptir. Toplu veri isleme modülünde (12) yer alan yigin müsteri i' ürün analitigi modülü (9); 0:› müsteriye sunulacak aksiyon modellemesi için kullanilacak müsteri analitik degerlerinin olusturuldugu yer olan ve otonom karar çiktilarini belirleyen yapay zeka aracina, ot› müsteri hareketlerinin saklandigi ortam ya da ortamlar olan iliskisel veri yapay zeka aracinin karar vermesi için gerekli alanlarin hesaplanmasi için kullanilan öznitelik mühendisligi aracina ve kullanilan verilerin saklandigi dagitik, düsük maliyetli veri depolama araci olan dagitik veri depolama aracina sahiptir. Toplu veri isleme modülünde (12) yer alan kural desen tespit modülü (10), 'i' aksiyonlarin sunuldugu hedef kitle olan müsterinin hareketlerini anlik olarak okuyan anlik veri okuma aracina, müsterinin hareketlerini anlik olarak isleyen anlik veri isleme aracina, müsteriye sunulacak aksiyon modellemesi için kullanilacak müsteri analitik degerlerinin olusturuldugu yer olan ve otonom karar çiktilarini belirleyen yapay zeka aracina ve dagitik veri depolama aracina sahiptir. Gerçek zamanli ozellik hesaplama modülü (4); anlik veri isleme araci ile elde edilen verilerden gerçek zamanli öznitelik hesaplayan anlik öznitelik üretme aracina sahiptir. Gerçek zamanli karmasik olay isletme modülü (5); gelistirici tarafindan tasarlanan kural dokümanlari ile olusturulan uygulamalarini anlik aksiyon aracina yollayan kural uygulama olusturma aracina sahiptir. Yigin veri depolama modülü (6); müsteriye anlik ürün sunan anlik aksiyon aracina sahiptir. Aksiyon bildirim isletme modülü (7); bildirim aracina, 0:' müsterinin emeklilik sirketleri ile dijital baglanti platformu olan web kanala, sahiptir. Aksiyon geri bildirim isletme modülü (8); müsteriye anlik sunulan ürün teklifinin geri bildirimlerini toplayan anlik aksiyon geri bildirim aracina sahiptir. Sekil 2'de akis diyagrami sunulan bulus konusu yontem (1000); kaynak sistemde yer alan ve aksiyonlarin sunulacagi hedef kitleyi belirten mevcut müsterilerin verilerine, toplu veri isleme modülü (12) içerisindeki yigin müsteri / ürün analitigi modülünde (9) yer alan iliskisel veri tabani üzerinden erisim saglanmasi (1001), yigin müsteri f ürün analitigi modülünde (9) yer alan öznitelik mühendisligi araci vasitasiyla, kesfi yapilan veriler üzerinde, yapay zeka aracinin ihtiyaç duydugu öznitelik degerlerinin hesaplanmasi (1002), bznitelik gelistirmesi yapildiktan sonra, müsteri verilerinin yigin müsteri / ürün analitigi modülünde (9) yer alan dagitik veri depolama aracina aktarilmasi (1003), müsteri yigin müsteri / ürün analitigi modülünde (9) yer alan dagitik veri depolama aracina aktarilan verilerin, yigin müsteri / ürün analitigi modülünde (9) yer alan yapay zeka araci vasitasiyla, onceden egitilmis yapay zekalar ile tahminlenmesi (1004), yigin müsteri I ürün analitigi modülünde (9) yer alan yapay zeka araci vasitasiyla tahminlenen çiktilarin, zaman damgasi ile versiyonlanarak, karmasik olay uygulama olusturma modülü (11) içerisindeki 'öznitelik deposunda (2) yer alan doküman veri tabanina aktarilmasi (1005), yigin müsteri i' ürün analitigi modülünde (9) yer alan yapay zeka araci vasitasiyla tahminlenen yapay zeka araci çiktilarindan biri olan müsteri segment bilgisi ile ürün bilgisi eslestirilerek, yigin müsteri / ürün analitigi modülünde (9) yer alan dagitik veri depolama aracinda ürün sahipligi matrisinin olusturulmasi (1006), yigin müsteri / ürün analitigi modülünde (9) yer alan dagitik veri depolama aracinda bulunan segment bazinda ürün sahipligi matrisi üzerinde, yapay zeka araci isletilerek, ürün 'öneri puaninin hesaplanmasi (1007), yapay zeka araci ile elde edilen ürün öneri puani degerlerinin, öznitelik deposundaki (2) doküman veri tabanina aktarilmasi (1008), gerçek zamanli veri yönetim modülünde (3) yer alan anlik veri okuma araci ile okunan kanal (web kanal, mobil kanal, çagri merkezi kanali) verilerinin, gerçek zamanli veri yönetim modülünde (3) yer alan anlik veri isleme araci ile oturum verisi haline getirilmesi (1009), gerçek zamanli veri yönetim modülünde (3) yer alan anlik veri isleme araci ile islenen anlik verilerin, toplu veri isleme modülü (12) içerisindeki kural desen tespit modülünde (10) yer alan dagitik veri depolama aracina aktarilmasi (1010), kural desen tespit modülünde (10) yer alan dagitik veri depolama aracina aktarilan oturum verilerinin, kural desen tespit modülünde (10) yer alan yapay zeka araci tarafindan, önceden egitilmesi gerçeklestirilmis olan, sirali birliktelik analizine girdi olarak verilmesi (1011), kural desen tespit modülünde (10) yer alan yapay zeka araci ile elde edilen adaylarin öznitelik deposunda (2) yer alan desenler doküman veri tabanina aktarilmasi (1012), adaylarin desenler öznitelik deposunda (2) yer alan doküman veri tabanindan alinarak gerçeklesecek aksiyonlari belirleyen, izleyen ve uygulayan kullanici grubu olan gelistiricilere 'öneri olarak sunulmasi (1013), gelistiricinin, seçtigi aday desenler ile gelistirdigi karmasik olay dokümanini tasarlayarak, öznitelik deposunda (2) yer alan doküman veritabanina aktarmasi (1014), tasarimi yapilan karmasik olay dokümaninin ismi parametre olarak verilerek, gerçek zamanli karmasik olay isletme modülünde (5) yer alan kural uygulamasi olusturma aracina verilmesi ve oradan yigin veri depolama modülündeki (6) anlik aksiyon aracina yüklenmesi (1015), yapay zeka araci ile elde edilen 'öznitelik degerlerinin, öznitelik deposunda (2) yer alan doküman veri tabaninda en güncel degerleri hesaplanarak, öznitelik deposunda (2) yer alan bellek içi veri tabanina aktarilmasi (1016), müsterinin iletisim kanallari (web kanal, mobil kanal, çagri merkezi kanali) ile gerçeklestirdigi olaylarin Ioglarinin, gerçek zamanli veri yönetim modülünde (3) yer alan anlik veri okuma araci ile okunarak anlik veri isleme aracina aktarilmasi (1017), gerçek zamanli veri yönetim modülünde (3) yer alan anlik veri isleme araci ile islenen anlik verilerin anlik veri okuma aracina aktarilmasi (1018), 0:› gerçek zamanli özellik hesaplama modülünde (4) yer alan anlik bznitelik üretme aracinin, gerçek zamanli veri yönetim modülünde (3) yer alan anlik veri okuma araci üzerinden okunan veriler üzerinde gerçek zamanli sayma islemi yapmasi ve yapmis oldugu hesaplari bznitelik deposunda (2) yer alan bellek içi veri tabanina aktarmasi (1019), 0:› yigin veri depolama modülünün (6), sahip oldugu anlik aksiyon araci üzerinde çalistirdigi karmasik kural isleme uygulamasi ile, bznitelik deposunda (2) yer alan bellek içi veri tabanina erismesi ve buradan aldigi öznitelik degerlerini, gerçek zamanli veri yönetim modülünde (3) yer alan anlik veri okuma aracinin servis ettigi anlik veriler ile isletmesi (1020), yigin veri depolama modülünde (6) yer alan anlik aksiyon aracinin, gerçek zamanli karmasik kural isletme sirasinda tespit ettigi kural eslesmeleri için, önceden tasarlanan aksiyonlarin gerçeklestirilmesi için, aksiyon bildirim isletme modülünde (7) yer alan anlik aksiyon bildirim aracina veri servisi yapmasi (1021), 0:' aksiyon bildirim isletme modülünde (7) yer alan anlik aksiyon bildirim aracinin, öznitelik deposunda (2) yer alan doküman veri tabani üzerinde yer alan müsteri iletisim tercihi, iletisim adresi, demografik bilgilerine eriserek aksiyonu gerçeklestirmesi (1022) ve servis edilen aksiyonlarin geri bildirimlerinin, aksiyon geri bildirim isletme modülünde (8) yer alan anlik aksiyon geri bildirim araci ile toplanmasi ve raporlanmak ve incelemek için 'Öznitelik deposunda (2) yer alan doküman veri tabanina aktarilmasi (1023) Bulus konusu yöntemde (1000) ilk adim olarak kaynak veri tabani üzerindeki mevcut müsteri verilerine erisim saglanir. Erisim saglanan veri kümesi üzerinde yapay zeka aracinda kullanilmak üzere belirlenen özniteliklerin gelistirilmesi öznitelik mühendisligi araci ile yapilir. Elde edilen veri kümesi önceden egitilmis modellere girdi olarak kullanilmak üzerde zaman damgasi ile versiyonlayarak dagitik veri depolama araci üzerinde biriktirilir. Biriktirilen veri kümesi ile yapay zeka araci isletilir. Daha sonra veri kümesi, anlik aksiyon araci ile kullanilmak üzere, 'öznitelik deposu içerisinde yer alan doküman veri tabani aracina, zaman damgasi ile versiyonlanarak biriktirilir. Yapay zeka araci ile elde edilen müsteri segment bilgisi ile ürün sahipligi tablosu iliskilendirilerek müsteri segmenti bazinda ürün sahipligi matrisi olusturulur. Olusturulan matris dagitik veri depolama araci üzerinde saklanir. Hesaplanan müsteri segmenti bazinda ürün sahipligi matrisi yapay zeka aracinin bir parçasi olan beraberlik analizi modeline girdi olarak verilir. Elde edilen ürün tavsiye puanlari öznitelik deposu içerisinde yer alan doküman veri tabani aracina zaman damgasi ile versiyonlanarak aktarilir. Müsterilerin kanal üzerindeki islemleri ve ziyaretleri ile elde edilen gerçek zamanli veriler anlik veri okuma araci ile sisteme (1) entegre edilir. Entegre edilen veriler üzerinde 'önceden belirlenen süre içerinde aksiyon gerçeklesmezse, bu araliklarla oturum verisi anlik olarak veri isleme araci üzerinde hesaplanir. Hesaplanan oturum verisine. oturum sirasinda herhangi bir satin alma gerçeklestigi bilgisi eklenir. Hesaplanan veri kümesi daha sonra doküman veri tabani aracina üzerinde biriktirilir. Oturum veri kümesi daha sonradan yapay zeka araci üzerinde kullanilmak için tekrar dagitik veri depolama araci üzerine alinarak isletilir. Sirali desen inceleme modeli ile elde edilen aday desenler anlik aksiyon araci ile kullanilmak üzere öznitelik deposu içerisinde yer alan doküman veri tabani aracina zaman damgasi ile versiyonlanarak biriktirilir. Tespit edilen aday desen dosyalari gelistirici tarafindan is kurallari ile tasarlanarak anlik aksiyon aracinda kullanilmak üzere doküman veri tabani aracina yazilir. Gelistirici tarafindan tasarimi yapilan kural dokümanlari, kural uygulama olusturma araci kullanilarak, anlik aksiyon araci üzerinde yayinlanir. Müsterilerin üzerinde anlik aksiyonlarin belirlenebilmesi için, müsterilerin kanallarda olusturduklari olaylar ve islemler, anlik veri okuma araci ile alinarak, anlik veri isleme aracina iletilmektedir. Burada hesaplanan veriler tekrar anlik veri okuma aracina aktarilmakta, buradan anlik 'Öznitelik üretme araci ile toplanmakta ve bellek içi depolama veri tabani aracina anahtar-deger yapisinda yazilmaktadir. Doküman veri depolama araci üzerinde tutulan yapay zeka araci, çiktilarin güncel degerlerini hesaplamakta ve bu hesaplari bellek içi depolama veri tabani aracina anahtar-deger yapisinda yazmaktadir. Anlik veri okuma araci ile servis edilen gerçek zamanli olay verileri ve bellek içi depolama veri tabani aracina kaydedilen veriler anlik aksiyon araci ile isletilir. Isletilme sonucunda tespit edilen kurallar, gelistirici ile belirlenen aksiyonlar dogrultusunda, anlik aksiyon bildirim aracina yönlendirilir. Aksiyonlar etkilesim kanallari (web kanal, mobil kanal, çagri merkezi kanali) ile müsterilere ulastirilir. Müsterilere iletilen aksiyonlar neticesinde elde edilen bildirimler, anlik aksiyon geri bildirim araci ile toplanilarak, raporlanma amaciyla doküman veri tabani aracina gönderilir. TR TR TR