Makine Öğrenmesi Yöntemleriyle Kitle Fonlaması Projeleri İçin İş Zekası Platformu Tasarlanması Ve Etkilerinin Araştırılması
No Thumbnail Available
Date
2022
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Kitle fonlaması (KF), girişimci veya proje oluşturucularının finansman arayışını karşılamak üzere geliştirilmiş bir alternatif fon elde etme aracıdır. Diğer bir deyişle KF; bağış, destek ve yatırım şeklinde finansal kaynakların sağlanması amacıyla destekçi ya da yatırımcı kitlelerden fon alma eylemini ifade etmektedir. Özellikle kitlelerin oluşturabildiği fonlama gücünün internet ortamında daha kolay bir şekilde sağlanabilmesiyle birlikte KF son 10 yıl içerisinde oldukça popüler hale gelmiştir. Bu popülerlik ve erişilebilirlik, artan proje sayısıyla birlikte yatırıcımlar tarafından girişimcilere verilen destek miktarını da arttırmıştır. Günümüzde, tüm projeler için toplanan fon 35 milyar dolar civarındadır. Dünya bankasının yayınladığı bir rapora göre KF projelerinin yalnızca 2025 yılında 90 milyar $ fon alması beklenmektedir. Dünya çapındaki fonlama miktarı oldukça fazla olmasına rağmen, Türkiye, genç ve dinamik nüfusu fazla olduğundan KF platformları için potansiyel bir fırsat olsa da, KF için olması gereken konumda değildir. Çünkü, geçmişe göre analiz edildiğinde Türkiye?de ortaya koyulan projelerin başarı oranı düşmekte ve fonlama miktarı yeterli olmamaktadır. Bu sebepten ötürü KF projelerindeki kalite düzeyinin arttırılması için proje iyileştirmelerini sağlayan web tabanlı karar destek sistemlerine ihtiyaç vardır. İhtiyaç doğrultusunda geliştirilen CFTest uygulaması kapsamında ilk olarak KF platformlarındaki veriler, veri kazıma teknikleriyle toplanarak ön işlemeden geçirildikten sonra başarıya en çok etki eden öznitelikler seçilmiştir. Seçim ve analiz işlemlerinde, öznitelikler arasındaki ilişkilerin anlaşılması için filtreleme yöntemlerinden Pearson korelasyonu (PCC), karşılıklı bilgi istatistikleri (MI), ki-kare (CHI), Fisher?s Score (FS), sarmalayıcı yöntemlerden ise özyinelemeli öznitelik kaldırma (RFE) kullanılmıştır. Proje ile elde edilen bulgular öznitelik seçimi için çapraz doğrulamayla elde edilen RFE (RFECV) yöntemini önerilmektedir. Bu kapsamda, filtreleme ve sarmalayıcı öznitelik seçimi yöntemleriyle elde edilen başarı faktörleri; Destek Vektör Makineleri (SVM), K-En Yakın Komşu (KNN) ve Lojistik Regresyon (LR), Random Forest (RF) ve Gradient Boosting (GBM) algoritmalarıyla sınıflandırılmış ve en iyi sonuçları GBM ve RF algoritmaları vermiştir. Proje başarısı bakımından analiz edildiğinde GBM?in verdiği doğruluk değerleri PCC %83.84, MI %83.02, CHI %82.61, FS %84.86, RFE %82.41 ve RFECV %87.52 olarak bulunmuştur. Deneysel olarak bulgular, RFECV yöntemiyle elde edilen 8 özniteliğin F1-Score, Precision, Recall, Kappa, AUC skorları ve ROC eğrisine göre diğer yöntemlerden daha başarılı olduğunu açıklar niteliktedir. Proje başarı tahmin aracından sonra web tabanlı karar destek sistemini oluşturma esnasında proje metin analiz aracı da oluşturularak CFTest içerisine entegre edilmiştir. Bu kapsamda, metin sınıflandırma işlemlerinde Lojistik Regresyon (LR) için %74,01 ile diğer algoritmalara göre en iyi skor elde edilmiş ve model değerlendirme metrikleriyle de inceleme sağlanmıştır. Sonrasında ise proje metin analizi aracına konuşlandırma işlemi gerçekleştirilmiştir. İş zekası kapsamında da OLAP küpleri, starnet sorgularıyla beraber olarak sağlanan; görselleştirilen özetler, web tabanlı alternatif senaryo modelleme, raporlama ve analiz ekranlarıyla birlikte CFTest uygulaması kullanıcılara hazır bir hale getirilmiştir. Son olarak, geliştirilen uygulamanın sağladığı potansiyel etkiler etki analizi araştırması kapsamında proje oluşturucusu/girişimci ve proje destekçisi/yatırımcı kullanıcılarına CFTest deneyimlerinden sonra yönetilen sorularla analiz edilerek elde edilen bulgular proje içerisinde tartışılmıştır. Sonuçlar KF ekosistemindeki kalite sinyalini arttırmak için CFTest uygulamasının karar destek süreçlerinde kullanılabilme potansiyeli olduğunu göstermektedir.