Journals / Endüstri Mühendisliği / 2021 / Cilt: 32 - Sayı: 2

METİN MADENCİLİĞİNİN TALEP PLANLAMADAKİ ROLÜNÜN İNCELENMESİ

Pages
286–306
Publication Date
2021-08-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Başvurulan çeşitli metin madenciliği tekniklerinin ürettiği sonuçlar, talep modelleri oluşturulurken, bu gibi niteliksel modellerin daha iyi bir çıkarım ve öngörü elde etmek için kullanılabileceğini göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Uzun dönem kârlılık ve müşteri memnuniyeti açısından en parlak ürün çeşitlerini belirlemek, günümüz imalatçıları için stratejik bir öneme sahiptir.
📊
Key Findings & Data:Çok sayıda ve derinlikteki ürün özelliği, talep tahmin sürecini rahatlıkla zorlaştırabilir çünkü teorik olarak böyle bir ürün milyonlarca farklı kombinasyonda yapılandırılabilir.
💡
Conclusion & Impact:Başvurulan çeşitli metin madenciliği tekniklerinin ürettiği sonuçlar, talep modelleri oluşturulurken, bu gibi niteliksel modellerin daha iyi bir çıkarım ve öngörü elde etmek için kullanılabileceğini göstermektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:İş analitiği · Metin madenciliği · Talep planlama

Özet

Uzun dönem kârlılık ve müşteri memnuniyeti açısından en parlak ürün çeşitlerini belirlemek, günümüz imalatçıları için stratejik bir öneme sahiptir. Bu amaç doğrultusunda, dış çeşitliliği azaltmayı sağlayan çeşitli işlemsel modellere ihtiyaç duyulur. Özellikle ana ve ikame talebin belirlenebilmesi için geliştirilecek talep tahmin modelleri kritik öneme sahiptir. Ancak, yapılandırılabilir ürünlerde olduğu gibi kestirilecek parametre sayısı fazlaca olduğunda, bu modeller genellikle “boyutsallık lanetine” maruz kalır. Yapılandırılabilir ürünler, önceden tanımlanmış ürün özelliklerinin çeşitli kombinasyonlarıdır. Çok sayıda ve derinlikteki ürün özelliği, talep tahmin sürecini rahatlıkla zorlaştırabilir çünkü teorik olarak böyle bir ürün milyonlarca farklı kombinasyonda yapılandırılabilir. Bu çalışmada, yapılandırılabilir bir ürün için müşteri değerlendirmeleri kullanılarak, büyük miktarda kritik bilgi kaybetmeden ürün özelliklerinin sayısını azaltıp talep tahmini sürecinin nasıl desteklenebileceği tartışılmıştır. Başvurulan çeşitli metin madenciliği tekniklerinin ürettiği sonuçlar, talep modelleri oluşturulurken, bu gibi niteliksel modellerin daha iyi bir çıkarım ve öngörü elde etmek için kullanılabileceğini göstermektedir.

🔖

Cite This Article

IŞIKLI, E. (2021). METİN MADENCİLİĞİNİN TALEP PLANLAMADAKİ ROLÜNÜN İNCELENMESİ. Endüstri Mühendisliği, Cilt: 32 - Sayı: 2, 286–306. https://ajindex.com/articles/389969

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Abrahams, A.S., Fan, W., Jiao, J., Wang, G.A. & Zhang, Z.J. (2014). An Integrated Text Analytic Framework for Product Defect Discovery, Production and Operations Management, 24(6), 975-990. doi: 10.1111/poms.1230. Berezina, K., Bilgihan, A., Cobanoglu, C. & Fevzi, O. (2015). Understanding Satisfied and Dissatisfied Hotel Customers: Text Mining of Online Hotel Reviews, Journal of Hospitality Marketing & Management, 25(1), 1-24.
  2. Berger, I.E., Cunningham, P. & Drumwright, M.E. (2007). Mainstreaming Corporate Social Responsibility: Developing Markets for Virtue. California Management Review, 49, 132-157.
  3. Berry, M.W. (Ed.). (2004). Survey of Text Mining: Clustering, Classification, and Retrieval. Springer-Verlag. New York, USA, 244s. Berry, M.W. & Castellanos, M. (Ed.). (2008). Survey of Text Mining II - Clustering, Classification, and Retrieval. Springer-Verlag. London, UK, 240s. Boone, T., Ganeshan, R., Hicks, R.L. & Sanders, N.R. (2018). Can Google Trends Improve Your Sales Forecast? Production and Operations Management, 27, 1770-1774.
  4. Cave, A. What Will We Do When The World's Data Hits 163 Zettabytes In 2025? www.forbes.com/sites/andrewcave/2017/04/13/what-will-we-do-when-the-worlds-data-hits-163-zettabytes-in-2025 (Erişim Tarihi: 10.03.2019).
  5. Chan, S.W.K. & Chong, M.W.C. (2017). Sentiment Analysis in Financial Texts, Decision Support Systems, 94, 53-64.
  6. Chong, A.Y.L., Li, B., Ngai, E.W.T., Ch’ng, E. & Lee, F. (2016). Predicting Online Product Sales via Online Reviews, Sentiments, and Promotion Strategies: A Big Data Architecture and Neural Network Approach, International Journal of Operations and Production Management, 36(4), s. 358-383.
  7. Chou, Y.C., Chao, C.Y. & Yu, H.Y. (2019). A Résumé Evaluation System Based on Text Mining. International Conference on Artificial Intelligence in Information and Communication, 11-12
  8. Şubat, Okinawa, Japonya, 52-57.
  9. Cui, R., Gallino, S., Moreno, A. & Zhang, D.J. (2018). The Operational Value of Social Media Information, Production and Operations Management, 27, 1749-1769.
  10. De, S.R. & Bandyopadhyay, S.K. (2015). Sentiment Analysis on Product Purchase Through E-Commerce, International Journal of Scientific Research and Management, 5(6), 5441-5444.
  11. Ferguson, S. & Donndelinger, F. (2010). A Multidisciplinary Approach to Market Segmentation and Product Family Definition. 13th AIAA/ISSMO Multidisciplinary Analysis Optimization Conference, 13-15
  12. Eylül, Fort Worth, Texas, A.B.D., 1-12.
  13. Fisher, M.L. (1997). What is the Right Supply C