Dergiler / İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi / 2020 / Cilt: 19 - Sayı: 38

İŞLETMELERDE VERİ ANALİZİYLE İSTİSNALARIN SAPTANMASI

DETERMINATION OF EXCEPTIONS WITH DATA ANALYSIS IN BUSINESSES

Sayfa
139–151
Yayın Tarihi
2020-12-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Benzer şekilde marketteki gıda maddelerindeki bir hafta boyunca artış %73 olarak hesaplanırken TAPEV’in kümülatif değeri %60 olarak bulunmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, müşterilerin bir marketten satın alma tercihleri detaylı incelenmiş ve elde edilen sonuçlar, TCMB verilerini kullanan TEPAV'ın banka ve kredi kartı ile yapılan harcamalar üzerindeki çalışmaları ile karşılaştırılmıştır. 11-17 Mart 2019 tarih aralığında 589 kişinin, 11-17 Mart 2020 tarih aralığında ise 645 kişinin alışveriş verisi kullanılmıştır.
📊
Temel Bulgular & Veri:Eğilimler aynı olmasına rağmen sayısal değerler arasında farklılıklar görülmüştür.
💡
Sonuç & Katkı:Benzer şekilde marketteki gıda maddelerindeki bir hafta boyunca artış %73 olarak hesaplanırken TAPEV’in kümülatif değeri %60 olarak bulunmuştur.
🔬Tür:Araştırma Makalesi
📍Kapsam:2019 Verileri
⚙️Değişkenler:Covid-19 · veri analizi · veri madenciliği

Özet

Bu çalışmada, müşterilerin bir marketten satın alma tercihleri detaylı incelenmiş ve elde edilen sonuçlar, TCMB verilerini kullanan TEPAV'ın banka ve kredi kartı ile yapılan harcamalar üzerindeki çalışmaları ile karşılaştırılmıştır. 11-17 Mart 2019 tarih aralığında 589 kişinin, 11-17 Mart 2020 tarih aralığında ise 645 kişinin alışveriş verisi kullanılmıştır. Eğilimler aynı olmasına rağmen sayısal değerler arasında farklılıklar görülmüştür. Markette 11-17 Mart 2020 haftası boyunca yapılan nakit ve kredi kartı harcamaları, 11-17 Mart 2019 haftasındaki harcamalar göre %90 artış gösterirken TEPAV’ın kümülatif değeri %80 bulunmuştur. Benzer şekilde marketteki gıda maddelerindeki bir hafta boyunca artış %73 olarak hesaplanırken TAPEV’in kümülatif değeri %60 olarak bulunmuştur.

Abstract

In this study, the preferences of customers to buy from a market are analyzed and the results are compared with TEPAV's studies on bank and credit card expenditures using CBRT data. Shopping data of 589 people in the period of 11-17 March 2019 and 645 people in the period of 11-17 March 2020 were used. Cash and credit card spending during the week of 11-17 March 2020 increased 90% compared to the expenses of 11-17 March 2019, while the cumulative increase of TEPAV’s study was found to be 80%. Similarly, while the increase in foodstuffs in the market was calculated as 73% for a week, the cumulative increase of TEPAV’s study was found to be 60%. The analysis of the markets and the resulting differences in the environment is different from that found in Turkey and would mean different kinds of payments in the grocery are considered effective.

🔖

Bu Makaleye Atıf Yap

ÇİFÇİ, E., BORAT, O. (2020). İŞLETMELERDE VERİ ANALİZİYLE İSTİSNALARIN SAPTANMASI. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Cilt: 19 - Sayı: 38, 139–151. https://ajindex.com/articles/123879

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Akçay, A., (2014), Bilgi ve Belge Yönetiminde Veri Madenciliği, İstanbul Üniversitesi,
  2. Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, İstanbul.
  3. Alan, B., (2016), Veri Madenciliği ve Market Veri Tabanında Birliktelik Kurallarının Belirlenmesi, Recep Tayyip Erdoğan Üniversitesi,
  4. Sosyal Bilimler Enstitüsü, Doktora Tezi, Rize. Alpaydın, E., (2000), Zeki Veri Madenciliği: Ham Veriden Altın Bilgiye Ulaşma Yöntemleri, Bilişim 2000
  5. Eğitim Semineri Ayan, E.A., (2017), Veri Madenciliği Tekniklerinin İş ve Meslek Danışmanlığı Hizmetlerinde Kullanımı ve İŞKUR İçin Öneriler, T.C. Çalışma ve Sosyal Güvenlik Bakanlığı, Türkiye İş Kurumu Genel Müdürlüğü, Uzmanlık Tezi, Ankara.
  6. Berry M., Linoff, G., (2004),
  7. Data Mining Techniques for Marketing, Sales, and Customer Relationship Management. Second Edition, John Wiley & Sons. Bilgiç, E., (2018), “R Programlama Dili ile Pazar Sepet Analizi: Muş İl Merkezindeki Bir Süpermarkette”, Anemon Muş Alparslan Üniversitesi Sosyal Bilimler Dergisi, 89-97.
  8. Ekmekçi, U., (2020), Krizlerde Sistematik Dönüşüm Modeli. Moderatör: Ömer Burhanoğlu. Canlı Yayın. 07.05.2020. Fark Labs-Farplas, 07.05.2020, 17:00-18:00, https://farklabs.com/farkli-konuk-umut-ekmekci/.
  9. Fayyad, U., Piatetsky-Shapiro, G., Smyth, P., (1996), “The KDD Process for Extracting Useful Knowledge from Volumes of Data”, Communications of the ACM, 39(11), 27-34.
  10. Fister Jr, I., Fister, K., Fister, I., (2020), “Discovering Associations in Covid-19 Related Research Papers” arXiv preprint arXiv:2004.03397. Ghebreyesus, T.A., (2020), WHO Director-General's Opening Remarks at the Media Briefing on COVID-19-11 March 2020. World Health Organization. 11 March 2020, 27.04.2020.https://www.who.int/dg/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19---11-march-2020.
  11. Han, J., Kamber, M., (2001), “Data Mining: Concepts and Techniques”.Academic Press.
  12. Kurniawan, F., Umayah, B., Hammad, J., Nugroho, S. M. S., Hariadi, M., (2018), “Market Basket Analysis to Identify Customer Behaviors by way of Transaction Data”, Knowledge Engineering and Data Science, 1(1), 20. Liu, Y., Gayle, A.A., Wilder-Smith, A., Rocklöv, J., (2020), “The Reproductive Number of Covid-19 is Higher Compared to SARS Coronavirus”. Journal Of Travel Medicine, 27(2), 1-4.
  13. Muradoğlu, M., (2020), Covid-19'la Birlikte Türkiye'de Online Harcama Tutarında Nasıl Bir Değişim Yaşandı?, 03.05.2020. https://webrazzi.com/2020/04/07/covid-19-la-birlikte-turkiye-de-online-harcama-tutarinda-nasil-bir-deg