Dergiler / Yönetim Dergisi:İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü / 2008 / Cilt: 19 - Sayı: 59

Veri Madenciliğinde Sepet Analizi ile Tüketici Davranışı Modellemesi

Customer Behavior Modeling By Using Market Basket Analysis in Data Mining

Sayfa
3–10
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)

Çalışmada verilerin analizi için SPSS'in veri madenciliği modülü olan Clementine programı kullanılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Veri madenciliği büyük miktardaki verinin, bu verilerden anlamlı örüntü ve kurallar çıkarılması amacıyla analiz edilmesidir.
📊
Temel Bulgular & Veri:Bu çalışmada, Türkiye'de perakende sektöründe faaliyet gösteren büyük bir market zincirine ait veriler ele alınarak, veriler "Birliktelik Kuralları" ile analiz edilmiş ve müşterilerin satın alma davranışlarını etkileyen değişkenler karar ağaçlarıyla belirlenmiştir.
💡
Sonuç & Katkı:Çalışmada verilerin analizi için SPSS'in veri madenciliği modülü olan Clementine programı kullanılmıştır.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Veri madenciliği büyük miktardaki verinin, bu verilerden anlamlı örüntü ve kurallar çıkarılması amacıyla analiz edilmesidir. Veri madenciliğinde verinin yapısına uygun olarak birçok teknik kullanılmaktadır. Bu tekniklerden biri olan "Birliktelik Kuralları Analizi/Sepet Analizi" ile, büyük veri tabanlarından yola çıkılarak, müşterilerin alışveriş davranışları keşfedilmeye çalışılmaktadır. Bu çalışmada, Türkiye'de perakende sektöründe faaliyet gösteren büyük bir market zincirine ait veriler ele alınarak, veriler "Birliktelik Kuralları" ile analiz edilmiş ve müşterilerin satın alma davranışlarını etkileyen değişkenler karar ağaçlarıyla belirlenmiştir. Çalışmada verilerin analizi için SPSS'in veri madenciliği modülü olan Clementine programı kullanılmıştır.

Abstract

Data mining analyzes large amount of data for the purpose of deriving meaningful patterns and rules. Many techniques in accordance with the structure of data are used in data mining, with "Association Rules Analysis/Market Basket Analysis", that is one of these techniques; shopping behaviors of customers are tried to be found out by setting out from large data bases. In this study, data belonging to a big market chain that activates in the retail sector in Turkey was handled, the data was analysed with "Association Rules" and the variables effecting purchasing behaviours of costumers were determined with decision trees. In the study, Clementine program, the data mining module of SPSS, was used for analysis of the data.

🔖

Bu Makaleye Atıf Yap

TİMOR, M., ŞİMŞEK, U. T. (2008). Veri Madenciliğinde Sepet Analizi ile Tüketici Davranışı Modellemesi. Yönetim Dergisi:İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü, Cilt: 19 - Sayı: 59, 3–10. https://ajindex.com/articles/338011

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (7)

  1. AKPINAR Haldun, Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği, İ.Ü. işletme Fakültesi Yayını, 1998 s.6. ALP AYDIN Ethem, "Zeki Veri Madenciliği", Bilişim 2000 Eğitim Semineri, 2000, s.9. ANGIULLI F., IANNI G. ve PALOPOLI L., "On The Complexity of Inducing Categorical and Quantitative Association Rules", Theoretical Computer Science, Volume 314, Issues 1-2, 2004, s.217-249.
  2. CHEN Y., TANG K., SHEN R. VE HU Y., "Market Basket Analysis in a Multiple Store Environment", Decision Support Systems, Volume 40, Issue 2,2005, s. 339-354. CHEN M., "Ranking Discovered Rules from Data Mining with Multiple Criteria by Data Envelopment Analysis", Expert Systems with Applications, Vol.33, Issue 4, 2007, s. 1110-1116. DOLGUN M.Ö. ve ZOR İ., "Bir Alışveriş Merkezinden Yapılan Satışlar tçin Sepet Analizi", www.spss.com.tr/bilisim06_dosyalar/muhsin_o zgur_dolgun.pdf. 2006.
  3. FAYYAD U., PIATETSKY-SHAPIRO G. ve SMYTH P., "Knowledge Discovery and Data Mining: Towards a Unifying Framework", Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD4996), Portland, Oregon, 1996.
  4. FREITAS A., Data Mining and Knowledge Discovery with Evolutionary Algorithms, Almanya, Springer Publications, 2002, s.1-2. GIUDICI P. ve PASSERONE G., "Data Mining of Association Structures to Model Consumer Behaviour"i Computational Statistics & Data Analysis, Vol. 38, Issue 4,2002, s. 533-541.
  5. HRUSCHKA H., LUKANOWICZ M. ve BUCHTA C, "Cross-Category Sales Promotion Effects", Journal of Retailing and Consumer Services, Volume 6, Issue 2,1999, s.99-105.
  6. LIU L., BHATTACHARYYA S., SCLOVE S., CHEN R. ve LATTYAK W., "Data Mining on Time Series: An Illustration Using FasfcFood Restaurant Franchise Data", Computational Statistics & Data Analysis, Volume 37, Issue 4,2001,8.455-476. MILD A. ve REUTTERER T., "An Improved Collaborative Filtering Approach for Predicting Cross-Category Purchases Based on Binary Market Basket Data", Journal of Retailing and Consumer Services, Volume 10, Issue 3, 2003, s.123-133.
  7. MIN H., MIN H. ve EMAM A., "A Data Mining Approach to Developing the Profiles of Hotel Customers", International Journal of Contemporary Hospitality, Vol.14, Issue 6, 2002,s.274. MOSS Larissa T., Business Intelligence Roadmap: The Complete Project Lifecycle for Decision- Support Applications, Addison Wesley, 2003, s.307-310. ÖZEL T., "Finans Sektöründe İstatistik ve Veri Madenciliği Uygulamaları", SPSS Sunumu, 2003. ÖZMEN Ş., "İş Hayatı Veri Madenciliği ile İstatistik Uygulam