KaydedilenlerDerginizi ekleyin

Dergiler / Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi / 2019 / Cilt: 41 - Sayı: 1

KABA KÜME YAKLAŞIMIYLA TÜKETİCİ DAVRANIŞLARININ ÖNGÖRÜLMESİ

Nilgün GÜLER BAYAZIT
Yasemen UÇAN
Sayfa
51–64
Yayın Tarihi
2019-07-12
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)

Elde edilen sonuçlara göre kaba küme teorisine dayanan kural türetme algoritmaları tüketicilerin karar verme biçimleri ve davranış biçimlerinin öngörülmesini sağlayabilecek uygun bir araçtır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, tüketici davranışlarının kaba küme teorisine dayanan kural türetme algoritmalarıyla öngörülmesi amaçlanmıştır.
📊
Temel Bulgular & Veri:Çekirdek veri kümesine kural türetme algoritması olan LEM2 algoritması uygulanarak tüketici davranışlarını yüksek başarımla öngörebilen kurallar elde edilmiştir.
💡
Sonuç & Katkı:Elde edilen sonuçlara göre kaba küme teorisine dayanan kural türetme algoritmaları tüketicilerin karar verme biçimleri ve davranış biçimlerinin öngörülmesini sağlayabilecek uygun bir araçtır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Pazarlama · tüketici davranışı · kaba kümeler

Özet

Bu çalışmada, tüketici davranışlarının kaba küme teorisine dayanan kural türetme algoritmalarıyla öngörülmesi amaçlanmıştır. Romanya Akademisi Dünya Ekonomisi Enstitüsü tarafından toplanan “Romanya - finansal okuryazarlık ve finansal hizmetler anketi” verileri kullanılmıştır. Çalışmada ön işlem olarak kaba küme teorisinin alt yaklaşım ve üst yaklaşım kümeleri kullanılarak veri kümesindeki gereksiz nitelikler elenmiş sadece vazgeçilemeyen niteliklerden oluşan çekirdek veri kümesi oluşturulmuştur. Çekirdek veri kümesine kural türetme algoritması olan LEM2 algoritması uygulanarak tüketici davranışlarını yüksek başarımla öngörebilen kurallar elde edilmiştir. Elde edilen sonuçlara göre kaba küme teorisine dayanan kural türetme algoritmaları tüketicilerin karar verme biçimleri ve davranış biçimlerinin öngörülmesini sağlayabilecek uygun bir araçtır.

🔖

Bu Makaleye Atıf Yap

BAYAZIT, N. G., UÇAN, Y. (2019). KABA KÜME YAKLAŞIMIYLA TÜKETİCİ DAVRANIŞLARININ ÖNGÖRÜLMESİ. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 41 - Sayı: 1, 51–64. https://ajindex.com/articles/6337

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. ALPAYDIN, E. (2011). Yapay Öğrenme. İstanbul: Boğaziçi Üniversitesi Yayınevi. BADEA (STROIE), L. M. (2014). Predicting Consumer Behavior with Artificial Neural Networks, Emerging Market Queries in Finance and Business EMQFB2013, Procedia Economics and Finance 15: 238 –246 BLASZCZYNSKI, J., Greco, S., Slowinski, R. (2007). Multi-criteria Classification – a New Scheme for Application of Dominance-based Decision Rules, European Journal of Operational Research 181: 1030–1044.
  2. CLARK, P., Niblett, T. (1989). The CN2 Induction Algorithm, Machine Learning, 3 (4): 261-283.
  3. CELOTTO, E., Ellero, A., Ferretti, P. (2012). Short-medium term tourist services demand forecasting with rough set theory. Procedia Economics and Finance, 3:62-67.
  4. CUI, N., Cui, Q. (2009). A Rough-Set Based Approach to Predict Consumers’ Brand Preference, International Workshop on Intelligent Systems and Applications, Wuhan, 1-4.
  5. GRZYMALA-BUSSE J.W. (2009).
  6. Rule Induction, In: Maimon O., Rokach L. (eds) Data Mining and Knowledge Discovery Handbook. Springer, Boston, MA:1-19.
  7. FURAJI, F., Latuszyńska, M., Wawrzyniak, A., Wasikowska, B. (2013). Study on the influence of advertising attractiveness on the purchase decisions of women and men., Journal of International Studies, 6(2): 20-32.
  8. HUANG, C., Yang, Y., Tzeng, G., Cheng, S., Lee, H. (2010). 4G Mobile Phone Consumer Preference Predictions by Using the Rough Set Theory and Flow Graphs, PICMET 2010 Technology Management for Global Economic Growth, Phuket: 1-10.
  9. LIAO, S. H., Chang, H. K. (2016). A rough set-based association rule approach for a recommendation system for online consumers, Information Processing & Management, 52(6):1142-1160.
  10. LIOU, J.J.H, Tzeng, G., (2010). A Dominance-based Rough Set Approach to Customer Behavior in the Airline Market, Information Sciences, 180 (11): 2230-2238.
  11. MICHALSKI, R. S., Mozetic, I., Hong, J., Lavrac, N. (1986). The AQ15 Inductive Learning System: an Overview and Experiments, Department of Computer Science, University of Illinois. PAWLAK, Z. (1982).
  12. Rough Sets, International Journal of Computer and Information Sciences, 11: 341-356.
  13. PAWLAK, Z. (2005).
  14. Rough Sets and Flow Graphs, Lecture Notes in Computer Science, 3641: 1-11.
  15. R Core Team (2018). R:A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. R version 3.5.0. https://www.R-project.org/ (Erişim Tarihi: 1.9.2018).
  16. RIZA, L. S., Janusz, A. (2015). RoughSets: Data Analysis Using Rough Set and Fuzzy