Bir otomotiv firmasında konu modelleme yaklaşımı kullanılarak çalışan önerilerinin değerlendirilmesi

Veri madenciliğinin bir alt kolu olan metin madenciliği, birçok dilde birçok farklı alanda yazılmış metinlerde özellik çıkarımı için kullanılmaktadır. Son yıllarda önem kazanan konu modelleme yöntemleri metin madenciliği uygulamalarında sıklıkla tercih edilmeye başlanmıştır. Konu modelleme, veri madenciliği, gizli veri keşfi ve veri ile metin belgeleri arasındaki ilişkileri bulmak için metin madenciliğinde en güçlü tekniklerden biridir. Büyük boyutlu dokümanlardaki gizli yapıyı denetimsiz şekilde ortaya çıkaran konu modelleme, başarılı bir yöntem olarak kabul görmüştür. Bir doküman kümesi içerisindeki belgelerin konu olarak adlandırılan sözcük grupları dokümanlar içerisinde gizli ve yapılandırılmamış bir biçimde bulunur. Bu konuların özelliği metin içerisinde çoğunlukla birlikte görülmeleri ve genellikle ortak veya birbirine benzeyen temayı paylaşan sözcüklerden oluşmalarıdır. Konu modellemede metinde sıkça birlikte görülen kelimeler kümelenerek soyut konular(abstract topic) üretilir ve ilgili metinler içerdikleri kelimelere göre kendisine en yakın olan bir veya daha fazla kümede konuçlandırılır. Birbirine yakın olabilecek ifadeler anlamsal uzayda soyut konu oluşturulacak şekilde gruplanırlar. Daha sonra bu dokümanlar oluşturulan gruplara ve içerdikleri kelimelere göre kümelenir. Günümüzün en büyük endüstrilerinden biri olan otomotiv endüstrisinde rekabetin fazla olması işletmelerin iyileştirme çalışmalarına önem vermeleri gerekliliğini doğurmuştur. Bu iyileştirmelerin arasında çalışanların önerileri oldukça önemli yer kaplamaktadır.Öneri sistemlerinin içeriğinin metinlerden oluşması, onları ileri metin madenciliği çalışmaları için uygun veri setleri haline getirmiştir. Çalışan önerilerinin konu modelleme ile analiz edilmesi, en çok hangi konularda öneriler geldiğini, hangi konulara yoğunlaşılması gerektiğini ve gelecekteki öneri ve iyileştirmelerle ilgili tahminler yapabilmeyi olanaklı hale getirebilecektir. Bu çalışmada bir otomotiv firmasının öneri sistemlerini analiz etmek için metin madenciliğine ait yöntemlerden Gizli Dirichlet Tahsisi (GDT) kullanılmıştır. Projemizde analiz için Azure Machine Learning aracı kullanılmıştır. En çok verilen öneri çeşiti "getirisi olmayan olumlu öneri"lerdir. Bu öneriler genellikle iş sağlığı ve güvenliği ile ilgili olmaktadır. 2. Sıradaki en çok verilen öneriler ise "öneri" yani getirisi olan, firmaya kazanç sağlayan önerilerdir. 3. Sırada "öneriden hızlı kaizene" yani çok kısa sürede sonuç alınabilen, getirisi yüksek öneriler bulunmaktadır. 4. Sırada "değerlendirilmek üzere havale" edilen öneriler bulunurken, en az verilen öneri türünün ise "devreye alınmayacak öneriler" olduğu görünmektedir.