Birliktelik kuralları algoritmalarının otomotiv sektörü verileri üzerinde spmf ve weka ile performans analizi

Veri Madenciliği (VM), herhangi bir veri kümesi üzerinde yer alan mevcut verilerin analiz edilerek anlamlı çıkarımlarda bulunulabilmesi veya gelecekte oluşabilecek verileri teknik yöntemler ile tahmin etmeyi sağlayan bir bilim dalıdır. Bu tahmin veya çıkarımlara dayalı bilgisayar destekli karar verme mekanizmalarının geliştirilmesine katkıda bulunur. Hızla gelişmekte olan teknoloji ile birlikte toptan ve perakende sektöründe hizmet veren şirketler artık verilerini çok daha hızlı, kolay ve düşük maliyetler ile saklayabilmektedirler. Şirketlerde gün içerisinde gerçekleştirilen tüm işlemler (satış, cari kart, faturalama vb.), gün sonunda birleşerek büyük veri kümelerini oluşturmaktadır. Gün geçtikçe hızlı bir şekilde katlanarak boyutu artan bu veri kümelerinden hem şirketler için hem de müşteriler için bir takım faydalı çıkarımlar elde etmek mümkündür. Bu aşamada bahsi geçen çıkarımları yapabilmek için veri madenciliğinden faydalanılmaktadır. Bu çalışmada Türkiye'nin birçok bölgesine araç bakım ürünleri satmakta olan bir şirkete ait veri kümesine, Veri Madenciliği Pazar Sepet Analizi Birliktelik Kuralı Algoritmalarından en güncel 11 algoritma uygulanmış ve birlikte satışı yapılan ürünlere ait kurallar tespit edilmiştir. Belirlenen kurallar sayesinde ilgili şirket için, satış ve pazarlama stratejilerinin yeniden belirlenmesi, depolama alanlarının verimli bir şekilde revize edilmesi, müşterilere ve bölgelere uygun satış kampanyalarının oluşturulması sağlanabilecektir. Tez çalışmasında öncelikle en çok kullanılan iki algoritma olan Apriori ve FP-Growth algoritmaları hem WEKA hem de SPMF'de farklı destek değerleri için ayrı ayrı çalıştırılmış ve her iki programın performans değerleri grafiksel olarak kıyaslanmıştır. SPMF'nin WEKA'ya göre daha başarılı olduğu görüldükten sonra işlemlere bu yazılım ile devam edilmiş ve ilgili veri kümesi üzerinde 11 güncel birliktelik kuralı algoritmalarının çalışma zamanı, çalışma esnasında kullandığı toplam bellek, ilgili algoritmalar için çıkarılan kural sayısı SPMF programında hesaplanmış ve aynı zamanda bu çıkarımlar farklı destek değerleri için grafiksel olarak birbirleriyle karşılaştırılmıştır. Sonuç olarak SPMF yazılımında gerçekleştirilen uygulama neticesinde, dEclat_bitset algoritması 6 aylık ve 12 aylık veri kümesi için en verimli performansı göstermiştir. Ancak 22 aylık veri kümesinde 0.7 ve 0.3 destek değerleri için Eclat algoritmasının en verimli algoritma olduğu söylenebilir; diğer yandan dEclat_bitset, 22 aylık veri kümesinde 0.3 ve 0.1 destek değerleri için en verimli algoritmadır.