Tüketici tercihlerinin yapay sinir ağları yöntemiyle tahmini: Perakende sektöründe bir uygulama

Hızla değişen dünya ekonomisi, küresel işbirliklerinin artması, teknolojinin gelişmesiyle birlikte tüketicilerin bilgiye kolay ulaşabilmesi ve tüketicilerin isteklerinin sürekli değişmesi nedeniyle perakende sektöründe ve pazarlama alanında veri madenciliğinin önemi giderek artmaktadır. Tüketicilerin isteklerini hızlı bir şekilde anlayarak onların beklentilerini karşılayabilecek ürün veya hizmetlerin üretilebilmesi için; perakende mağazada yapılan alışveriş kayıtları, sosyal medya ortamında yapılan paylaşımlar, online alışveriş kayıtları, blog yazıları, online şikayet kanalları gibi bir çok kanaldan elde edilen veriler işlenerek değerli bilgiler elde edilmekte ve bu bilgiler üretim aşamasında dikkate alınmaktadır. Ayrıca mağaza yöneticileri karar alma süreçlerinde de bu bilgilerden faydalanmaktadırlar. Bu çalışmanın amacı, perakende mağazası müşterilerinin geçmiş ürün veya hizmet satın alma davranışlarının incelenerek bir davranış modelinin ortaya çıkarılması ve bu model yardımıyla müşterilerin gelecekte satın alabileceği ürün veya hizmetlerin tahmin edilmesidir. Tahminleme modelinin oluşturulmasıyla beraber benzer davranış sergileyen tüketiciler, kümeleme analizi ile gruplandırılmıştır. Hazırlanan çalışma beş bölümden oluşmaktadır. İlk dört bölümde kapsamlı bir literatür taraması yapılmış, son bölümde ise alan araştırması yapılmıştır. Literatür kısmında tüketici, tüketici satın alma davranışları, perakendecilik kavramı, perakende sektöründe tüketici davranışları ve veri madenciliği süreci ile ilgili yapılan çalışmalar incelenerek teorik bir alt yapı oluşturulmaya çalışılmıştır. Çalışmanın beşinci bölümünde nicel araştırma tekniklerinden birliktelik kuralları oluşturma, kümeleme ve tahminleme yöntemleri kullanılarak uygulama gerçekleştirilmiştir. Veriler işlenebilir hale getirildikten sonra kümeleme analizi yapılmış ve benzer davranış sergileyen tüketiciler gruplanmıştır. Ayrıca, Apriori Algoritması yardımıyla Pazar Sepeti Analizi yapılmış, satın alınan ürünler arasındaki ilişkiyi belirlemek üzere birliktelik kuralları oluşturulmuştur. Elde edilen birliktelik kuralları yapay sinir ağları yardımıyla bir tahminleme modeline dönüştürülmüş ve son olarak, yapay sinir ağlarının etkinliğini ölçebilmek için Lojistik Regresyon Analizi ile kıyaslama yapılmıştır. Temel analizler (frekans dağılımı, veriyi dönüştürme, transpoze vb.), kümeleme analizi ve lojistik regresyon analizi SPSS 22 ve Visual Basic yardımı ile yapılmıştır. Birliktelik kuralı ve tahminleme modelinin kurulması ise MATLAB programı yardımı ile yapılmıştır. Çalışmada nicel araştırma yöntemi benimsenmiştir. Araştırma evreni Kütahya'da faaliyet gösteren perakende mağazasından alışveriş yapan 18 yaş üstü tüketicilerden oluşmaktadır. Araştırma verileri perakende mağazasının veri tabanında yer alan tüketicilerin 2016, 2017 ve 2019 yıllarına ait alışveriş kayıtlarından elde edilmiştir. Araştırmada toplam 489 müşteriye ait 26.543 adet alışveriş kaydı kullanılmıştır. Alışverişler 45.650 adet satın alınan ürün, 40 adet ürün grubu ve 3.982 farklı ürün kaydından oluşmaktadır. Çalışma sonunda 103 birliktelik kuralı oluşturulmuş, bu birliktelik kurallarından %90'nın üzerinde güven değerine sahip 26 birliktelik kuralı ve dört demografik değişken tahminleme modelinde girdi parametresi olarak kullanılmıştır. Tahmin edilmesi gereken toplam 26 birliktelik kuralı olduğundan çıktı katmanı 26 olarak belirlenmiştir. Tahminleme yapay sinir ağları ve lojistik regresyon yöntemleri kullanılarak yapılmış ve sonuçları kıyaslanmıştır. Yapay sinir ağları azami 15 iterasyon ile ortalama %99,9621'lik bir doğru tahminleme sonucu elde ederken, lojistik regresyon yöntemi azami 20 iterasyon ile ortalama %89,8305'luk bir doğru tahminleme sonucu elde etmiştir. Analiz sonuçlarına göre, yapay sinir ağları yöntemi lojistik regresyon yöntemine göre daha yüksek düzeyde doğru tahminleme sonuçları vermiştir. Kümeleme analizinde toplam 10 küme elde edilmiştir. Ürün grupları sayısı yüksek olduğundan kümeleme kalitesi düşük düzeydedir. Verilerin kümelere dağılımı dengeli ve kümeler arası farklılıklar yüksek düzeyde bir önem derecesine sahiptir. Toplam beş değişkenden (cinsiyet, yaş, alışverişin yapıldığı ay, alışverişin yapıldığı saat, ürün grupları) oluşan kümelerde ürün gruplarının küme içindeki önem derecesi %86 iken, diğer değişkenlerin önem derecesi %100 olarak elde edilmiştir.