FP-Growth Algoritması Kullanılarak Tüketiciler ve Mobilya Kullanım Süresi Arasındaki İlişkilerin Belirlenmesi

Öz

Mobilyalar günlük hayat içinde çeşitli amaçlar için, farklı sürelerde tüm kültürlerde insanlar tarafından yaygın olarak kullanılmaktadır. Mobilya ve insan etkileşimi birçok açıdan incelenmesi gereken önemli bir konudur. Hem tüketicilerin sağlığının korunması hem de satın alma davranışlarını tam olarak anlamak için mobilyaların kullanım süresi bilgisine ihtiyaç bulunmaktadır. Bu çalışmada anket yöntemi ile tüketicilerin demografik bilgileri ve farklı mobilyalar için kullanım süreleri belirlenmiştir. Elde edilen verilerden Frequent Pattern (FP)-Growth algoritması ile farklı mobilyaların kullanım süresi ve tüketicilerin arasındaki ilişkiler belirlenmiştir. Çalışma sonucunda en güçlü birliktelik, yemek yeme mobilyalarında en kısa süre geçirenlerin kilosunun yüksek ve erkek olması arasında olduğu tespit edilmiştir. Çalışma mobilyalarında günlük 4 saat vakit geçirenlerin lisans mezunu erkek olması diğer bir birliktelik kuralıdır. Yine 18-25 yaş aralığındaki bireylerin yemek yeme mobilyalarında geçirdiği süreye ait birliktelik kuralına göre %69 doğruluk oranı ile 30 dakika olarak belirlenmiştir. Veri madenciliğine dayalı önerilen yöntem tüketiciler ve farklı mobilyalar için kullanım süresi arasındaki ilişkilerin etkili ve başarılı bir şekilde tespit edilebileceğini göstermektedir. Veri bilimi tüketici davranışlarını anlamak için karar vericilere yeni bakış açıları sunabilir. Bununla birlikte mobilya endüstrisinde kaliteyi artırmak için veri analizine dayalı yeni çalışmalara ihtiyaç duyulmaktadır.

Anahtar Kelimeler

• FP-Growth
• Mobilya
• Tüketici
• Süre
• Veri

Determining the Relationships Between Consumers and Furniture Use Time Using FP-Growth Algorithm

Abstract

Furniture is widely used by people in all cultures at different times for various purposes in daily life. Furniture and human interaction is an important issue that needs to be examined in many ways. In order to protect the health of consumers and to fully understand their purchasing behavior, information about the life span of furniture is needed. In this study, demographic information of consumers and usage times for different furniture was determined by survey method. Using the Frequent Pattern (FP)-Growth algorithm from the data obtained, the relationship between the usage time of different furniture and the consumers was determined. As a result of the study, it was determined that the strongest association was between those who spent the shortest time on their furniture to eat, being overweight and male. It is another rule of association that those who spend 4 hours a day in work furniture are men with a bachelor's degree. Again, according to the rule of association, the time spent by individuals between the ages of 18-25 in dining furniture was determined as 30 minutes with an accuracy rate of 69%. The proposed method based on data mining shows that the relationships between consumers and the usage time for different furniture can be determined effectively and successfully. Data science can offer decision makers new perspectives to understand consumer behavior. However, there is a need for new studies based on data analysis to increase quality in the furniture industry.

Keywords

• Frequent Pattern (FP)-Growth
• Furniture
• Consumer
• Duration
• Data

References

1. Ahmed, S. A., Nath, B. (2021). Identification of adverse disease agents and risk analysis using frequent pattern mining, Information Sciences, 576, 609–641.
2. Avcı, Ö., Bardak, T. (2018). Halkla İlişkiler Kapsamında Bartın Tarihi Galla (Kadınlar) Pazarı Satıcılarının Mutluluğunun Veri Madenciliğine Dayalı Analizi, in: Uluslararası Marmara Fen ve Sosyal Bilimler Kongresi 2018 Bildiriler Kitabı, Uluslararası Marmara Fen ve Sosyal Bilimler Kongresi, Kocaeli/Türkiye, 137–144.
3. Bagui, S., Devulapalli, K., Coffey, J. (2020). A heuristic approach for load balancing the FP-growth algorithm on MapReduce, Array, 7, 100035.
4. Bardak, T., Avcı, Ö., Kayahan, K., Bardak, S. (2020). Data Mining Based Analysis of Traditional Store and Virtual Store Preference in the Purchase of Furniture, in: 6th International Conference on Science Culture and Sport, 645–652.
5. Chua, S. J., Wrigley, S., Hair, C., Sahathevan, R. (2021). Prediction of delirium using data mining: A systematic review, Journal of Clinical Neuroscience, 91, 288–298.
6. Currie, J., DellaVigna, S., Moretti, E., Pathania, V. (2010). The Effect of Fast Food Restaurants on Obesity and Weight Gain, American Economic Journal: Economic Policy, 2(3), 32–63.
7. Gadia, K., Bhowmick, K. (2015). Parallel Text Mining in Multicore Systems Using FP-tree Algorithm, Procedia Computer Science, 45, 111–117.
8. Karayılmazlar, S., Bardak, T., Avcı, Ö., Kayahan, K., Karayılmazlar, A. S., Çabuk, Y., Kurt, R., İmren, E. (2019). Determining the orientation in choosing furniture based on social media based on data mining algorithms: Twitter example, Türkiye Ormancılık Dergisi, 2019(4), 447–457.

9. Kaur, M., Kang, S. (2016). Market Basket Analysis: Identify the Changing Trends of Market Data Using Association Rule Mining, Procedia Computer Science, 85, 78–85.
10. Lee, G., Yun, U., Ryang, H. (2015). An uncertainty-based approach: Frequent itemset mining from uncertain data with different item importance, Knowledge-Based Systems, 90, 239–256.
11. Pereira, M. A., Kartashov, A. I., Ebbeling, C. B., Van Horn, L., Slattery, M. L., Jacobs, D. R., Ludwig, D. S. (2005). Fast-food habits, weight gain, and insulin resistance (the CARDIA study): 15-year prospective analysis, The Lancet, 365(9453), 36–42
12. Ristoski, P., Bizer, C., Paulheim, H. (2015). Mining the Web of Linked Data with RapidMiner, Journal of Web Semantics, Elsevier, 35, 142–151
13. Sato, Y., Izui, K., Yamada, T., Nishiwaki, S. (2019). Data mining based on clustering and association rule analysis for knowledge discovery in multiobjective topology optimization, Expert Systems with Applications, 119, 247–261.
14. Silva, J., Hernandez, L., Crissien, T., Pineda Lezama, O. B., Romero, J. (2019). Big Data Aplication for Selecting Theses Topics, Procedia Computer Science, 160, 538–542.
15. Wang, J., Cheng, Z. (2018). FP-Growth based Regular Behaviors Auditing in Electric Management Information System, Procedia Computer Science, 139, 275–279.
16. Zhang, C., Zhao, Y., Li, T., Zhang, X., Adnouni, M. (2021). Generic visual data mining-based framework for revealing abnormal operation patterns in building energy systems,” Automation in Construction, 125, 103624.
17. Burdurlu, E., İlçe, A. Ç., Ciritoğlu, H. H. (2004). Mobilya ürün özellikleri ile ilgili tüketicilerin tercih öncelikleri. HÜ Sosyolojik Araştırmalar e-Dergisi.
18. Çevik, O., Yiğit, A. M. (2011). Konjoint analizi ile ofis mobilyası tüketicilerinin tercihlerinin belirlenmesi. Karamanoğlu Mehmetbey Üniversitesi Sosyal ve Ekonomik Araştırmalar Dergisi, 2011(1), 105-110.