ENDÜSTRİ 4.0 IŞIĞINDA VERİ MADENCİLİĞİ VE PAZARLAMA: SON GELİŞMELER, YENİ TRENDLER

Öz

Endüstri 4.0 ile başlayan gelişmeler şirketlerin sadece üretim süreçlerinde değişmelere sebebiyet vermemiştir. Endüstri 4.0’ın, üretimi etkileyen bütün süreçlerin daha üretken, daha akıllı, müşterinin isteklerine daha hızlı uyarlanabilir, müşteriye tam istediği özelliklerde tam zamanında, kusursuz hizmet gibi hedefleri, diğer departmanların da değişime ayak uydurmasını zorunlu kılmıştır. Endüstri 4.0’dan önce de kullanılan, fakat günümüzde hepsinin ortak bir amaç için kullanıldığı Wifi, RFID, sensörler, POS cihazları vb. akıllı sistemler, şirketlerle alakalı her türlü veriyi üretim, satın alma lojistik, pazarlama, satış vb. süreçlerde toplanmaktadır. Bulut sistemlerde depolanan çok büyük boyutlu verilerin bilgiye nasıl dönüştürülebileceği hususunu önemli hale getirmiştir. Bu durum, Veri Bilimi alanının doğmasını ve kullanımının hızla yaygınlaşmasını beraberinde getirmiş, firmaların farklı departmanlarında Veri Bilimcisi istihdamını zorunlu kılmıştır. Günümüz işletmeleri, İşletme Zekâsı disiplini çerçevesinde küresel rekabete ayak uydurabilme açısından bilim ve teknoloji alanlarında yaşanan gelişmelere hızlıca adapte olmaktadır. İşletmeyle alakalı her türlü karar verme süreçlerini destekleyen İşletme Zekâsının içerisinde hali hazırda yer alan ve Büyük Veri Biliminin (Analitiği) alt kolları olan Veri Madenciliği, Metin Madenciliği, Makine Öğrenmesi ve Yapay Zeka gibi kavramlar sıkça başvurulan teknikler olmakla beraber, Endüstri 4.0’la birlikte önemleri daha da artmıştır. Bu çalışmada, özellikle Veri Madenciliği olmak üzere, Metin Madenciliği ve Makine Öğrenmesi tekniklerinin pazarlama alanındaki güncel uygulamaları, 2016 yılından günümüze kadar yapılmış çalışmaların ayrıntılı incelenmesi ile ortaya konulmaktadır. Yapılan literatür çalışmasında görülmüştür ki, bilgisayar bilimcileri tarafından geliştirilmekte olan farklı algoritmalar hızlıca farklı pazarlama uygulamalarında kullanılmaya başlamıştır

Anahtar Kelimeler

• Endüstri 4.0,Pazarlama,Veri Madenciliği,Metin Madenciliği,Makine Öğrenmesi

References

1. Azeem, M., Usman, M., Fong, A.C.M. (2017). A churn prediction model for prepaid customers in telecom using fuzzy classifiers. Telecommunication Systems, 66 (4), 603-614.
2. Backiel, A., Baesens, B., Claeskens, G. (2016). Predicting time-to-churn of prepaid mobile telephone customers using social network analysis. Journal of the Operational Research Society , 67(9), 1135-1145.
3. Boix, M.P., Moreno, J.L.M. (2018). A social model based on customers’ profiles for analyzing the churning process in the mobile market of data plans. Physica A: Statistical Mechanics and its Applications, 496, 571-592.
4. Cho, Y.C., Fu, P.W., Wu, C.C. (2017). Popular Research Topics in Marketing Journals, 1995–2014. Journal of Interactive Marketing, 40, 52-72.
5. Culotta, A. & Cutler, J. (2016). Mining Brand Perceptions from Twitter Social Networks. Marketing Science, 35(3),343-362.
6. Fu, X., Chen, X., Shi, Y.T., Bose, I., Cai,S. (2017). User segmentation for retention management in online social games. Decision Support Systems, 101, 51-68.
7. Gartner Group (2017). ”Advanced Technology Research Note 2017, https://www.gartner.com/technology/research/, 20.02.2018
8. Ghazavi, E., & Lotfi, M. M. (2016). Formulation of customers’ shopping path in shelf space planning: A simulation-optimization approach. Expert Systems with Applications, 55, 243-254.

9. Griva, A., Bardaki, C., Pramatari, K., & Papakyriakopoulos, D. (2018). Retail Business Analytics: Customer Visit Segmentation Using Market Basket Data. Expert Systems with Applications.
10. Kaneko, Y., & Yada, K. (2016). Fractal Dimension of Shopping Path: Influence on Purchase Behavior in a Supermarket. Procedia Computer Science, 96, 1764-1771.
11. Nakano, S., & Kondo, F. N. (2018). Customer segmentation with purchase channels and media touchpoints using single source panel data. Journal of Retailing and Consumer Services, 41, 142-152.
12. Qi, J., Zhang, Z., Jeon, S., Zhou, Y. (2016). Mining customer requirements from online reviews: A product improvement perspective. Information & Management, 53 (8), 951-963.
13. Rodrigues, F., & Ferreira, B. (2016). Product recommendation based on shared customer's behavior. Procedia Computer Science, 100, 136-146.
14. Tanaka, T., Hamaguchi, T., Saigo, T., & Tsuda, K. (2017). Classifying and Understanding Prospective Customers via Heterogeneity of Supermarket Stores. Procedia Computer Science, 112, 956-964.
15. Tsai, C. Y., Li, M. H., & Kuo, R. J. (2017). A shopping behavior prediction system: Considering moving patterns and product characteristics. Computers & Industrial Engineering, 106, 192-204.
16. Vidden, C., Vriens, M., & Chen, S. (2016). Comparing clustering methods for market segmentation: A simulation study. Applied Marketing Analytics, 2(3), 225-238.
17. Vincent, O. R., Makinde, A. S., Salako, O. S., & Oluwafemi, O. D. (2018). A self-adaptive k-means classifier for business incentive in a fashion design environment. Applied Computing and Informatics, 14(1), 88-97.
18. Weng, C. H. (2016). Identifying association rules of specific later-marketed products. Applied Soft Computing, 38, 518-529.