VERİ MADENCİLİĞİ İLE HAVA YOLU MÜŞTERİ DEĞERLENDİRMELERİNİN ANALİZİ: BİR KARAR AĞACI ALGORİTMASI ÖRNEĞİ
Abstract
Günümüzde hava yolu taşımacılığı, müşteri beklentilerinin artması ile doğru orantılı olarak büyüme ve gelişme göstermektedir. Hava yolu taşımacılığında artan ilgi ile hava yolu şirketleri müşteri kaybını önlemek için en iyi hizmeti vermek istemektedirler. Değişen pazarlama dünyası ile hava yolu şirketleri yeni çözümler üretmeye başlamışlardır. Bu çözüm yöntemlerinin başında gelen veri bilimi sayesinde hava yolu şirketleri kendilerini yenilemektedirler. Müşteri beklentilerine göre hava yollarının ne gibi hizmet faktörlerine dikkat etmesi ve bu hizmet faktörlerinin önem derecelerinin belirlenmesi son derece önemlidir. Araştırmanın amacı, Star Alliance kuruluşuna bağlı hava yolu şirketlerinin hizmet faktörlerini önem derecelerini belirlemektir. Bu tür bir problemin çözümünde TripAdvisor sitesinde yer alan müşteri değerlendirmelerine başvurulmuştur. Çalışmada Star Alliance’nin 26 hava yolu şirketi örnek alınmıştır. Elde edilen müşteri değerlendirme verileri kullanılarak veri madenciliği tekniklerinden Karar Ağaçları algoritması ile hava yolu hizmet faktörlerinin önem dereceleri belirlenmiştir. Karar Ağaçları algoritmasının kullanılmasında ‘bilgi kazancı oranı’ özelliğinden yararlanılmıştır. Çalışmanın sonucunda Türk Hava Yolu ile diğer hava yollarının sonuçları karşılaştırılmıştır.
Keywords
Veri Madenciliği, Karar Ağaçları, Hava Yolu, Bilgi Kazancı, Türk Hava Yolları
References
- Alexa, https://www.alexa.com/siteinfo/tripadvisor.com#section_traffic, Erişim Tarihi: 02.05.2020
- Aydilek, İ. B. (2018). Yazılım hata tahmininde kullanılan metriklerin karar ağaçlarındaki bilgi kazançlarının incelenmesi ve iyileştirilmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(5), 906-914.
- Barros, R. C., De Carvalho, A. C. ve Freitas, A. A. (2015). Automatic design of decision-tree induction algorithms. Springer International Publishing.
- Budak, İbrahim (2021). Veri ve Metin Madenciliği ile Hava Yolu İşletmelerinin Sosyal Medya Yorum ve Skorlarının Değerlendirilmesi, Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Yayımlanmamış Doktor Tezi, Denizli
- Cheng, C. P., & Chen, Q. (2010). Research of Applying the Method of Decision Tree Based on Information Gain Ratio to College Student's Employment Forecasting. Computer Simulation, 299-302.
- De Mántaras, R. L. (1991). A distance-based attribute selection measure for decision tree induction. Machine learning, 6(1), 81-92.
- Doğan, S. Z., Arditi, D., & Murat Günaydin, H. (2008). Using decision trees for determining attribute weights in a case-based model of early cost prediction. Journal of Construction Engineering and Management, 134(2), 146-152.
- Ghasemi, F., Neysiani, B. S., & Nematbakhsh, N. (2020, April). Feature Selection in Pre-Diagnosis Heart Coronary Artery Disease Detection: A heuristic approach for feature selection based on Information Gain Ratio and Gini Index. In 2020 6th International Conference on Web Research (ICWR), 27-32. IEEE.
- Gong, F., Jiang, L., Zhang, H., Wang, D., & Guo, X. (2020). Gain ratio weighted inverted specific-class distance measure for nominal attributes. International Journal of Machine Learning and Cybernetics, 1-10.
- Grąbczewski, K. (2014). Meta-learning in decision tree induction (Vol. 1). Springer International Publishing.