KARAR AĞAÇLARI İLE İNTERNET ALIŞVERİŞLERİNDE TÜKETİCİYİ ETKİLEYEN FAKTÖRLERİN ANALİZİ

Year 2021, Volume: 4 Issue: 2, 94 - 105, 30.12.2021

Burcu Özcan , Can Turna

https://doi.org/10.46238/jobda.882832

Cited By: 1

Abstract

Günümüzde giderek yaygınlaşan internet kullanımının beraberinde getirdiği elektronik ticaret pazarı hem üreticiler hem de tüketiciler açısından fırsat kaynağı olmuştur. İnternet üzerinden sunulan alışveriş imkânları ve günden güne güvenilirliğini kanıtlaması sonucunda tüketicilerin internet üzerinden alışverişi daha fazla tercih etmelerine sebep olmaktadır. Araştırmacılar bu noktada veri madenciliği yöntemlerini kullanarak tüketici davranışlarını incelemektedir. Veri madenciliği büyük veri tabanları içerisinden anlamlı, gizli kalmış ve önceden tahmin edilemeyen örüntüler ve kurallar keşfetme sürecidir. Yapılan çalışmada internet üzerinden gerçekleştirilen alışverişlerde tüketiciyi etkileyen faktörleri incelemek amacıyla cinsiyet, yaş ve aylık gelir durumu değişkenlerine bağlı olarak karar ağaçları oluşturulmuştur. Karar ağaçları, büyük veri tabanlarından belirli kalıplarda sınıflandırmalar yapmak ve tahminlerde bulunmak amacıyla kullanılan bir veri madenciliği yöntemidir. Uygulama sonucunda cinsiyet değişkeni için C5.0 Algoritması kullanılarak tüketiciler için en önemli faktörün tüketici yorumları olduğu sonucuna varılmıştır. Yaş değişkeni ve aylık gelir durumu değişkeni için ise C&R Tree Algoritması kullanılarak tüketiciler için en önemli faktörün ücretsiz kargo olduğu sonucuna varılmıştır.

Keywords

E-Ticaret, Alışveriş, Tüketici, Karar Ağaçları, Sürdürülebilirlik

ANALYSIS OF THE FACTORS AFFECTING THE CONSUMER IN ONLINE SHOPPING WITH DECISION TREES

Abstract

The electronic commerce market, brought about by the increasingly widespread internet usage,
has been a source of opportunity for both manufacturers and consumers. As a result of the
shopping opportunities offered on the internet and its reliability day by day, it causes consumers
to prefer shopping on the internet more. At this point, researchers examine consumer behavior
using data mining methods. Data mining is the process of discovering meaningful, hidden and
unpredictable patterns and rules from large databases. In the study, decision trees were created
depending on the variables of gender, age and monthly income in order to examine the factors
affecting the consumer in online shopping. Decision trees are a data mining method used to
classify certain patterns and make predictions from large databases. As a result of the
application, using the C5.0 Algorithm for the gender variable, it was concluded that the most
important factor for consumers is consumer comments. Using the C&R Tree Algorithm for age
variable and monthly income variable, it was concluded that the most important factor for
consumers is free shipping.

Keywords

E-Commerce, Shopping, Consumer, Decision Trees, Sustainability

References

• Ağaç, S., Dengi̇n Sevi̇ni̇r, S. ve Yılmaz, T. (2018). Online Giyim Alışverişinde Tüketicilerin Karşılaştıkları Sorunların Cinsiyet Değişkenine Göre İncelenmesi. Karadeniz Teknik Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Dergisi, 8 (15): 57-71.
• Akman, M. (2010). Veri Madenciliğine Genel Bakış ve Random Forests Yönteminin İncelenmesi: Sağlık Alanında Bir Uygulama. Yayınlanmamış Doktora Tezi. Ankara Üniversitesi, Ankara.
• Avunduk, H. ve Kızgın, M. (2020). Büyük Veri Ve Sürekli Denetimde Veri Analizi. Journal of Business in The Digital Age, 3 (1): 76-83.
• Baker, R.S.J.D. (2010). Data Mining For Education. International Encyclopedia Of Education, 7(3): 112-118.
• Bardak, T., Avcı, Ö., Kayahan, K. ve Bardak, S. (2018). "Mobilya Alımında Geleneksel Mağaza ile Sanal Mağaza Tercihinin Veri Madenciliğine Dayalı Analizi". M. Türkmen (Ed.), 6. Uluslararası Bilim, Kültür ve Spor Kongresi, 25-27 Nisan, ss.645-652, Lviv/Ukrayna.
• Bi̇lgi̇li̇er, H. (2019). Y Kuşağının İnternetten Alışverişe Yönelik Tutumları: Nicel Bir Araştırma. Erciyes İletişim Dergisi, 6 (1): 487-512.
• Brodley, C.E. ve Utgoff, P.E. (1995). Multivariate Decision Trees. Machine Learning, 19: 45–77
• Ching, W. K. ve Michael, K. P. 2002. Advances in Data Mining and Modeling, World Scientific, Hong Kong.
• Çalış, A., Kayapınar, S. ve Çeti̇nyokuş, T. (2014). Veri Madenciliğinde Karar Ağacı Algoritmaları İle Bilgisayar Ve İnternet Güvenliği Üzerine Bir Uygulama. Endüstri Mühendisliği Dergisi, 25 (3): 2-19.
• Demi̇r, E. ve Di̇nçer, S. (2020). Üretim Sektöründe Veri Madenciliği Uygulamaları: Literatür Taraması. Anadolu Üniversitesi İşletme Fakültesi Dergisi, 2 (1): 1-2. 
• Demi̇rel, Ş. ve Gi̇ray Yakut, S. (2019). Karar Ağacı Algoritmaları ve Çocuk İşçiliği Üzerine Bir Uygulama. Sosyal Bilimler Araştırma Dergisi, 8 (4): 52-65.
• Doğan, O. (2017). Türkiye’de Veri Madenciliği Konusunda Yapılan Lisansüstü Tezler Üzerine Bir Araştırma . Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19 (3) , 929-951.
• Emre, İ. ve Selçukcan Erol, Ç. (2017). Veri Analizinde İstatistik mi Veri Madenciliği mi?. Bilişim Teknolojileri Dergisi, 10 (2): 161-167.
• Eren, B. ve Gödekmerdan Önder, L. (2020). Z Kuşağı Tüketicilerin On-Line Alışverişe Yönelik Deneyimlerinin Belirlenmesi: Ankara Uygulaması. Bingöl Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (20): 203-228.
• Kolata, S. (2014). İnternet Üzerinden Alışveriş Ve İnternet Üzerinden Alışverişin Tüketici Eğilimleri Üzerindeki Etkisi. Yüksek Lisans Tezi, KTO Karatay Üniversitesi.
• Oğuzlar, A. (2010). CART Analizi İle Hanehalkı İşgücü Anketi Sonuçlarının Özetlenmesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18 (3-4): 79-90.
• Özden, A. ve Üner, T. (2019). İnternet Alışverişlerinde Tüketicilerin Etkileşim Düzeylerinin Belirlenmesi Üzerine Bir Araştırma. Abant Kültürel Araştırmalar Dergisi, 4 (8): 31-49.
• Özgüven, N. (2011). Tüketicilerin Online Alışverişe Karşı Tutumları İle Demografik Özellikleri Arasındaki İlişkinin Analizi. Karamanoğlu Mehmetbey Üniversitesi Sosyal Ve Ekonomik Araştırmalar Dergisi, 2011 (2): 47-54.
• Pehlivan, G. (2006). CHAID Analizi ve Bir Uygulama. Yayınlanmamış Yüksek Lisans Tezi. Yıldız Teknik Üniversitesi, İstanbul.
• Quınlan, J.R. (1986). Induction of Decision Trees. Machine Learning, 1: 81-106. Sayılı, M. ve Büyükköroğlu, A. (2013). E-Ticaret Yoluyla Gıda Maddeleri Satın Almaya Yönelik Tüketicilerin Tutumunu Etkileyen Faktörlerin Analizi. Journal of Agricultural Sciences, 18 (3): 246-255. 
• Sönmez, U. (2019) Online Alışverişe Yönelik Satın Alma Tarzlarının Kişilik Tipleri Açısından İncelenmesi: Sakarya İli Örneği. Yüksek Lisans Tezi, Sakarya Üniversitesi.
• Şeker, A. (2020). Çevrimiçi Alışveriş Yapan Tüketici Davranışlarına Yönelik Çevrimiçi Bir Araştırma. İşletme ve İktisat Çalışmaları Dergisi, 8 (2): 11-27.
• Witten, I.H., Frank, H., Hall, M.A. ve Pal, C.J. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Cambridge: Elsevier
• Yaslıdağ, B. ve Ferhadi̇, G. (2018). Tüketicilerin İnternet Üzerinden Satın Alma Davranışının İncelenmesi: Azerbaycan Örnekleri. Anadolu Bil Meslek Yüksekokulu Dergisi, 13 (50): 15-28.