ESTIMATION OF ONLINE PURCHASING INTENTION USING DECISION TREE

Abstract

It is very difficult to estimate consumer behavior due to different variables. There are also differences between the online consumer and the traditional ones. While there are studies for the prediction of purchasing behavior of online consumers, there is need for further studies with larger data including different features. Large data is difficult to obtain due to restrictions on private information and causes the analysis systems run for a long time. So, in this study, it is aimed to create a meaningful rule by estimating the purchasing behavior of online consumers with fewer data. After selecting the Fisher Score feature in a current and open database, training and test data were determined with K fold and a rule was created with Decision Tree. As a result, it can be suggested that it is possible to determine the purchasing behavior of online consumers with high accuracy by using a single feature.

Keywords

• Online Purchasing Intention,Artificial Intelligence,Fisher Feature Score Selection,Decision Tree,K-Fold

KARAR AĞACI KULLANARAK ÇEVRİMİÇİ SATIN ALMA NİYETİNİN TAHMİNİ

Abstract

Tüketici davranışlarını tahmin etmek çok fazla değişkene bağlı olması nedeniyle oldukça zordur. Aynı zamanda çevrimiçi tüketiciyle geleneksel tüketici arasında farklılıklar bulunmaktadır. Online tüketicilerin satın alma davranışını tahmine yönelik bir süredir çalışmalar olmakla birlikte çok sayıda özelliğe sahip büyük verilere ihtiyaç duyulmaktadır. Büyük verilerin, kişisel bilgilere yönelik kısıtlamalar nedeniyle elde edilmesi zor olmakta ve analiz sistemlerini uzun süre çalışmasına sebep olmaktadır. Bu bağlamda, çalışmada online tüketicilerin satın alma davranışını daha az veriyle tahmin ederek anlamlı bir kural oluşturmak amaçlanmıştır. Güncel ve açık bir veri tabanında Fisher skor özellik seçme yapıldıktan sonra K fold ile eğitim ve test verileri belirlenerek karar ağacı ile kural oluşturulmuştur. Sonuç olarak tek bir özellik kullanılarak çevrimiçi tüketicinin satın alma davranışının yüksek doğruluk oranıyla tespitinin mümkün olduğu görülmüştür. 

Keywords

• Çevrimiçi Satın Alma Niyeti,Yapay Zeka,Fisher Skor Özellik Seçme,Karar Ağacı,K-Katlamalı

References

1. Atsalakis, G. S., Atsalaki, I. G. ve Zopounidis, C. (2018). Forecasting the success of a new tourism service by a neuro-fuzzy technique. European Journal of Operational Research, 268(2), 716–727. doi:10.1016/J.EJOR.2018.01.044
2. Bolón-Canedo, V., Sánchez-Marono, N., Alonso-Betanzos, A., Ben\’\itez, J. M. ve Herrera, F. (2014). A review of microarray datasets and applied feature selection methods. Information Sciences, 282, 111–135.
3. Budak, H. (2018). Özellik Seçim Yöntemleri ve Yeni Bir Yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(Özel Sayı), 21–31. doi:10.19113/sdufbed.01653
4. Dutta, S., Shekhar, S. ve Wong, W. Y. (1994). Decision support in non-conservative domains: Generalization with neural networks. Decision Support Systems, 11(5), 527–544. doi:10.1016/0167-9236(94)90023-X
5. Gordini, N., Sanpaolo, I. ve Veglio, V. (2015). Customer relationship management and data mining : A classification decision tree to predict customer purchasing behavior in global market. doi:10.4018/978-1-4666-4450-2.ch001
6. Gu, Q., Li, Z. ve Han, J. (2012). Generalized fisher score for feature selection. arXiv preprint arXiv:1202.3725.
7. Gupta, R. ve Pathak, C. (2014). A Machine Learning Framework for Predicting Purchase by online customers based on Dynamic Pricing. Procedia - Procedia Computer Science, 36, 599–605. doi:10.1016/j.procs.2014.09.060
8. Guyon, I. ve Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of machine learning research, 3(Mar), 1157–1182.

9. Hoffman, D. L. ve Novak, T. P. (1996). Marketing in Hypermedia Computer-Mediated Environments: Conceptual Foundations. Journal of Marketing, 60(3), 50. doi:10.2307/1251841
10. How Page Value is calculated. (2019).Google. 12 Mart 2019 tarihinde https://support.google.com/analytics/answer/2695658?hl=en adresinden erişildi.
11. Huerta, E. B., Duval, B. ve Hao, J.-K. (2010). A hybrid LDA and genetic algorithm for gene selection and classification of microarray data. Neurocomputing, 73(13–15), 2375–2383.
12. King, M. A., Abrahams, A. S. ve Ragsdale, C. T. (2014). Ensemble methods for advanced skier days prediction. Expert Systems with Applications, 41(4 PART 1), 1176–1188. doi:10.1016/j.eswa.2013.08.002
13. Kohavi, R. (1995). The Power of Decision Tables. ECML.
14. Lee, S., Lee, S. ve Park, Y. (2007). A prediction model for success of services in e-commerce using decision tree : E-customer ’ s attitude towards online service, 33, 572–581. doi:10.1016/j.eswa.2006.06.005
15. Nam, K. ve Schaefer, T. (1995). Forecasting international airline passenger traffic using neural networks. The Logistics and Transportation Review, 31(3), 239–252.
16. Nielsen. (2013). Under The Influence: Consumer Trust in Advertising. www.nielsen.com/us/en/insights/news/2013/under-the-influence-consumer-trust-in-advertising.html adresinden erişildi.
17. Park, S. ve Huh, S. (2019). A Social Network-Based Inference Model for Validating Customer Profile Data, 36(4), 1217–1237.
18. Qiu, J., Lin, Z. ve Li, Y. (2015). Predicting customer purchase behavior in the e-commerce context. Electronic Commerce Research, 15(4), 427–452. doi:10.1007/s10660-015-9191-6
19. Reha Alpar. (2016). Spor, Sağlık ve Eğitim Bilimlerinden Örneklerle Uygulamalı İstatistik ve Geçerlik - Güvenirlik. Detay Yayıncılık. http://www.kitapyurdu.com/index.php?route=product/product&product_id=308595&gclid=EAIaIQobChMIzpPGzdet2QIVTrHtCh1CKQoOEAQYASABEgLTLfD_BwE adresinden erişildi.
20. Sakar, C. O., Polat, S. O., Katircioglu, M. ve Kastro, Y. (2018). Real-time prediction of online shoppers ’ purchasing intention using multilayer perceptron and LSTM recurrent neural networks. Neural Computing and Applications, 0. doi:10.1007/s00521-018-3523-0
21. Ucar, M. K. ve Topal, I. (2018). Rule-Based Determination of Chinese tourists to Turkey Opt Profile. 2018 Innovations in Intelligent Systems and Applications Conference (ASYU) içinde (ss. 1–4). IEEE. doi:10.1109/ASYU.2018.8553998
22. Vellido, A., Lisboa, P. J. G. ve Meehan, K. (2015). Quantitative Characterization and Prediction of On-Line Purchasing Behavior : A Latent Variable Approach Approach, 4415. doi:10.1080/10864415.2000.11518380