Web Madenciliği Kullanılarak Yatak ve Oturma Odası Mobilya Grup-larında Tüketicilerin Olumsuz Deneyimlerinin Analizi

Öz

Müşteri şikâyetleri ürün/hizmet sorunlarını, müşterilerin olumsuz deneyimlerini tespit etmeye ve müşter-ileri daha iyi anlamaya yardımcı olan değerli bir veri kaynağıdır. Analizlerde web madenciliği kullanılmıştır. Web madenciliği temelde tüketiciler ve tüketicilerin pazar eğilimleri hakkındaki bilgileri bulmaya yardımcı olan bir alandır. Doğru ve güvenilir bilgi, her endüstri için kritik bir konu haline dö-nüşmüştür. Firmalar web madenciliği teknikleri ile elde edilen anlamlı bilgiler sayesinde daha doğru kararlar alabilmektedir. Bu çalışmada, üçüncü parti bir şikâyet platformunda yatak ve oturma odası mo-bilya gruplarına yönelik şikâyetleri değerlendirerek öne çıkan sorunlar belirlenmiştir. Yatak ve oturma odası mobilya gruplarında tüketici olumsuz deneyimleri Rapidminer yazılımı ile elde edilmiş ve web madenciliği ile değerlendirilmiştir. Bu amaçla günlük hayatta yaygın olarak kullanılan yatak ve oturma odası mobilya grupları seçilmiş her iki grup içinde ayrı ayrı web ve metin madenciliği kullanılarak kelime bulutları oluşturulmuştur. Bu sayede yatak ve oturma odası mobilya grupları için yapılan yorumlar bulunan anahtar sözcükler görselleştirilmiştir. Yapılan çalışma sonuçlarına göre her iki grupta “teslim” ile ilgili yorumlar öne çıkmıştır.

Anahtar Kelimeler

• Müşteri şikayeti
• oturma odası mobilyası
• yatak odası mobilyası

Analysis of Consumers’ Negative Experiences in Bedroom and Living Room Furniture Groups Using Web Mining

Öz

Customer complaints are a valuable source of data that helps to identify product/service problems, customers' negative experiences and to better understand customers. Web mining was used in the analysis. Web mining is basically a field that helps to find information about consumers and their market trends. Accurate and reliable information has become a critical issue for every industry. Firms can make better decisions with meaningful information obtained through web mining techniques. In this study, prominent problems were identified by evaluating complaints about bed and living room furniture groups on a third-party complaint platform. Consumer negative experiences in bed and living room furniture groups were obtained with Rapidminer software and evaluated with web mining. For this purpose, bed and living room furniture groups, which are widely used in daily life, were selected and word clouds were created for both groups separately by web and text mining. In this way, keywords in the comments on bed and living room furniture groups were visualized. According to the results of the study, comments related to "delivery" were prominent in both groups.

Anahtar Kelimeler

• Customer complaint
• living room furniture
• bedroom furniture

Kaynakça

1. Akyüz, İ., Ersen, N., Berber, N., ve Özdemir T. (2021). Mutfak Dolabı Satın Almada ve Kullanımında Tüketici Davranışlarının Araştırılması (Trabzon ili Örneği). Turkish Journal of Forest Science, 5(2), 288-295.
2. Akyüz, İ., ve Ersen, N. (2017). İstanbul İlinde Faaliyet Gösteren Orman Ürünleri İşletmelerinde Müşteri İlişkileri Yönetimi Yöntemleri ve Sonuçları. Düzce Üniversitesi Orman Fakültesi Ormancılık Dergisi, 13(1), 51-59.
3. Arslan, A.R., Sönmez, A. ve Burdurlu, E. (2010). Tüketicilerin Kullandıkları Döşemeli Mobilyalar ile İlgili Şikayetlerin Belirlenmesi. Politeknik Dergisi, 13(4), 295-304.
4. Bardak, T., ve Sözen, E. (2021). Mobilya üretimde kullanılan farklı malzemelerin web madenciliği yöntemleri ile değerlendirilmesi. Mobilya ve Ahşap Malzeme Araştırmaları Dergisi, 4(2), 103–113. https://doi.org/10.33725/mamad.984906.
5. Beunza, J.-J., Puertas, E., García-Ovejero, E., Villalba, G., Condes, E., Koleva, G., Hurtado, C. and Landecho, M. F. (2019). Comparison of machine learning algorithms for clinical event predic-tion (risk of coronary heart disease). Journal of Biomedical Informatics, 97, 103257. https://doi.org/https://doi.org/10.1016/j.jbi.2019.103257.
6. Cıranoğlu, M. (2018). The impact of after sale services on product’s percieved value in furniture sec-tor and a field study in İnegöl/Bursa. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(3), 783-796
7. Çabuk, Y., Karayılmazlar, S. and Türedi, H. (2012). A study on evaluatıon of after sales servıces ın the furnıture sector (sample, cıty of zonguldak, turkey). Bartın Orman Fakültesi Dergisi, 14(22), 1-11.
8. Dağsuyu, C., Buçe Dere, E. ve Kokangül, A. (2016). AHP-WRA Bütünleşik Yöntemi Kullanılarak Mobilya Sektöründe müşteri Şikayetlerinin Değerlendirilmesi. Çukurova Üniversitesi Mühendis-lik Mimarlık Fakültesi Dergisi, 31(2), 129-137.

9. Gräbner, D., Zanker, M., Fliedl, G. and Fuchs, M. (2012). Classification of customer reviews based on sentiment analysis. In Information and communication technologies in tourism, 2012 (pp. 460-470). Springer, Vienna.
10. Karayılmazlar, S., Bardak, T., Avcı, Ö., Kayahan, K., Karayılmazlar, A. S., Çabuk, Y., Kurt, R. ve İmren, E. (2019). Determining the orientation in choosing furniture based on social media based on data mining algorithms: Twitter example. Turkish Journal of Forestry, 2019(4), 447–457. https://doi.org/10.18182/tjf.609967.
11. Kasapoğlu, C. ve Kayahan, K. (2023). Ofis Mobilyalarında Çevrim İçi Müşteri Şikâyetlerinin Değer-lendirilmesi. Bartın Orman Fakültesi Dergisi, 25(1), 58-70.
12. Lee, S. and Cude, B. J. (2012). Consumer complaint channel choice in online and offline purchases. International Journal of Consumer Studies, 36(1), 90-96. https://doi.org/10.1111/j.1470-6431.2010.00992.x.
13. Long, K. (2004). “Customer loyalty and experience design in e-business,” DesignManagement Review 22(16), 60-67. https://doi.org/10.1111/j.1948-7169.2004.tb00163.x.
14. Naik, A. and Samant, L. (2016). Correlation Review of Classification Algorithm Using Data Mining Tool: WEKA, Rapidminer, Tanagra, Orange and Knime. Procedia Computer Science, 85, 662–668. https://doi.org/10.1016/J.PROCS.2016.05.251
15. Oliveira, C., Guimarães, T., Portela, F. and Santos, M. (2019). Benchmarking Business Analytics Techniques in Big Data. Procedia Computer Science, 160, 690–695. https://doi.org/https://doi.org/10.1016/j.procs.2019.11.026.
16. Ristoski, P., Bizer, C. and Paulheim, H. (2015). Mining the Web of Linked Data with RapidMiner. Jo-urnal of Web Semantics, 35, 142–151. https://doi.org/https://doi.org/10.1016/j.websem.2015.06.004
17. Söğütlü, C., Çınar, H. ve Uluada, R. S. (2016). Ofis mobilyası üretiminde sorunlar ve çözüm önerileri. Mugla Journal of Science and Technology, 2(2), 9-9.
18. Sun, B. and Li, S., (2011), Learning and Acting on Customer Information: A Simulation-based De-monstration on Service Allocations with Offshore Centers. Journal of Marketing Research, 48 (1), 72-86.
19. Taboada, M., Julian B., Milan T., Kimberly V. and Manfred S. (2011), ‘Lexicon-based Methods for Sentiment Analysis. Computational Linguistics, 37 (2), 267-307.
20. Tsytsarau, M. and Palpanas, T. (2012). Survey on mining subjective data on the web. Data Mining and Knowledge Discovery, 24, 478-514.
21. Usta, R. (2006), “Mobilya Sektöründe Tüketici Tatmini ve Şikâyet Davranışı: Karabük İlinde Bir Araş-tırma”. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 8(1), 121-138.
22. Yazıcı, C.B. (2015). Mobilya Endüstrisinde Tüketici Şikayetleri ve Analizi: Artvin İli Örneği. Yüksek Lisans Tezi, Artvin Çoruh Üniversitesi Fen Bilimleri Enstirüsü, Artvin.
23. Zhang, S., Zhu, J., Wang, G., Reng, S. and Yan, H. (2022). Furniture Online Consumer Experience: A Literature Review. BioResources, 17(1).