Reklam İzlenimi Sırasında Fizyolojik Parametrelerin Analizine Dayalı Tüketici Tercihlerinin Sınıflandırılması

Yıl 2024, Cilt: 40 Sayı: 2, 420 - 428, 31.08.2024

Eda Dağdevir

Öz

Son yıllarda nöropazarlama, tüketici davranışlarını anlamak için nörobilim yöntemlerini pazarlamaya entegre eden önemli bir strateji olarak ortaya çıkmıştır. Bu alanda, elektroensefalografi gibi beyin sinyali analiz yöntemleri ve vücut sıcaklığı, fotopletismografi, kardiyak ritim, elektro dermal aktivite, yüz ifadeleri gibi çeşitli fizyolojik ve fiziksel parametreler kullanılarak tüketici tercihleri analiz edilmektedir. Nöropazarlama, tüketicilerin ürün ve medya deneyimlerine verdikleri duyusal tepkileri analiz ederek, pazarlama stratejilerini anlamayı ve optimize etmeyi amaçlar. Bu çalışmada, "NeuroBioSense" veri seti kullanılarak 18-70 yaş arasındaki 58 katılımcıya, kozmetik ve moda, araba ve teknoloji, gıda ve market kategorilerine ait 35 reklamlar izletilirken toplanan; kalp hacmi basıncı, elektro dermal aktivite ve vücut sıcaklığı gibi fizyolojik parametreler farklı makine öğrenimi algoritmalarıyla sınıflandırılarak analiz edilmiştir. Sonuçlar, segmentasyon teknikleri kullanılarak çıkarılan kalp hacmi basıncı özniteliklerinin ham verilere göre daha yüksek sınıflandırma doğruluğu sağladığını göstermektedir. Özellikle SVM algoritması, diğer sınıflandırıcılara göre daha yüksek performans sergilemiştir. Bu çalışma, nöropazarlamada fizyolojik sinyallerin analizinin tüketici tercihlerini anlamada etkili bir yöntem olduğunu ortaya koymakta ve "NeuroBioSense" veri setini kullanacak araştırmacılara karşılaştırma olanağı sunmaktadır.

Anahtar Kelimeler

Nöropazarlama, Fizyolojik Sinyal, Sinyal İşleme, Sınıflandırma, Makine Öğrenimi

Kaynakça

• Aldayel, M., Ykhlef, M., Al-Nafjan, A. 2021. Recognition of consumer preference by analysis and classification EEG signals. Frontiers in Human Neuroscience. 14, 604639.
• Ceylan, B., TÜZÜN, S., Aydın, A. 2020. Detection of Consumer Preferences Using EEG Signals. International Journal of Applied Mathematics Electronics and Computers. 8 (4), 289–294.
• Aldayel, M., Ykhlef, M., Al-Nafjan, A. 2020. Deep learning for EEG-based preference classification in neuromarketing. Applied Sciences. 10 (4), 1525.
• Alsharif, A., Salleh, N.Z.M., Pilelienė, L., Abbas, A.F., Ali, J. 2022. Current Trends in the Application of EEG in Neuromarketing: A Bibliometric Analysis. Scientific Annals of Economics and Business. 69 (3), 393–415.
• Antiopi, P., Kalaitzi, E., Fidas, C.A. 2024. A Review on the Use of EEG for the Investigation of the Factors that Affect Consumer’s Behavior. Physiology & Behavior. 114509.
• Byrne, A., Bonfiglio, E., Rigby, C.,Edelstyn, N. 2022. A systematic review of the prediction of consumer preference using EEG measures and machine-learning in neuromarketing research. Brain Informatics. 9 (1), 27.
• Hammou, K.A., Galib, M.H.,Melloul, J. 2013. The contributions of neuromarketing in marketing research.
• Journal of management research. 5 (4), 20. Telpaz, A., Webb, R., Levy, D.J. 2015. Using EEG to predict consumers’ future choices. Journal of Marketing Research. 52 (4), 511–529.
• Morin, C. 2011. Neuromarketing: the new science of consumer behavior. Society. 48 (2), 131–135.
• Murugappan, M., Murugappan, S., Gerard, C. 2014. Wireless EEG signals based neuromarketing system using Fast Fourier Transform (FFT). içinde: 2014 IEEE 10th Int. Colloq. signal Process. its Appl., IEEE, ss. 25–30.
• Hakim, A., Klorfeld, S., Sela, T., Friedman, D., Shabat-Simon, M.,Levy, D.J. 2021. Machines learn neuromarketing: Improving preference prediction from self-reports using multiple EEG measures and machine learning. International Journal of Research in Marketing. 38 (3), 770–791.
• Soria Morillo, L.M., García, J.A.A., Gonzalez-Abril, L., Ramirez, J.A.O. 2015. Advertising liking recognition technique applied to neuromarketing by using low-cost EEG headset. içinde: Bioinforma. Biomed. Eng. Third Int. Conf. IWBBIO 2015, Granada, Spain, April 15-17, 2015. Proceedings, Part II 3, Springer, ss. 701– 709.
• Guixeres, J., Bigné, E., Ausin Azofra, J.M., Alcaniz Raya, M., Colomer Granero, A., Fuentes Hurtado, F. 2017. Consumer neuroscience-based metrics predict recall, liking and viewing rates in online advertising. Frontiers in psychology. 8 1808.
• Garczarek-Bąk, U. 2018. Explicit and implicit factors that determine private labels’ possible purchase: Eyetracking and EEG research. International Journal of Management and Economics. 54 (1), 36–49.
• Yadava, M., Kumar, P., Saini, R., Roy, P.P., Prosad Dogra, D. 2017. Analysis of EEG signals and its application to neuromarketing. Multimedia Tools and Applications. 76 19087–19111.
• Kocaçınar, B., İnan, P., Zamur, E.N., Çalşimşek, B., Akbulut, F.P., Catal, C. 2024. NeuroBioSense: A Multidimensional Dataset for Neuromarketing Analysis. Data in Brief. 110235.
• Murugappan, M., Nagarajan, R., Yaacob, S. 2011. EEG Sinyalleri Kullanarak İnsan Duygularını Sınıflandırmak için Mekansal Filtreleme ve Dalgacık Dönüşümünü Birleştirmek. Tıbbi ve Biyoloji Mühendisliği Dergisi. 31 (1), 45–51.
• Singh, A.K. Krishnan, S. 2023. ECG signal feature extraction trends in methods and applications. BioMedical Engineering OnLine. 22 (1), 22.
• Dagdevir, E., Tokmakci, M. 2021. Optimization of preprocessing stage in EEG based BCI systems in terms of accuracy and timing cost. Biomedical Signal Processing and Control. 67 102548.
• Altman, N.S. (1992) An introduction to kernel and nearest-neighbor nonparametric regression. The American Statistician. 46 (3), 175–185.
• Vapnik, V. 1995. Support-vector networks. Machine learning. 20 273–297.
• Breiman, L. 2001. Random forests. Machine learning. 45 5–32.