BibTex RIS Kaynak Göster

ONLİNE ALIŞVERİŞ DAVRANIŞLARININ SATIN ALMA NİYETİNE ETKİSİNİN KARAR AĞACI İLE HARİTALANDIRILMASI

Yıl 2019, Sayı: 21, 350 - 360, 01.08.2019

Öz

Teknoloji hem insanları hem de olanakları değiştirmektedir. Hem mal ve hizmetler, hem de onlara ulaşma şekilleri değişmektedir. Gelişen teknoloji ticaretin en büyük kısıtı olan zaman ve mekan engellerini ortadan kaldırmıştır. Müşteriler 7/24 satın alma işlemi gerçekleştirmektedir. Bu durum ticaret hacmini büyük oranda arttırmıştır. Firmaların artan ticaret hacmiyle doğru orantılı bir büyüme yakalayabilmeleri için müşterilerine özel promosyonlar sunmaları gerekmektedir. Bu türde çözümler veri madenciliği teknikleri ile belirlenebilir. Bu çalışma ile 12330 adet online alışveriş verisi incelenmiştir. İncelenen verilere sınıflandırıcı veri madenciliği algoritmaları uygulanmıştır. Gerçekleştirilen uygulama sonucunda müşterilerin satın alma davranışını etkileyen en önemli değişkenler; ziyaret edilen ürün bilgilendirme sayfa sayısı, ziyaret edilen ay, ziyaretçinin önceki alışveriş davranışı olarak tespit edilmiştir. Sınıflandırma işlemi sonrasında, ürünlerle ilgili bilgilendirici sayfa sayısının artmasının olumlu bir etkisi olacağı görülmüştür. Özel günler ve hafta sonu gibi dönemler için kampanyalar düzenlemenin önemli olduğu görülmektedir. Ayrıca tahmin edici veri madenciliği uygulamaları kullanılarak müşterilere mayıs ve ekim aylarında özel teklifler sunulması gerektiği görülmüştür.

Kaynakça

  • Akçi, Y. ve Annaç Göç, S. (2015). Tüketicilerin E-Ticaret Algılarının İncelenmesi (Gaziantep ve Adıyaman Örneği). Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 1(13).
  • Alfian, G., Ijaz, M. F., Syafrudin, M., Syaekhoni, M. A., Fitriyani, N. L. and Rhee, J. (2018).
  • Customer behavior analysis using real-time data processing A case study of digital signage- based online stores, Asia Pacific Journal of Marketing and Logistics, 31(1), 265-290. Budnikas G (2015) Computerised recommendations on e-transaction Şnalisation by means of machine learning. Stat Transit New Ser 16(2):309–322.
  • Can, Ş. (2017). Veri Madenciliği Ve Eğitim Sektöründe Bir Uygulama. Yüksek Lisans Tezi, Ma- nisa Celal Bayar Üniversitesi Sosyal Bilimler Enstitüsü.
  • Chou, D. C. (2001). Integrating TQM into E-Commerce. Information Systems Management, 18 (4).
  • Downing, R. E. (2006). The Benefits and Obstacles of E-Commerce: Toward an Understanding of Adoption,Journal of Internet Commerce, 5 (2).
  • Ozer, M. ve Cebeci, U. (2019). Affective design using big data within the context of online shopping. Journal of Engineering Design, 1466-1837.
  • Sakar, C.O., Polat, S.O., Katırcıoğlu, 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.
  • Soysal, H. (2006). Küçük Ve Orta Büyüklükteki İşletmelerde E-Ticaret, Selçuk Üniversitesi Sos- yal Bilimler Enstitüsü Dergisi, 15, 539-552.
  • Suchacka G, Chodak G (2017) Using association rules to assess purchase probability in online stores. IseB 15(3):751–780.
  • Şahin, E. ve Kaya, F. (2019). Tüketiciden Tüketiciye E-Ticaret Olanağı Sağlayan Web Sitelerinin
  • Deneyimsel Pazarlama Faaliyetlerinin Tüketicilerin Plansız Satın Alma Davranışlarına ve Tat- minlerine Etkisi: Konya İli Örneği. Selçuk Ün. Sos. Bil. Ens. Der. 41. Şekeroğlu, S. (2010). Hizmet Sektöründe Bir Veri Madenciliği Uygulaması. (Yayınlanmamış
  • Yüksek Lisan Tezi). İstanbul: İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü. Yanga, J., Sarathyb, R. ve Lee, J. (2016). The effect of product review balance and volume on online Shoppers' riskperception and purchase intention, Desicion Support System, 89, 66-76.

MAPPING THE EFFECT OF ONLINE SHOPPING BEHAVIORS ON THE INTENTION OF PURCHASING USING DECISION TREE

Yıl 2019, Sayı: 21, 350 - 360, 01.08.2019

Öz

Technology changes both people and opportunities. Both goods and services and the way they reach them change. Developing technology has eliminated time and space barriers which are the biggest constraints of trade. Customers can purchase 24/7. This situation greatly increased the trade volume. Companies need to offer special promotions to their customers in order to achieve a growth which is directly proportional to the increasing trade volume. Such solutions can be determined by data mining techniques. In this study, 12330 online shopping data were analyzed and data mining classification algorithm was applied to the analyzed data. As a result, it was found that the most important variables affecting the purchasing behavior of the customers are the number of product information pages visited, the month visited, the previous shopping behavior of the visitor. After the classification process, it was seen that increasing the number of informative pages about the products would have a positive effect. In additon, it was found that it is important to organize campaigns for special days and weekends. Furthermore, it was detected that special offers should be presented to customers in May and October by using predictive data mining practices.

Kaynakça

  • Akçi, Y. ve Annaç Göç, S. (2015). Tüketicilerin E-Ticaret Algılarının İncelenmesi (Gaziantep ve Adıyaman Örneği). Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 1(13).
  • Alfian, G., Ijaz, M. F., Syafrudin, M., Syaekhoni, M. A., Fitriyani, N. L. and Rhee, J. (2018).
  • Customer behavior analysis using real-time data processing A case study of digital signage- based online stores, Asia Pacific Journal of Marketing and Logistics, 31(1), 265-290. Budnikas G (2015) Computerised recommendations on e-transaction Şnalisation by means of machine learning. Stat Transit New Ser 16(2):309–322.
  • Can, Ş. (2017). Veri Madenciliği Ve Eğitim Sektöründe Bir Uygulama. Yüksek Lisans Tezi, Ma- nisa Celal Bayar Üniversitesi Sosyal Bilimler Enstitüsü.
  • Chou, D. C. (2001). Integrating TQM into E-Commerce. Information Systems Management, 18 (4).
  • Downing, R. E. (2006). The Benefits and Obstacles of E-Commerce: Toward an Understanding of Adoption,Journal of Internet Commerce, 5 (2).
  • Ozer, M. ve Cebeci, U. (2019). Affective design using big data within the context of online shopping. Journal of Engineering Design, 1466-1837.
  • Sakar, C.O., Polat, S.O., Katırcıoğlu, 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.
  • Soysal, H. (2006). Küçük Ve Orta Büyüklükteki İşletmelerde E-Ticaret, Selçuk Üniversitesi Sos- yal Bilimler Enstitüsü Dergisi, 15, 539-552.
  • Suchacka G, Chodak G (2017) Using association rules to assess purchase probability in online stores. IseB 15(3):751–780.
  • Şahin, E. ve Kaya, F. (2019). Tüketiciden Tüketiciye E-Ticaret Olanağı Sağlayan Web Sitelerinin
  • Deneyimsel Pazarlama Faaliyetlerinin Tüketicilerin Plansız Satın Alma Davranışlarına ve Tat- minlerine Etkisi: Konya İli Örneği. Selçuk Ün. Sos. Bil. Ens. Der. 41. Şekeroğlu, S. (2010). Hizmet Sektöründe Bir Veri Madenciliği Uygulaması. (Yayınlanmamış
  • Yüksek Lisan Tezi). İstanbul: İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü. Yanga, J., Sarathyb, R. ve Lee, J. (2016). The effect of product review balance and volume on online Shoppers' riskperception and purchase intention, Desicion Support System, 89, 66-76.
Toplam 13 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Research Article
Yazarlar

Şengül Can Bu kişi benim

Mustafa Gerşil Bu kişi benim

Yayımlanma Tarihi 1 Ağustos 2019
Yayımlandığı Sayı Yıl 2019 Sayı: 21

Kaynak Göster

APA Can, Ş., & Gerşil, M. (2019). ONLİNE ALIŞVERİŞ DAVRANIŞLARININ SATIN ALMA NİYETİNE ETKİSİNİN KARAR AĞACI İLE HARİTALANDIRILMASI. Kesit Akademi Dergisi(21), 350-360.