Veri Madenciliği Yöntemleri ile Türkiye’de Fertlerin E-Ticaret Kullanımını Etkileyen Faktörlerin Analizi

Öz

Günümüzde e-ticaret kullanımının giderek yaygınlaşması ile işletmeler açısından internet üzerinden satış giderek daha fazla önemli olmaktadır. E-ticaretin kullanımındaki bu artış tüketicilerin e-ticaret kullanımını etkileyen faktörlerin neler olabileceği sorusunu da beraberinde getirmektedir. Bu çalışmada Türkiye’de fertlerin e-ticaret kullanım sıklıklarını etkileyen özellikler veri madenciliği yönetimlerinden karar ağaçları ve Destek Vektör Makineleri (DVM) algoritmaları ile analiz edilmiş ve yorumlanmıştır. Ayrıca e-ticaret kullanımını etkileyen değişkenlerden yararlanarak fertlerin e-ticaret kullanım sıklıklarını tahminleyici sınıflandırma modeli tasarlanmıştır. Çalışmanın bulgularına göre CHAID, C&R Tree ve QUEST algoritmalarında e-ticaret kullanımını etkileyen en önemli değişken son üç ay içinde özel kullanım amacıyla internet üzerinden mal veya hizmet satın alım sayısı olarak saptanmıştır. CHAID ve QUEST algoritmalarında ikinci sırada e-ticaret kullanımını etkileyen en önemli değişken yaş olurken C&R Tree algoritmasında son üç ay içinde özel amaçla (mobil uygulamalar dahil) E-posta gönderme/alma değişkeni olmuştur. E-ticaret kullanım sıklığı tahmini için en iyi sınıflandırma sonucunu %86,19 doğruluk oranı ile CHAID algoritması vermiştir.

Anahtar Kelimeler

• Veri madenciliği
• e-ticaret
• karar ağaçları

Analysis of Factors Affecting Individuals' E-Commerce Use in Turkey Using Data Mining Methods

Öz

Nowadays, with the widespread use of e-commerce, online sales are becoming more and more important for businesses. This increase in the use of e-commerce brings with it the question of what factors may affect the use of e-commerce by consumers. In this study, the features that affect the e-commerce usage frequency of individuals in Turkey are analyzed with decision trees and Support Vector Machine (SVM) algorithms and interpreted. In addition, a classification model has been designed to predict e-commerce usage frequency of individuals by using variables that affect e-commerce usage. According to the results of the study, the most important variable which affects the e-commerce usage frequency in CHAID, C&R Tree and QUEST algorithms has been determined as the number of purchases of goods or services over the internet for private use in the last three months. While variable of age has been the second most important variable in CHAID and QUEST algorithms, the variable of sending/receiving e-mails for special purposes (including mobile applications) in the last three months has been the second most important variable in the C&R Tree. For e-commerce usage frequency estimation, the CHAID algorithm has given the best classification result with an accuracy rate of 86.19%.

Anahtar Kelimeler

• Data Mining
• e-commerce
• decision trees

Kaynakça

1. Adekitan, A. I. ve Salau, O. (2019). The Impact of Engineering Students’ Performance in the First Three Years on Their Graduation Result Using Educational Data Mining. Heliyon, 5(2), 1250.
2. 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).
3. Alkan, Ö. ve Güney, E. (2019). TRA1 Bölgesinde E-Ticaret Kullanımını Etkileyen Faktörlerin Araştırılması. Hoca Ahmet Yesevi 2. Uluslararası Bilimsel Araştırmalar Kongresi 6-8 Aralık 2019 ERZURUM.
4. Aslam, W., Hussain, A., Farhat, K. ve Arif, I. (2020). Underlying Factors Influencing Consumers’ Trust and Loyalty in E-Commerce. Business Perspectives and Research, 8(2), 186-204.
5. Basarir-Ozel, B., ve Mardikyan, S. (2017). Factors Affecting E-commerce Adoption: A Case of Turkey. The International Journal of Management Science and Information Technology (IJMSIT), 23, 1-11.
6. Baubonienė, Ž. ve Gulevičiūtė, G. (2015). E-Commerce Factors Influencing Consumers ‘Online Shopping Decision. Social Technologies, 5(1), 62-73.
7. Beg, S., Rafiq, M. ve Siala, H. (2018). The Effect of Customer Reciprocity on E-Loyalty through Relationship Quality: An International Perspective. The Business & Management Review, 9(3), 20–20.
8. Biggs, D. Ville, D. B. ve Suen, E. (1991). A Method of Choosing Multi-Way Partitions for Classification and Decision Trees. Journal of Applied Statistics, 18(1), 49-62.

9. Breiman, L. Friedman, J. H. Olshen, R. A. ve Stone, C. J. (1998) Classification and Regression Trees, Florida: CRC Press.
10. Burges, J. C. (1998). A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery, 2(2), 121-167.
11. Campbell, C. ve Ying, Y. (2011). Learning with Support Vector Machines, Williston: Morgan Claypool Publishers.
12. Cortes, C. ve Vapnik, V. (1995). Support-Vector Networks. Machine Learning, 20(2), 273-297.
13. Çelik, E. Atalay, M. ve Bayer, H. (2014). Yapay Sinir Ağları ve Destek Vektör Makineleri ile Deprem Tahmininde Sismik Darbelerin Kullanılması. 2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014).
14. Doğan, N. ve Özdamar, K. (2003). CHAID Analizi ve Aile Planlaması ile İlgili Bir Uygulama. Türkiye Klinikleri Tıp Bilimleri Dergisi, 23(5), 392-397.
15. Elder, R. J. ve Miner, G. (2009). Handbook of Statistical Analysis and Data Mining Applications. Burlington: Academic Press.
16. Emel, G. G. ve Taşkın, Ç. (2005). Veri Madenciliğinde Karar Ağaçları ve Bir Satış Analizi Uygulaması. Sosyal Bilimler Dergisi, 6(2).
17. Floares, A. A. (2012). Birlutiu. Decision Tree Models for Developing Molecular Classifiers for Cancer Diagnosis. WCCI 2012 IEEE World Congress on Computational Intelligence June, 10-15.
18. Friedrichs, F. ve Igel, C. (2005). Trends in Neurocomputing. The 12th European Symposium on Artificial Neural Networks, (64), 107-117.
19. Frohlich, H. ve Zell, A. (2005). Efficient Parameter Selection for Support Vector Machines. IEEE International Joint Conference on Neural Networks, (3), 1431-1436.
20. Goel, R. (2007). E-commerce. New Delhi: New Age International.
21. Guo, X., Ling, K. C. ve Liu, M. (2012). Evaluating Factors Influencing Consumer Satisfaction Towards Online Shopping in China. Asian Social Science, 8(13), 40
22. Hany, A. ve Alaa, M. (2013). Bank Direct Marketing Based on Neural Network and C5.0 Models. International Journal of Engineering and Advanced Technology (IJEAT), 2(6), 2249-8958.
23. Haykin, S. Networks, N. (1999). A Comprehensive Foundation. New Jersey: Prentice-Hall.
24. Kagnicioglu, C. H. ve Mogol, M. (2014). Implementation of CHAID Algorithm: A Hotel Case. International Journal of Research in Business and Social Science, 3(4), 42-51.
25. Kass, G. V. (1980). An Exploratory Technique for Investigating Large Quantities of Categorical Data. Applied Statistics, 29(2), 119-127.
26. Kayri, M. ve Boysan, M. (2007). Araştırmalarda CHAID Analizinin Kullanımı ve Baş Etme Stratejileri ile İlgili Bir Uygulama. Journal of Ankara University Faculty of Educational Sciences, 40(2), 133-149.
27. Khraisat, A. Gondal, I. Vamplew, P. Kamruzzaman, J. ve Alazab, A. (2020). Hybrid Intrusion Detection System Based on the Stacking Ensemble of C5 Decision Tree Classifier and One Class Support Vector Machine. Electronics, 9(173), 10.
28. Köse, U. Güraksın, G. E. ve Deperlioğlu, Ö. (2015). Diabetes Determination via Vortex Optimization Algorithm Based Support Vector Machines. In 2015 Medical Technologies National Conference (TIPTEKNO), 1-4.
29. Lim, T. S. Loh, W. Y. ve Shih, Y. S. (2000). A Comparison of Prediction Accuracy, Complexity, and Training Time of Thirty-Three Old and New Classification Algorithms. Machine Learning Journal, (40), 203-228.
30. Loh, W. Y. ve Shih, Y. S. (1997). Split Selection Methods for Classification Trees. Statistica sinica, 7(4), 815-840.
31. Muthusamy, S. M. Ramachandran, K. I. Sugumaran, V. ve Sakthivel, N. (2011). Multi Component Fault Diagnosis of Rotational Mechanical System Based on Decision Tree and Support Vector Machine. Expert Syst, 38(4), 3819-3826.
32. Nguyen, Q. H., Ly, H. B., Ho, L. S., Al-Ansari, N., Le, H. V., Tran, V. Q., ... ve Pham, B. T. (2021). Influence of Data Splitting on Performance of Machine Learning Models in Prediction of Shear Strength of Soil. Mathematical Problems in Engineering, 2021.
33. Otukei, J. R. ve Blaschke, T. (2010). Land Cover Change Assessment Using Decision Trees, Support Vector Machines and Maximum Likelihood Classification Algorithms. International Journal of Applied Earth Observation and Geoinformation, 12, 27-31.
34. Pham, H. (2006). Springer Handbook of Engineering Statistics. London: Springer.
35. Qabbaah, H. Sammour, G. Vanhoof, K. Voronin, A. Ziatdinov, Y. Aslanyan, L. ve Honchar, A. (2019). Decision Tree Analysis to Improve E-Mail Marketing Campaigns. International Journal of Information Theories and Applications, 26(4), 3-36.
36. Saimurugan, M., Ramachandran, K. I., Sugumaran, V. ve Sakthivel, N. R. (2011). Multi Component Fault Diagnosis of Rotational Mechanical System Based on Decision Tree and Support Vector Machine. Expert Systems with Applications, 38(4), 3819-3826.
37. Sayılı, M. ve Büyükköroğlu, A. (2012). E-Ticaret Yoluyla Gıda Maddeleri Satın Almaya Yönelik Tüketicilerin Tutumunu Etkileyen Faktörlerin Analizi. Journal of Agricultural Sciences, 18 (3), 246-255 . DOI: 10.1501/Tarimbil_0000001212
38. Silahtaroğlu, G. (2013). Veri Madenciliği Kavram ve Algoritmaları. İstanbul: Papatya Yayınevi.
39. Smola, A.J. (1996). Regression Estimation with Support Vector Learning Machines. (Master’s Thesis). Technische Universität München, Germany.
40. Thanasankit, T. (Ed.). (2003). E-commerce and Cultural Values. Hershey: Idea Group Publishing.
41. Tokatli, M. F. ve Kurt, I. (2009). Using Kaplan–Meier Analysis Together with Decision Tree Methods (C&RT, CHAID, QUEST, C4.5 And ID3) in Determining Recurrence-Free Survival of Breast Cancer Patients. Expert Systems with Applications, 36(2), 2017-2026.
42. Türen, U., Gökmen, Y. ve Tokmak, İ. (2011). Türkiye’de E-Ticaret İşlem Hacmini Etkileyen Faktörler Üzerine Bir Araştırma: Bir Model Önerisi. Savunma Bilimleri Dergisi, 10(1), 49-71.
43. Türkiye Cumhuriyeti Ticaret Bakanlığı (2022), “2021 Yılı E-Ticaret Verileri Açıklandı”, https://www.eticaret.gov.tr/haberler/10040/detay#:~:text=2021%20y%C4%B1l%C4%B1nda%20%C3%BClkemizde%20e%2Dticaret,%17%2C7%20olarak%20ger%C3%A7ekle%C5%9Fti, (08.04.2022).
44. Vapnik, V. N. (1998). Statistical Learning Theory. New York: John Wiley & Sons.
45. Yaman, B., Geçgil, G. ve Yavuz, G. (2018). Elektronik Ticaret ve Mobil Ticaret Üzerine Bir İnceleme: Meta-Analiz Çalışması. R&S-Research Studies Anatolia Journal, 1(2), 142-153.
46. Yılmaz, Ö. ve Bayram, O. (2020). COVID-19 Pandemi Döneminde Türkiye’de E-Ticaret ve E-İhracat. Kayseri Üniversitesi Sosyal Bilimler Dergisi, 2(2), 37-54.