DEMOGRAFİK ÖZELLİKLERİN ÇEVRİMİÇİ MARKET ALIŞVERİŞİ KULLANIMINA ETKİSİNİN MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE TAHMİNİ

Abstract

Çevrimiçi market alışverişi hizmeti sağlayan firmaların ürün satışlarını arttırmak ve yeni müşteriler elde etmek amacıyla hayata geçirdikleri birçok kampanyanın başarıya ulaşamadığı görülmektedir. Çevrimiçi alışverişte ürün satışlarının artmasını ve kampanyaların başarılı olmasını amaçlayarak, çevrimiçi market üzerinden alışveriş yapan 394 kullanıcıya ait çeşitli veriler anket aracılığı ile toplanmıştır. Çalışmada, sık kullanılan makine öğrenmesi algoritmaları ile modelleme yapılarak çevrimiçi market kullanıcılarının kişisel bakım kategorisinden alışveriş yapma eğilimlerinin öngörülmesini sağlayan bir model ortaya konulmuştur. Karar Ağaçları, K-En Yakın Komşu, Gradyan Arttırılmış Ağaçlar, Rastgele Orman ve Lojistik Regresyon yöntemleri modelleme için kullanılmıştır. Son olarak da ortaya çıkan eğri altında kalan alan (EAKA-AUC), geri çağırma (recall), f1-skor (f1-score) değerleri üzerinden yöntemlerin performans karşılaştırılması yapılmıştır. Çalışma sonucunda en yüksek performans 0.928 doğruluk oranı ve 0.92 AUC değerleri ile rastgele orman yöntemi ile elde edilirken; Gradyan Arttırılmış Ağaçlar yöntemi uygulanan model ise 0.704 doğruluk oranı ve 0.70 AUC değeri ile en düşük performansa ulaşmıştır. Çalışmada elde edilen bulgulara göre, özellikleri "43-47 yaş altı, günlük internet kullanımı fazla, kapıda kredi kartı ile ödeme tercihi yapmayan" kullanıcıların kişisel bakım kategorisinden alışveriş yapmayı tercih ettikleri analiz edilmiştir. Elde edilen sonuçlar incelendiğinde, şirketlerin çalışmada ortaya konan model ile hedef müşteri kitlelerini daha iyi belirlemelerine olanak sağlanacağı ve bu sayede yapılan gereksiz yatırımların önüne geçilebileceği öngörülmektedir.

Keywords

• Makine Öğrenmesi
• Sınıflandırma
• Skorlama
• Çevrimiçi Alışveriş Tahmini

Prediction of The Effect of Demographic Features on Online Market Shopping Using with Machine Learning Methods

Abstract

It is seen that many of the campaigns implemented by companies providing online shopping services to increase their product sales and acquire new customers have not been successful. In order to increase product sales in online shopping and to make campaigns successful, various data of 394 users who shopped on the online market were collected through a survey. In the study, a model that provides prediction of the shopping tendencies of online market users from the personal care category has been presented by applying frequently used machine learning algorithms. Decision Trees, K-Nearest Neighbor, Gradient Boosted Trees, Random Forest and Logistic Regression methods were used for modeling. In addition, analysis has been done with AUC (Area under the Curve), recall, f1-score values to compare the performance of the applied models. As a result of the study, the highest performance was obtained with the random forest method with an accuracy rate of 0.928 and AUC of 0.92. The model which applied with Gradient Boosted Trees method was achieved the lowest performance values with an accuracy rate of 0.704 and an AUC value of 0.70. According to the findings in the study, it has been analyzed that users whose properties are "under the age of 43-47, high daily internet user, do not choice to pay by credit card at the door" prefer shopping from the personal care category. When the results obtained are examined, it is predicted that the model set forth in the study will enable companies to determine their target customer groups better, and thus, unnecessary investments can be prevented.

Keywords

• Machine Learning
• Classification
• Scoring
• Online Shopping Prediction

References

1. B. Bahçıvan, “Demografik Özelliklerin Online Market Kullanımına Etkisinin Makine Öğrenmesi Yöntemleri ile Tahmini”, Yüksek Lisans Tezi”, Beykent Üniversitesi Lisansüstü Eğitim Enstitüsü, İstanbul, 2022.
2. Y. Wang, J. Lin, B. Sheng, C. Sun, L. Si, and X. Liu, “Adaptive multi-task positive-unlabeled learning for joint prediction of multiple chronic diseases using online shopping behaviors”, Expert Systems with Applications, Vol. 191, pp. 116232, 2022.
3. N. N. Moon, I. M. Talha, and I. Salehin, “An advanced intelligence system in customer online shopping behavior and satisfaction analysis”, Current Research in Behavioral Sciences, Vol. 2, pp. 100051, 2021.
4. D. Koehn, S. Lessmann, and M. Schaal, “Predicting online shopping behaviour from clickstream data using deep learning”, Expert Systems with Applications, Vol. 150, pp. 113342, 2020.
5. L. Wang, S. He, S. Su, Y. Li, L. Hu, and G. Li, “Urban neighborhood socioeconomic status (SES) inference: A machine learning approach based on semantic and sentimental analysis of online housing advertisements”, Habitat International, Vol. 124, pp. 102572, 2022.
6. G. Volkmar, P. M. Fischer, and S. Reinecke, “Artificial Intelligence and machine learning: Exploring drivers, barriers, and future developments in marketing management”, Journal of Business Research, Vol. 149, pp. 599-614, 2022.
7. J. Salminen, V. Yoganathan, J. Corporan, B. J. Jansen, and S. G. Jung, “Machine learning approach to auto-tagging online content for content marketing efficiency: A comparative analysis between methods and content type”, Journal of Business Research, Vol. 101, pp. 203-217, 2019.
8. S. Can, “Lise öğrencilerinin üniversiteye giriş başarılarının eğitsel veri madenciliği ile tahmini”, Yüksek Lisans Tezi, Beykent Üniversitesi Lisansüstü Eğitim Enstitüsü, 2021.

9. O. Kaynar, M. F. Tuna, Y. Görmez, and M. A. Deveci, “Makine öğrenmesi yöntemleriyle müşteri kaybı analizi”, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, Vol. 18, No. 1, pp. 1-14, 2017.
10. P. Işık, and M. Öz, “Online alışveriş yapan süpermarket tüketicilerinin tüketim tercihlerinin teknoloji kabul modeliyle açıklanması”, OPUS Uluslararası Toplum Araştırmaları Dergisi, Vol. 18, pp. 1538-1572, 2021.
11. A. T. Danışmaz, “Covid-19 salgınının tüketicilerin online alışveriş tercihine etkisi”, Social Sciences Research Journal, Vol. 9, No. 2, pp. 83-90, 2020.
12. H. Nizam, and S. S. Akın, “Sosyal medyada makine öğrenmesi ile duygu analizinde dengeli ve dengesiz veri setlerinin performanslarının karşılaştırılması”, XIX. Türkiye'de İnternet Konferansı, pp. 1-6, 2014.
13. R. Saydan, “Tüketicilerin online alışverişe yönelik risk ve fayda algılamaları”, Elektronik Sosyal Bilimler Dergisi, Vol. 7, No. 23, pp. 386-402, 2008.
14. V. Hendri, C. Mawardi, and D. N. Santun, “Website based application of doctor selection classification derive from patient complaints using the C4.5 method and k-Nearest neighbor”, IOP Conference Series: Materials Science and Engineering, Vol. 1007, pp. 012124, 2020.
15. M. Saygılı, “Faydacı ve hazcı alışveriş motivasyonlarının online satın alma niyeti üzerine etkisi”, Yüksek Lisans Tezi, Sakarya Üniversitesi Sosyal Bilimler Enstitüsü, 2014.
16. E. S. Erdem, “Ses Sinyallerinde Duygu Tanıma ve Geri Erişim”, Yüksek Lisans Tezi, Başkent Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 2014.
17. S. Şenel, and B. Alatlı, “Lojistik Regresyon Analizinin Kullanıldığı Makaleler Üzerine Bir İnceleme”, Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, Vol. 5, No. 1, pp. 35-52, 2014.
18. Ö. Çokluk, “Lojistik Regresyon Analizi: Kavram ve Uygulama”, Kuram ve Uygulamada Eğitim Bilimleri, Vol. 10, No. 3, pp. 1359–1407, 2010.
19. B. Kasapoğlu, “Kredi Riskinin Hesaplanmasında Skorlama Yaklaşımı”, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul, 2009.
20. M. Akıllı, N. Yılmaz, and K. G. Akdeniz, “Study of the q-Gaussian distribution with the scale index and calculating entropy by normalized inner scalogram”, Physics Letters A, Vol. 338, No. 11, pp. 1099-1104, 2019.
21. D. G. Altman, and J. M. Bland, “Statistics notes: The normal distribution”, BMJ, Vol. 310, No. 6975, pp. 298, 1995.
22. G. G. Emel, and Ç. Taşkın, “Veri madenciliğinde karar ağaçları ve bir satış analizi uygulaması”, Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, Vol. 6, No. 2, pp. 221-239, 2005.
23. Ö. Akar, and O. Güngör, “Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması”, Jeodezi ve Jeoinformasyon Dergisi, Vol. 106, pp. 139-146, 2012.
24. M. A. Pala, M. E. Çimen, Ö. F. Boyraz, M. Z. Yıldız, and A. F. Boz, “Meme kanserinin teşhis edilmesinde karar ağacı ve KNN algoritmalarının karşılaştırmalı başarım analizi”, Academic Perspective Procedia, Vol. 2, No. 3, pp. 544-552, 2019.
25. D. Kılınç, E. Borandağ, F. Yücalar, V. Tunalı, M. Şimşek, and A. Özçift, “KNN algoritması ve R dili ile metin madenciliği kullanılarak bilimsel makale tasnifi”, Marmara Fen Bilimleri Dergisi, Vol. 28, No. 3, pp. 89-94, 2016.
26. L. Yang, X. Zhang, S. Liang, Y. Yao, K. Jia, and A. Jia, “Estimating surface downward shortwave radiation over china based on the gradient boosting decision tree method”, Remote Sensing, Vol. 10, No. 2, pp. 185, 2018.