Sanal market sektöründe hedef müşteri kitlesinin tanımlanması ve makine öğrenmesi ile tüketim eğilimlerinin tahmini
Öz
Tüketici davranışları, değişen yaşam koşulları doğrultusunda farklılaşmakta ve sanal market kullanımı her zamankinden daha yüksek bir hızla artmaktadır. Bu durum, pazarda rekabet eden firmaları yeni iş modelleri arayışına yöneltmekte ve sanal market sektöründe rekabet eden ve/veya sektöre yeni girmeyi hedefleyen firmaların hedef müşteri kitlesini anlayabilmeleri, pazar stratejilerini belirlemeleri açısından önem arz etmektedir. Bu çalışmada, sanal market kullanımına yönelen tüketici yapısını anlayabilmek amacı ile bir anket çalışması uygulanmış olup; anket sonuçları istatistiksel çıkarım yöntemleri ile incelenerek, sanal market kullanımını tercih eden tüketicilerin demografik yapısı belirlenmiştir. Daha sonra belirlenen demografik özellikler üzerinden, sınıflandırma problemleri için kullanılan çeşitli makine öğrenmesi teknikleri ile bireylerin sanal market kullanımları tahmin edilmiş ve kullanılan tahmin modelleri doğruluk performans ölçütü ile kıyaslanmıştır. Karşılaştırmalar sonucunda rasgele orman tekniği en yüksek doğruluk oranına ulaşmış olup bireylerin kullanım tercihleri %78 doğrulukla tahmin edilebilmiştir. Bunlara ek olarak, anket cevapları ışığında sanal market sektöründe faaliyet gösteren/gösterecek olan firmalara müşteri memnuniyeti üzerinde etken olabilecek faktörler hakkında bazı iç görüler sunulmuştur. Elde edilen sonuçlar, hızlı ve kullanımı kolay mobil aplikasyonlarla satış sonrası hizmetlerin müşterilerin sanal market kullanımını artırdığını, minimum tutar ve sınırlı teslimat bölgelerinin kullanımı azalttığını göstermiştir.
Anahtar Kelimeler
Destekleyen Kurum
Atılım Üniversitesi
Proje Numarası
ATÜ-LAP-2021-12
Kaynakça
- Çakır, İ., & Kazançoğlu, İ. (2020). Sanal market alışverişi yapma niyetinde genişletilmiş teknoloji kabul modeli bileşenleri ile risk algılarının etkisi. Celal Bayar Üniversitesi Sosyal Bilimler Dergisi, 18(2), 305–326.
- Candan, B., & Kurtuluş, K. (2010). İnternet kullanıcılarının gıda, temizlik ve kişisel bakım ürünlerinde sanal alış-veriş yapma nedenlerini belirlemeye yönelik pilot bir araştırma. Journal of Economics and Administrative Sciences, 17(1–2).
- Chaudhuri, N., Gupta, G., Vamsi, V., & Bose, I. (2021). On the platform but will they buy? Predicting customers’ purchase behavior using deep learning. Decision Support Systems, 149, 113622.
- Chen, C. W. D., & Cheng, C. Y. J. (2009). Understanding consumer intention in online shopping: A respecification and validation of the DeLone and McLean model. Behaviour and Information Technology, 28(4), 335–345.
- Chu, J., Arce-Urriza, M., Cebollada-Calvo, J. J., & Chintagunta, P. K. (2010). An empirical analysis of shopping behavior across online and offline channels for grocery products: The moderating effects of household and product characteristics. Journal of Interactive Marketing, 24(4), 251–268.
- Demangeot, C., & Broderick, A. J. (2010). Consumer perceptions of online shopping environments: A gestalt approach. Psychology & Marketing, 27(2), 117–140.
- Deloitte, (2019). E-Ticaretin gelişimi, sınırların aşılması ve yeni normlar. https://www.tubisad.org.tr/tr/images/pdf/dd-tusiad-eticaret-raporu-2019.pdf. Erişim tarihi: 19.10.2021.
- Gupta, R., & Pathak, C. (2014). A machine learning framework for predicting purchase by online customers based on dynamic pricing. Procedia Computer Science, 36(C), 599–605.
- Hult, G. T. M., Boyer, K. K., & Ketchen, D. J. (2007). Quality, operational logistics strategy, and repurchase intentions: A profile deviation analysis. Journal of Business Logistics, 28(2), 105–132.
- İşçioğlu, T. E. (2018). Sanal market alışverişi niyetinin sürekliliğini etkileyen unsurlar ve bir model önerisi. Pazarlama ve Pazarlama Araştırmaları Dergisi, 21, 99–124.
