Sanal market sektöründe hedef müşteri kitlesinin tanımlanması ve makine öğrenmesi ile tüketim eğilimlerinin tahmini

Yıl 2023, Cilt: 16 Sayı: 1, 24 - 35, 31.01.2023

Cihan Tuğrul Çiçek , Gözdem Dural Selçuk

https://doi.org/10.25287/ohuiibf.1044810

Cited By: 1

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

Tüketici davranışı, sanal market, makine öğrenmesi

Destekleyen Kurum

Atılım Üniversitesi

Proje Numarası

ATÜ-LAP-2021-12

Analyzing consumer profile in online grocery market and estimation of the tendency to buy via machine learning

Öz

Altering life styles urge consumers to diversify their behaviours towards an ever increasing demand for online market use. This current trend makes market players to seek for contemporary business models. In that respect, understanding their target customers deeply has become prominent for the companies that has been in online market for a while and also the companies that are planning to enter the market in terms of developing effective marketing strategies. In this study, we apply an online survey with the goal of exploring the consumer profile in online market. We investigate the answers with statistical inference techniques and identify key demographic determinants of the consumers who opt for online grocery shopping. Then, we use machine learning techniques, particularly classification techniques, to estimate ‘buy’ or ‘do not buy’ decisions of the consumers over the predetermined demographic factors and we compare performance of different estimation methodologies according to their accuracy levels. Among others, the random forest technique has yielded the best accuracy, where we have achieved 78% accuracy on the test set. Furthermore, we provide current and potential companies in online grocery market with some insights regarding the influential factors on customer satisfaction. We have found that user friendly mobile applications and efficient after-sales services had a positive impact on the ‘buy’ decision of a customer, while setting a minimum amount to checkout and designing a restricted delivery area had negative impact on the ‘buy’ decision of a customer.

Anahtar Kelimeler

Consumer behaviour, online grocery market, machine learning

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.
• Jadhav, V., & Khanna, M. (2016). Factors influencing online buying behavior of college students: A qualitative analysis. Qualitative Report, 21(1), 1–15.
• Özden, A. T. (2019). Pozitif algının ve tüketici karar verme tarzlarının y ve z kuşakları açısından karşılaştırılması. Gazi İktisat ve İşletme Dergisi, 5(1), 1–20.
• Pozzi, A. (2012). Shopping cost and brand exploration in online grocery. American Economic Journal: Microeconomics, 4(3), 96–120.
• Ravnik, R., Solina, F., & Zabkar, V. (2014). Modelling in-store consumer behaviour using machine learning and digital signage audience measurement data. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8811, 123–133.
• Richards, T. J., Hamilton, S. F., & Allender, W. (2016). Search and price dispersion in online grocery markets. International Journal of Industrial Organization, 47, 255–281.
• TÜİK, (2021). İşgücü istatistikleri. https://data.tuik.gov.tr/Bulten/Index?p=Isgucu-Istatistikleri-Ocak-2021-37486. Erişim tarihi: 19.10.2021.