Veri Madenciliğinde Kümeleme Yaklaşımları ve Kohonen Ağları İle Perakendecilik Sektöründe Bir Uygulama

Yıl 2010, Cilt: 15 Sayı: 3, 395 - 409, 01.09.2010

  Arş.Gör.Dr.Çağatan Taşkın Yrd.Doç.Dr.Gül Gökay Emel

Öz

Anahtar Kelimeler

-

VERİ MADENCİLİĞİNDE KÜMELEME YAKLAŞIMLARI VE KOHONEN AĞLARI İLE PERAKENDECİLİK SEKTÖRÜNDE BİR UYGULAMA

Öz

Bu çalışmada; bir perakende işletmenin müşterilerinin Kohonen ağları ile kümelenmesi ele alınmaktadır. Kohonen ağlarının seçilmesinin nedeni, büyük hacimli veriler üzerinde çalışabilme yetisi ve kümeleme analizi için en önemli karar olan küme sayısını, tekniğin kendisinin en uygun olarak belirleyebilmesidir. Kümeleme analizinin amacı; ele alınan işletmeye, pazar bölümlendirmesi ve hedef pazar seçimi gibi stratejik pazarlama kararlarında yardımcı olması için, önceden bilinmeyen kritik müşteri özellikleri ve önem derecelerini de ortaya çıkararak gerekli öngörüyü sağlamaktır

Anahtar Kelimeler

Veri Madenciliği, Kümeleme, Kohonen Ağları, Pazar Bölümlendirme

Kaynakça

• 1. BİRCAN, Hüdaverdi, ZONTUL, Metin ve YÜKSEK, A.Gürkan, “SOM Tipinde Yapay Sinir Ağlarını Kullanarak Türkiye’nin İhracat Yaptığı Ülkelerin Kümelenmesi Üzerine Bir Çalışma”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt:20,Sayı:2, 2006, s. 219-237.
• 2. BUDAYAN, Cenk, DİKMEN, İrem ve BİRGÖNÜL, M.Talat, “Comparing the Performance of Traditional Cluster Analysis, Selforganizing Maps and Fuzzy C-means Method for Strategic Grouping”, Expert Systems with Applications, Vol:36, Issue:9, 2009, s. 11772- 11781.
• 3. CURRY, B. ve MORGAN, Peter Huw., “Evaluating Kohonen’s Learning Rule: An Approach Through Genetic Algorithms”, European Journal of Operational Research, Vol:154, Issue: 1, 2004, s. 191–205.
• 4. ÇUHADAR, Murat, GÜNGÖR, İbrahim ve GÖKSU, Ali, “Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Yöntemleri İle Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt:14, Sayı:1, 2009, s. 99-114.
• 5. EMEL, Gül Gökay, TAŞKIN, Çağatan ve KILIÇARSLAN, Serhat, “Sinir Ağları Veri Madenciliği İle Çelik Üretim Sürecinde Bir Analiz”, Dokuz Eylül Üniversitesi İşletme Fakültesi Dergisi, Cilt:5, Sayı:1, 2004, s. 205-225.
• 6. GARCIA, Moreno, M.N., QUINTALES, Luis A. Miguel, PENALYO, Francisco J. Garcia ve MARTIN, M. Jose Polo, “Building Knowledge Discovery-Driven Models For Decision Support In Project Management”, Decision Support Systems, Vol: 38, Issue: 2, 2004, s. 305-317.
• 7. HAIR, F. Joseph, ANDERSON, E. Rolph, TATHAM, L. Ronald ve BLACK, C. William, Multivariate Data Analysis With Readings, 4th Edition, Prentice-Hall, USA, 1995.
• 8. HAMMER, Barbara, MICHELI, Alessio, SPERDUTI, Alessandro ve STRICKERT, Marc, “Recursive Self-Organizing Network Models”, Neural Networks, Vol:17, Issue:10, 2004, s. 1061–1085.
• 9. HSU, Chih-Hung, “Data Mining to Improve Industrial Standards and Enhance Production and Marketing: An Empirical Study in Apparel Industry”, Expert Systems with Applications, Vol:36, Issue:3, 2009, s. 4185-4191.
• 10. KIANG, Melody Y., FISHER, Dorothy M., CHEN, Jeng-Chung Victor, FISHER, Steven A. ve CHI, Robert T., “The Application of SOM as a Decision Support Tool to Identify AACSB Peer Schools”, Decision Support Systems, Vol:47, Issue:1, 2009, s. 51-59.
• 11. KUO, R.J., HO, L.M. ve HU, C.M., “Integration of Self-Organizing Feature Map and K-means Algorithm For Market Segmentation”, Computers&Operations Research, Vol: 29, Issue: 11, 2002, s. 1475- 1493.
• 12. KUO, R.J., HO, L.M. ve HU, C.M., “Cluster Analysis In Industrial Market Segmentation Through Artificial Neural Network”, Computers&Industrial Engineering, Vol:42, Issue:2-4, 2002, s. 391- 399.
• 13. LIAO, Shu-hsien, “Knowledge Management Technologies And Applications—Literature Review From 1995 To 2002”, Expert Systems With Applications, Vol: 25, No:2, 2003, s. 155–164.
• 14. LIKAS, Aristidis, VLASSIS, Nikos ve VERBEEK, Jakob, J., “The Global K-Means Clustering Algorithm”, Pattern Recognition, Vol:36, Issue:2, 2003, s. 451-461.
• 15. MA, Eden, W. M. ve CHOW, Tommy, W.S., “A New Shifting Grid Clustering Algorithm”, Pattern Recognition, Vol:37, Issue:3, 2004, s. 503-514.
• 16. McCARTY, John A. ve HASTAK Manaj, “Segmentation Approaches in Data Mining: A Comparison of RFM, CHAID and Logistic Regression”, Journal of Business Research, Vol:60, Issue: 6, 2009, s. 656-662.
• 17. MOSHKOVICH, Helen M., MECHITOV, Alexander I. ve OLSON, David L., “Rule Induction In Data Mining: Effect Of Ordinal Scales”, Expert Systems With Applications, Vol:22, Issue:4, 2002, s. 303-311.
• 18. ROUSSINOV, Dmitri G. ve CHEN, Hsinchun, “Document Clustering For Electronic Meetings: An Experimental Comparison Of Two Techniques”, Decision Support Systems, Vol: 27, Issue: 1-2, 1999, s. 67–79.
• 19. RYGIELSKI, Chris, WANG, Jyun-Cheng ve YEN, David C., “Data mining Techniques For Customer Relationship Management”, Technology in Society, Vol:24, Issue: 4, 2002, s. 483-502.
• 20. SHAW, Michael J., SUBRAMANIAM, Chandrasekar, TAN, Gek Woo ve WELGE, Michael E., “Knowledge Management And Data Mining For Marketing”, Decision Support Systems, Vol:1, Issue:31, 2001, s. 127–137.
• 21. TOLON, Metehan, Tüketici Tatmininin Yapay Sinir Ağları Yöntemiyle Ölçülmesi ve Ankara’daki Perakendeci Mağazaların Müşterileri Üzerinde Bir Uygulama”, Gazi Üniversitesi Sosyal Bilimler Enstitüsü, Yayımlanmamış Doktora Tezi, Ankara, 2007.
• 22. WEI, Chih-Ping, LEE, Yen-Hsien ve HSU, Che-Ming, “Empirical Comparison of Fast Partitioning-Based Clustering Algorithms For Large Data Sets”, Expert Systems With Applications, Vol:24, Issue:4, 2003, s. 351-363.