Ynetim, Yl: 19, Say: 59, ubat 2008

VER MADENCLNDE SEPET ANALZ LE TKETC DAVRANII

MODELLEMES
Do. Dr. Mehpare TMOR
Dr. Umman Tuba MEK
stanbul niversitesi
letme Fakltesi
Saysal Yntemler Anabilim Dal

Veri madencilii byk miktardaki verinin, bu verilerden anlaml rnt ve kurallar karlmas amacyla analiz
edilmesidir. Veri madenciliinde verinin yapsna uygun olarak birok teknik kullanlmaktadr. Bu tekniklerden biri
olan Birliktelik Kurallar Analizi/Sepet Analizi ile, byk veri tabanlarndan yola klarak, mterilerin alveri
davranlar kefedilmeye allmaktadr. Bu almada, Trkiyede perakende sektrnde faaliyet gsteren byk
bir market zincirine ait veriler ele alnarak, veriler Birliktelik Kurallar ile analiz edilmi ve mterilerin satn
alma davranlarn etkileyen deikenler karar aalaryla belirlenmitir. almada verilerin analizi iin SPSSin
veri madencilii modl olan Clementine program kullanlmtr.
Anahtar Szckler: Veri Madencilii, Birliktelik Kurallar Analizi, Sepet Analizi, Karar Aalar.
CUSTOMER BEHAVIOR MODELING BY USING MARKET BASKET ANALYSIS IN DATA MINING
Data mining analyzes large amount of data for the purpose of deriving meaningful patterns and rules. Many
techniques in accordance with the structure of data are used in data mining. with Association Rules
Analysis/Market Basket Analysis, that is one of these techniques; shopping behaviors of customers are tried to be
found out by setting out from large data bases. In this study, data belonging to a big market chain that activates in
the retail sector in Turkey was handled, the data was analysed with Association Rules and the variables effecting
purchasing behaviours of costumers were determined with decision trees. In the study, Clementine program, the data
mining module of SPSS, was used for analysis of the data.

Key Words: Data Mining, Association Rules Analysis, Market Basket Analysis, Decision Trees.

GR

1.

Gnmz dnyasnda iletmeler baarl olabilmek

iin yeni ekonominin ve yeni i modellerinin kurallarna
uygun hareket etmek durumundadr. Bilgisayar ve
iletiim teknolojilerindeki gelimeler ok daha fazla
verinin hzl toplanmasna, depolanmasna, ilenmesine
ve bilgiye dntrlp yeniden istenilen noktalara
iletilmesine olanak salamtr. Yeni teknolojilerden
nemli lde etkilenen bu yeni ekonominin kurallar
gerei bilgi ve zaman boyutlarnn nemi daha ok
artm ve dolaysyla iletmelerin karar verme
srelerinde doru ve anlaml bilgiye dayal hzl karar
alma gerei her zamankinden daha fazla n plana
kmtr. Saklanmas gereken verilerin miktar ve
eitliliinin artmas, analizlerin daha hzl yaplmas
gerei, sonuta anlaml ve eyleme ynelik bilgiler
ortaya karlmas, yeni ekonominin ve deien
piyasalardaki youn rekabet ortamnn bir gereidir.
Milyonlarca
bitlik
verilerin depoland
veri
ambarlarnn tutulduu donanmlar ve bunlardan ok
hzl bir ekilde anlaml bilgiler elde edebilmek iin
kullanlabilecek yazlmlar yeni teknolojinin sunduu
olanaklardr. (zmen, 2001)
ou zaman iyi kullanlmamalar durumunda veri
tabanlarnda
tutulan
veri,
problem
haline
gelebilmektedir. Toplanan veri miktar bydke ve
toplanan verilerdeki karmaklk arttka, daha iyi
zmleme tekniklerine olan gereksinim de artmaktadr.
Bu noktada veri madencilii ve veri tabanlarnda
bilgi kefi kavramlar ortaya kmaktadr. Eer veri
tabanlarnda bilgi kefi sreci baarl ise kefedilen
bilgi, organizasyonlarn karar verme srecini
gelitirmek amacyla kullanlabilir. (Freitas, 2002, s.2)
Veriden anlaml bilgilerin karlmas srecine
bilgi kefi denmektedir. Veri madencilii ise bu sre
ierisinde yer alan nemli bir admdr. Veri madencilii,
spesifik algoritmalarn, veride bulunan anlaml
rntleri belirlemek iin uygulanmas srecidir.
(Fayyad, Piatetsky-Shapiro ve Smyth, 1996)
Veri Madenciliindeki ama, toplanm olan
bilgilerin, bir takm saysal yntemlerle incelenmesi ve
ok byk veri tabanlarndaki ya da veri ambarlarndaki
veriler
arasnda
bulunan
ilikiler,
rntler,
deiiklikler, belirli yaplar gibi ilgin bilgilerin ortaya
karlmas ve kefi ilemidir. Bu almada ncelikle
veri madencilii tekniklerinden Birliktelik Kurallar
kullanlarak
mterilerin
alveri
davranlar
belirlenmitir.
Birliktelik
Kurallar
analizini
gerekletirmek iin veriler yeniden kodlanarak gerekli
dzenlemeler yaplmtr. Gerekletirilen analizde,
mterilerin en fazla satn ald rnler hedef deiken
olarak tanmlanm ve Karar Aalar kullanlarak
mterilerin satn alma davrann en ok etkileyen
deikenler belirlenmitir.

LTERATR TARAMASI

Veri madencilii (VM) yaygn bir uygulama

alanna sahiptir. Literatrde VM kullanlarak mteri
davranlarnn incelendii pek ok alma mevcuttur.
Chen (2007) almasnda veri zarflama analizi
kullanarak, birliktelik kurallarnn etkinliini ok amal
karar verme yaklamyla belirlemek istemitir.
Birliktelik kurallar destek ve gven kriterleri ile
llmektedir.
Chen ve dierleri (2005) maazalarn alveri
kaytlarnn tutulduu veri tabanlarn kullanarak
mterilerin satn alma davranlarn belirleyebilmek
iin bir sepet analizi uygulamas yapmlardr. Analiz
sonucunda elde edilen bilgiler pazarlama, sat ve
operasyon stratejilerinin ekillendirilmesinde nem
tamaktadr. Varolan dier teknikler birden ok
maazann bulunduu zincirlerde, maaza saysnn
artmasna ve rn yelpazesinin genilemesine bal
olarak nemli satnalma rntlerinin belirlenmesinde
eksik kalabilmektedir. Chen ve dierleri almalarnda
kullandklar teknikle, geleneksel tekniklerin aksine bu
zayfln stesinden gelmek istemilerdir.
Vindevogel, Van den Poel ve Wetsin (2005)
almalarnda byk miktardaki rn iftleri arasndaki
banty hesaplayabilmek iin sepet analizi kullanlm,
promosyon stratejilerini optimize etmek iin bir neri
getirilmitir. Birlikte satnalnan rnlerden sadece bir
tanesinin fiyatnn drlmesi ile etkin sonular
yarataca ileri srlmtr. Promosyonlarn ksa vadeli
ve uzun vadeli kalc etkileri, ok deikenli zaman
serileri analizi kullanlarak analiz edilmitir.
Veri madencilii uygulamalarnda birliktelik
kurallarn tespit edebilmek olduka nemlidir. Veri
tabanlarnda gizlenmi olan ilikilerin tespit edilmesi ile
elde edilecek bilgiler sepet analizi veya mteri profilini
belirleme gibi pek ok ama iin kullanlabilir. Angiulli,
Ianni ve Palopoli (2004) almalarnda birliktelik
kurallarn
saysal
algoritmalarla
belirlemeye
almlardr.
Perakende maaza yneticileri uzun yllardr
mterilerinin satnalma davranlarn incelemektedir.
Son zamanlarda perakende maazalarda apraz sat
rntlerini belirlemek nem tamaya balamtr. Mild
ve Reutterer (2003) yaptklar almada mteri
tercihlerini veya nceliklerini belirlemek iin
collaborative filtering (ortak filtreleme-ibirliine
ynelik szge) algoritmasn kullanmtr. Yaptklar
almada bu teknik incelenmi, apraz sat rntleri
belirlenmeye allm ve bir perakende maazann veri
tabannda uygulama yaplmtr.
Giudici ve Passerone (2002), mteri davranlar
ile ilgili olarak grafik yntemi sepet analizine
uyarlayarak bir alma yapmtr. Sepet analizi
mterilerin, rnein bir spermarketteki farkl rn

alverileri ile ilgili olarak birliktelik kurallarn

aratrmaya yneliktir. Birliktelik kurallarnn tespit
edilmesi, pazarlama planlarnn oluturulmasnda yarar
salamaktadr. Eer iki rn arasnda yksek oranda bir
bant varsa, maaza raf dzenlemelerinde bu iki rn
yan yana koymak satlar arttracaktr.
Hruschka, Lukanowicz ve Buchta (1999),
almalarnda ok boyutlu Binomial Logit modelini
kullanmlardr. Bu model, mterilerin pazar sepet
verilerini ve maazada promosyonda olan rn
kategorileri bilgilerini gerektirmektedir. almada
modelin parametrelerinin belirlenme sreci adm adm
anlatlmtr. Orta byklkteki bir spermarkete ait
6147 satnalma hareketi incelenmi ve gerekletirilen
uygulama sonucunda bu modelin perakendeci firmann
promosyon kararlar zerindeki etkisi incelenmitir.
Yneylem Aratrmas ve Endstri Mhendislii
Doktora rencileri (2003), mteri tabannda saklanan
her bir mterinin firma iinde veya firma ile
gerekletirdii ilemlere ait kaytlarn kullanarak, kii
baznda tm mterilerin firmaya balln ve firma
iin deerini belirlemek amacyla bir alma
gerekletirmitir. almada firma ile i yapm tm
mterilere ve bu mterilerin yaptklar ilemlere ait
zaman ve ilem skl bilgileri kullanlarak, u sorulara
cevaplar aranmtr: Mteri tabanndaki kiilerden
hangileri aktif, hangileri pasif mteridir? Bu
mterilerin
irkete
ballk
seviyeleri
nelerdir? Firmann mevcut aktif mteri taban bir
nceki ylda ne kadar bymtr? Bu listedeki
mterilerin, gerek bireysel gerekse toplu olarak, bir
sonraki yl ne kadarlk ve ne tr ilemler yapmas
beklenmelidir?
Sever ve Ouz (2002) almalarnda Biimsel
Kavram Analizi kullanarak eletirme kural karm
problemi iin bir ereve gelitirmilerdir. almada
eletirme sorgularnn zel bir durumu olan sepet
analizi kullanlmtr. Sepet analizi, bir firmada
mterilerin satnalma eilimleri hakknda bilgi verir.
Sepet analizinde ama, verilen minimum gvenirlik ve
destek kriterlerini salayan ilgin eletirmeleri
bulmaktr.
2.

hareketleri incelenerek onlarn davranlar ile ilgili

tahminler yaplabilir. Binlerce maln ve mterinin
olabilecei dnlrse bu analizin gzle ve elle
yaplamayaca, otomatik olarak yaplmasnn gerektii
ortaya kar ve veri madencilii bu noktada devreye
girer. (Alpaydn, 2000, s.1)
Veri
madencilii
gnmzde
perakende,
bankaclk, telekomnikasyon ve daha birok farkl
alanda kullanlmaktadr. (Rygielski, Wang ve Yen,
2002) Perakende sektrndeki uygulamalara aada
rnek verilmitir:
Sepet Analizi: Mterilerin hangi rnleri
hangi rnlerle birlikte satn ald analiz edilir. Elde
edilecek olan bilgi maaza raf dzenlemelerinde ve
promosyon stratejilerinin belirlenmesinde kullanlr.
Sat Tahminleri: Perakendeciler sat
tahminlerini stok kontrolnde kullanrlar. Eer bir
mteri bugn alveri yaparsa, izleyen dnemde ne
zaman alveri yapacaktr? sorusuna cevap aranr.
Veri madencilii pazarlama alannda mterinin
fiyat art ile deien satnalma alkanlklarnn
belirlenmesi, apraz sat analizleri ile rn satlar
arasndaki birlikteliklerin ve ilikilerin belirlenmesi,
mteri profili belirleme almalar kapsamnda hangi
zelliklerdeki mterilerin hangi rnleri satn
aldklarnn belirlenmesi amacyla kullanlmaktadr.
(www.spss.com.tr)
Veri madencilii bankaclk sektrnde iletme
riskinin azaltlmas, risk derecelendirme tahmini,
maliyetlerin drlmesi, karllk analizleri, ATMlere
gn iinde datlacak para miktarnn tespiti, doru ve
etkin kredi karar verebilme, mteri ve alan
memnuniyetinin arttrlmas iin kullanlmaktadr.
(zel, 2003)
Telekomnikasyon sektrnde en nemli sorun
mteri kaybdr. Kurulular hangi mterilerini
kaybedebileceklerini nceden belirleyebildikleri taktirde
bu mterilerini elde tutma amal stratejiler
gelitirebilir, dk maliyetli ve etkili kampanyalar
dzenleyebilirler. Trkiyede mobil iletiimin byme
hz ve pazardaki rekabet gz nne alndnda
yneticilerin bilgi ve tecrbelerinin irketin ileyii
esnasnda tutulan verilerde gizli olan bilgi ile
desteklenmesi ve buna gre stratejiler belirlenmesinin
nemi ortadadr. (www.spss.com.tr)
Veri madenciliinin farkl uygulama alanlar iin
yaplm olan almalar da mevcuttur. Wang ve
Weigend (2003) finans alannda veri madencilii ile bir
portfy ynetimi uygulamas gerekletirmilerdir. Wei
ve Chiu (2002) telekomnikasyon sektrnde mteri
kaybn tahmin edebilmek iin veri madenciliini
kullanmlardr. Min ve Emam (2002) turizm
sektrnde
otel
mterilerinin
nceliklerinin
belirlenmesi ve mteri sadakatinin arttrlmas iin veri
madencilii tekniini kullanmlardr. Liu ve dierleri

VER MADENCL

Veri madencilii pek ok alanda yaygn olarak

kullanlan, Trkiyede ve dnyada zellikle son yllarda
olduka nem kazanm olan bir tekniktir. Veri
madencilii; byk miktarda veri iinden, gelecekle
ilgili tahmin yapmamz salayacak bant ve kurallarn
bilgisayar programlar kullanlarak aranmasdr. Veri
analizi yaplarak, bir mal iin bir sonraki ayn sat
tahminleri yaplabilir, mteriler satn aldklar mallara
bal olarak gruplanabilir, yeni bir rn iin potansiyel
mteriler belirlenebilir, mterilerin zaman iindeki

(2001) veri madenciliini gda sektrnde, zaman

serileri verilerini ieren fast-food restaurantna
uygulamlardr.

belirlenmesi gereklidir. Bu ltler destek (support) ve

gven (confidence) kriterleridir. (Dolgun ve Zor, 2006)

Elde olan veride rnler iin sadece satn

alnd/alnmad bilgisi varsa sepet analizinde
rnler arasndaki bant, destek ve gven
kriterleri aracl ile hesaplanr. Gl bir
kural ok byk bir destek ve yksek seviyeli
bir gvenilirlie sahiptir. (Tu ve Bulun, 2006)

3. VER MADENCLNDE KULLANILAN

MODELLER
Veri madenciliinde kullanlan birok model sz
konusudur. Veri madenciliinde kullanlan modeller;
iliki analizi, snflandrma, kmeleme ve tahmin edici
modeller olmak zere 4 balk altnda incelenmektedir.
(Moss, 2003, s. 307)
Birliktelik kurallar ve ardk zamanl rntler,
liki Analizi altnda yer alr ve pazarlama amal
olarak pazar sepet analizi (market basket analysis) ad
altnda
veri
madenciliinde
yaygn
olarak
kullanlmaktadr.
Birliktelik kurallar veri madenciliinin en iyi
rneklerinden biridir. Birliktelik kurallar verideki
potansiyel ilikileri tanmlar. Birliktelik kurallar analizi
ile byk veri tabanlarndan, mterilerin alveri
davranlar kefedilmeye allr. Birliktelik kurallar
bir rn satn alndnda, o rnle beraber baka hangi
rnlerin satn alndnn belirlenmesi amacyla
kullanlr. (Yen ve Lee, 2006) Birliktelik kurallar, e
zamanl olarak gerekleen ilikilerin tanmlanmasnda
kullanlr. rnein; tatil dolaysyla tm aile bireylerine
uak bileti alan bir mteri, % 95 olaslkla tatil
beldesinde araba da kiralayacaktr.Perakende maazalar
bu teknii, mterilerinin satnalma eilimlerini
belirlemek iin kullanmaktadr. (Akpnar,1998)
Birliktelik kurallarnn kullanld en tipik rnek
Sepet Analizidir. Sepet analizi ile, mterilerin
yaptklar
alverilerdeki
rnler
arasndaki
birliktelikler bulunarak, mterilerin satn alma
alkanlklar belirlenir. Bu tip birlikteliklerin
belirlenmesi, mterilerin hangi rnleri bir arada
aldklar bilgisini ortaya karr ve market yneticileri
de bu bilgi nda raf dzenlerini belirleyerek, rn
paketleri hazrlayarak sat oranlarn artrabilir ve etkili
sat stratejileri gelitirebilirler. Sepet analizinde ama
alanlar arasndaki ilikileri bulmaktr. Bu ilikilerin
bilinmesi irketin karn arttrmak iin kullanlabilir.
Eer X maln alanlarn Y maln da ok yksek
olaslkla aldklar biliniyorsa ve eer bir mteri X
maln alyor ama Y maln almyorsa o mteri
potansiyel bir Y mterisidir.
Birliktelik kurallarnn belirlenmesinde birok
yntem kullanlmaktadr. Birliktelik kurallaryla ilgili
problem, birliktelik kurallarn bulmada bir eik deeri
bulmaktr. nemsiz grltden deerli bilgiyi
ayrabilmek ve bu eik deerini bulabilmek ok zordur.
Bu yzden ilgin birliktelik kurallarndan ilgin
olmayanlar ayrt edebilmek iin baz ltlerin

Destek: P(X ve Y) = X ve Y mallarn satn alm

mteri says / Toplam mteri says
(X ve Y rnlerini ieren hareketlerin says)
Gven: P(X/Y) = P(X ve Y) / P(Y)
= X ve Y mallarn satn alm mteri
says / Y maln satn alm mteri says
(X rnnn bulunduu yerde X ve Y rn setinin
bulunma olasl)
Destek kriteri veride bu bantnn ne kadar sk
olduunu, gven kriteri ise Y maln alm bir kiinin
hangi olaslkla X maln alacan belirtmektedir. ki
rnn satn alnmasndaki bantnn nemli olmas
iin her iki deerin de olabildiince yksek olmas
gerekmektedir. (Alpaydn, 2000, s.9)
4. BRLKTELK KURALLARI VE SEPET
ANALZ LE TKETC SATIN ALMA DAVRANII MODELLEMES
Bu almada kullanlan veriler Trkiyenin en
byk market zincirlerinden birinin 2004 ylna ait
ubat, Mart, Nisan ve Mays aylar mteri alveri
kaytlarndan olumaktadr. Belirtilen drt aylk
periyotta 999 tzel olmayan gerek mteri zerinde
yaplan aratrmada, bu mterilerin 628ine ait 27.924
alveri kayd kullanlmtr. 60 farkl rn kategorisi,
438 rn grubu ve 6018 rn ieren bu uygulamada
mterilerin tercih ettikleri 971 farkl rn yer
almaktadr. 999 mterinin 322si evli kadnlardan,
173 bekar kadnlardan, 363 evli erkeklerden ve
141i bekar erkeklerden olumaktadr.
Analizde SPSS Clementine program kullanlmtr.
Program veri giriinin yaplmasna, farkl veri setlerini
birletirmeye, modellemeye ve analiz etmeye olanak
salamaktadr. Sistem yapay sinir alar ve kural
karm temeline dayanmaktadr. Sonular anlalmas
kolay grafiklerle ve grselletirme teknikleriyle
sunulmaktadr. Clementine analiz yapan kiilere, ksa
srede sonuca ulamay salayacak ok geni bir
fonksiyon seti sunmaktadr.
Veri madenciligi ve bilgi kefi konusunda yayn ve
aratrma yapan KDnuggets dergisi, En ok tercih
edilen veri madencilii zm konulu bir aratrma
yapm, ncs dzenlenen uluslararas geleneksel
anket almalarnn tmnde uzman sektrel
kullanclar, kendilerine yneltilen sorulara verdikleri

Tablo1- Veri Seti

Tablo 2- Birliktelik Kurallar Analizi in Verinin Kodlanmas

yantlarla
SPSS
Clementinei
birinci
sraya
tamlardr. (www.ntvmsnbc.com) Yazlmn yldr
st ste bir numara olmas, SPSSin i kullanclarna
hitap eden, kullanm kolay, farkl sistem ve veri
yaplarna kolayca entegre edilebilir zelliklerinden
kaynaklanmaktadr. Bu zelliklerinden dolay SPSS
Clementine Program bu almann uygulama
blmnn gerekletirilmesi iin seilmitir. Tablo
1de firmaya ait alveri verileri grlmektedir.
Birliktelik kurallar analizinin yaplabilmesi iin
verinin kategori baznda 0-1 olarak kodlanmas
gerekmektedir. Mterilerin satn aldklar rnler iin
1, satn almadklar rnler iin 0 kullanlmtr. Bu

uygulamann gerekletirilebilmesi iin veri matrisinin

devrii alnarak btn kategoriler ikili alanlara
dntrlmtr.(Tablo 2) Bu ikili alanlar mterinin
ziyaretinde
o
rn
satn
alp
almadn
gstermektedir.
Analize konu deikenlerin kural karm iin
hazrlanmas gerekmektedir. Bunun iin SPSS
Clementine programnda gerekli dzenlemeler yaplm
ve bu dzenlemelere ait ara yz ekil 1de verilmitir.
Veride yer alan rn kategorileri, rnlerin satn
alnma oranlar ve satn alnma frekanslar Tablo 3te
grlmektedir.

ekil 1- Birliktelik Kurallar Analizi iin Veriyi Hazrlama

Tablo 4te grlen alanlar yle yorumlanmaktadr.

Yorumlar ilk satrdaki veriler dikkate alnarak
yaplmtr.
Yaplan analizde st ve temizlik malzemeleri ile
ekerli rnlerin, toplam ilemlerin %42,994nde
birlikte satn alndklar grlmtr. St ve temizlik
malzemeleri alanlarn %96,667si, ekerli rn de satn
almaktadr.
Temizlik malzemeleri ve merubat ve kuruyemi ile
ekerli rnlerin, toplam ilemlerin %48,567sinde
birlikte satn alndklar grlmtr. Temizlik
malzemesi ile merubat ve kuruyemi alanlarn
%94,754 ekerli rn de almaktadr.
Temizlik malzemeleri ve unlu mamuller ile ekerli
rnlerin, toplam ilemlerin %52,866snda birlikte
satn alndklar grlmtr. Temizlik malzemeleri ve
unlu mamul alanlarn %93,675i, ekerli rn de
almaktadr.
Tablo 4te gven oran %90dan yksek olan
rnler grlmektedir.

Tablo 3- rn Kategorileri

Tablo 3 incelendiinde en ok %16,46 oran ile

ekerli rnlerin satn alnd grlmektedir. Daha
sonra %12,25 oran ile unlu mamuller ve %8,45 oran
ile merubat ve kuruyemiler satn alnmaktadr.
Birliktelik Kurallarnn belirlenebilmesi iin ilk
olarak Web Grafii ile kategoriler aras ilikiler
incelenmitir. Kategoriler arasnda skl yksek olan
bantlar ekil 2de verilmitir. En sk Merubat ve
Kuruyemiler, ekerli rnler ve Unlu Mamuller satn
alnmaktadr.

5.SINIFLANDIRMA VE REGRESYON AALARI LE KURAL IKARIMI

Snflandrma
ve
Regresyon
Aalar
(Classification and Regression Trees, C&RT)
algoritmas veriyi iki alt kmeye ayrmaktadr. Bylece
bir sonraki admda oluacak olan alt kme, bir
ncekinden daha homojen olmaktadr. Bu sre sonu
bulunana kadar devam eden, kendini tekrarlayan bir
sretir. C&RT snflandrma ve regresyon analizi iin
kullanlan bir algoritmadr.
ekerli rnler, unlu mamuller, merubat ve
kuruyemi rnlerinin her n birden alan mteriler
iin ekerleme Pasta adnda yeni bir alan yaratlmtr.
Bu alanda rn birden alan mteriler 1, dier
mteriler ise 0 ile temsil edilmektedir.
ekerli rnler, unlu mamuller, merubat ve
kuruyemi rnlerinin her n birden alan
mterilerin profillerini belirlemek iin karar aac
kullanlmtr.
Hedef
deer
:
ekerleme_Pasta
olarak
tanmlanmtr.
Tahminleyici alanlar, hedef alan zerindeki
etkinliklerine gre belirlenmitir. Hedef alan zerinde
en fazla etkili olan iki deiken, toplam alveri tutarn
gsteren Toplam deer ve Evlilik yl
deikenleridir.
Toplam deer ve Evlilik yl deikenleri ile
karar aac analizi yaplm ve elde edilen sonular
ekil 3te sunulmutur. Dier deikenler de modele
eklenip karar aac analizi yaplm ve anlaml sonular
elde edilmedii iin bu sonular almaya
eklenmemitir.

ekil-2 Skl Yksek Olan Bantlar

Tablo 4-

Birliktelik Kurallar Analizi Sonucu

ekil 3- C&RT ile Karar Aac Analizi Sonular

ekil 3te elde edilen sonulara gre, mterilerin
SONU
%50.80i ekerleme_Pasta satn almaktadr. Bu oran
alveri yapan 628 mterinin 319una karlk
Bu almada Trkiyede perakende sektrnde
gelmektedir. ekerleme_Pasta satn almayan mteriler faaliyet gsteren byk bir market zincirinin mteri
%49.20 oranndadr ve geriye kalan 309 kiiyi verileri ve bu mterilere ait alveri verileri, Birliktelik
oluturmaktadrlar. ekerleme_Pasta satn alan kiiler kurallar kullanlarak analiz edilmitir. Birliktelik
iin, toplam sat tutarn gsteren Toplam deer kurallar ve sepet analizi ile, mterilerin hangi rnleri
deikeni karar aacnda anlaml fark yaratan bir hangi rnlerle birlikte satn aldklar belirlenmitir.
deikendir. Burada hesaplanan 17.77 deeri ayrc Daha sonra mterilerin satn alma davrann en ok
deerdir.
etkileyen deikenler karar aalaryla tespit edilmitir.
Yaptklar alveri tutar 17.77 rakamnn altnda Analizler sonucunda elde edilen deerler incelendiinde
olan mterilerin %81.18i ekerleme_Pasta satn belirli bir X rnn alan mterilerin, belirli bir oranda
almamaktadr ve bu oran 220 kiiye karlk Y rnn de satn aldklar, fakat bunun tersi bir durum
gelmektedir. Yaptklar alveri tutar 17.77 olan Y rnn satn alanlarn X rnn satn alanlar
rakamndan byk olan mterilerin %75.07si ile ayn oranda olmad grlmtr. Bu ve benzeri
ekerleme_Pasta satn almaktadr ve bu oran 268 kiiye bilgiler, kampanya dzenlemeleri veya raf dizililerinde
karlk gelmektedir. Karar aacnn bu dalnda Evlilik ve ilikili rnlerle ilikili olmayan rnlerin
yl nemli bir ayrc kriterdir. Evlilik ylnn 22.5 promosyon ve satlarnda da kullanlabilecek verilerdir.
deerinden kk olmas ve bu deerden byk olmas
alma sonucunda elde edilen bilgiler ile, mteri
eklinde iki dal olumutur. Evlilik yl 22.5ten kk beklentileri analiz edilerek, satn alma davranlarna
olan kiilerin %79.32si ekerleme_Pasta satn gre farkl rnleri satn almalar salanarak, firmann
almaktadr ve bu oran 211 kiiye karlk gelmektedir. kar marj ykseltilebilecektir. Mevcut mterilerin yan
Evlilik yl 22,5tan byk olanlarn %62,64 sra hangi mteri gruplarnn hedeflenmesi gerektii de
ekerleme_Pasta satn almaktadr. Oranlar birbirine yine analizler sonucunda elde edilecek faydal dier
yakn grnse de, karar aacnda evlilik yl ayrt edici bilgilerdendir.
bir zellik olarak grlmektedir.
Sepet analizi ile elde edilen sonular, reklam
Modelin doruluu analiz edildiinde %77.71 stratejileri belirlemede, sat ilemini planlamada,
orannda doruluk pay olduu ve %22.29luk yanlma katalog dizaynlarnda kullanlabilir. Sepet analizi
pay olduu grlmektedir.
yntemi, farkl raf dizimlerinin yaplmasna olanak
tanr. Birlikte sk olarak alnan rnler raflarda yakn
yerlere dizilebilirler.

MIN H., MIN H. ve EMAM A., A Data Mining

Approach to Developing the Profiles of Hotel
Customers, International Journal of
Contemporary Hospitality, Vol.14, Issue 6,
2002, s.274.
MOSS Larissa T., Business Intelligence Roadmap:
The Complete Project Lifecycle for
Decision- Support Applications, Addison
Wesley, 2003, s.307-310.
ZEL T., Finans Sektrnde statistik ve Veri
Madencilii Uygulamalar, SPSS Sunumu,
2003.
ZMEN ., Hayat Veri Madencilii ile statistik
Uygulamalarn Yeniden Kefediyor, V.
Ulusal Ekonometri ve statistik Sempozyumu,
Adana, 2001.

KAYNAKA
AKPINAR Haldun, Veri Tabanlarnda Bilgi Kefi ve
Veri Madencilii, .. letme Fakltesi
Yayn, 1998, s.6.
ALPAYDIN Ethem, Zeki Veri Madencilii, Biliim
2000 Eitim Semineri, 2000, s.9.
ANGIULLI F., IANNI G. ve PALOPOLI L., On The
Complexity of Inducing Categorical and
Quantitative Association Rules, Theoretical
Computer Science, Volume 314, Issues1-2,
2004, s.217-249.
CHEN Y., TANG K., SHEN R. VE HU Y., Market
Basket Analysis in a Multiple Store
Environment, Decision Support Systems,
Volume 40, Issue 2, 2005, s. 339-354.
CHEN M., Ranking Discovered Rules from Data
Mining with Multiple Criteria by Data
Envelopment Analysis, Expert Systems with
Applications, Vol.33, Issue 4, 2007, s. 11101116.
DOLGUN M.. ve ZOR ., Bir Alveri Merkezinden
Yaplan Satlar in Sepet Analizi,
www.spss.com.tr/bilisim06_dosyalar/muhsin_o
zgur_dolgun.pdf, 2006.
FAYYAD U., PIATETSKY-SHAPIRO G. ve SMYTH
P., Knowledge Discovery and Data Mining:
Towards a Unifying Framework, Proceedings
of the Second International Conference on
Knowledge Discovery and Data Mining
(KDD-1996), Portland, Oregon, 1996.
FREITAS A., Data Mining and Knowledge Discovery
with Evolutionary Algorithms, Almanya,
Springer Publications, 2002, s.1-2.
GIUDICI P. ve PASSERONE G., Data Mining of
Association Structures to Model Consumer
Behaviour, Computational Statistics & Data
Analysis, Vol. 38, Issue 4, 2002, s. 533-541.
HRUSCHKA H., LUKANOWICZ M. ve BUCHTA C.,
Cross-Category Sales Promotion Effects,
Journal of Retailing and Consumer Services,
Volume 6, Issue 2, 1999, s.99-105.
LIU L., BHATTACHARYYA S., SCLOVE S., CHEN
R. ve LATTYAK W., Data Mining on Time
Series: An Illustration Using Fast-Food
Restaurant Franchise Data, Computational
Statistics & Data Analysis, Volume 37, Issue
4, 2001, s. 455-476.
MILD A. ve
REUTTERER T., An Improved
Collaborative Filtering Approach for Predicting
Cross-Category Purchases Based on Binary
Market Basket Data, Journal of Retailing
and Consumer Services, Volume 10, Issue 3,
2003, s.123-133.

RYGIELSKI C., WANG J. ve YEN D.C., Data Mining

Techniques
for
Customer
Relationship
Management, Technology in Society, Volume 24,
Issue 4, 2002, s. 483-502 .
SEVER H. ve OUZ B., Veritabanlarnda Bilgi Kefine
Formal bir Yaklam, Ksm 1: Eletirme Sorgular
ve Algoritmalar, Bilgi Dnyas, 3(2), 2002.
SPSS
Uygulama
Alanlar,
http://www.spss.com.tr/uygulamaalanlari.htm,
22.07.2005.
TU E. ve BULUN M., Tbbi Veri Tabanlarnda Gizli
Bilgilerin
Kefedilmesi,
www.tbd.org.tr,
03.03.2006.

VINDEVOGEL B., VAN DEN POEL D. ve WETS G.,

Direct and Indirect Effects of Retail
Promotions on Sales and Profits in the Do-ItYourself Market, Expert Systems with
Applications, Volume 28, Issue 3, 2005, s.
583-590.
WANG H. ve WEIGEND A., Data Mining for
Financial Decision Making, Journal of
Decision Support Systems, Vol.37, No:4,
2003, s. 148.
WEI C. ve CHIU I., Turning Telecommunications Call
Details to Churn Prediction: a Data Mining
Approach, Expert Systems with Applications,
Volume 23, Issue 2, 2002, s. 103-112 .
YEN S. ve LEE Y., An Efficient Data Mining
Approach
for
Discovering
Interesting
Knowledge from Customer Transactions,
Expert Systems with Applications, Volume 30,
Issue 4, 2006, ss.650-657.
Yneylem Aratrmas ve Endstri Mhendislii
Doktora rencileri Kolokyumu, HizmetKar Zinciri Perspektifinden Mteri Taban
Analizi, Kltr niversitesi, (2003).
Veri Madenciliinin Yaygn Uygulama Alanlar,
www.spss.com.tr, 11.05.2005.
Veri
Madenciliinde
Tercih
Clementine,
www.ntvmsnbc.com, 16.08.2006.

10