Bayesci Ağlar ve Birliktelik Analizi ile Müşterilerin Alışveriş Örüntülerinin İncelenmesi Üzerine Bir Uygulama

Abstract

Bayesci ağları, değişkenleri düğümler olarak ve nedensel bağlantıları oklarla betimleyen grafiksel yapılar olarak tanımlanır. Bu ağlar, yönlü döngüsüz bir graf (YDG) ve koşullu olasılıklar tablosunu içerirler. Bayesci ağlarının temel işleyişi, bir YDG oluşturmak ve bu graf üzerinden koşullu olasılık değerlerini, yani parametreleri belirlemektir. Bu ağlar vasıtasıyla mevcut verileri kullanarak, ürünler arasındaki ilişkileri ve birliktelikleri analiz edebiliriz. Bu yöntem, Gaziantep şehrindeki bir mağazada gerçekleştirilen bir uygulamaya dayanmaktadır. Bayesci ağlar, çeşitli alanlarda belirsizlikleri çözme ve çıkarımlar yapma amacıyla etkili bir şekilde kullanılmaktadır. Bu ağların oluşturulmasında, yapı öğrenme algoritmaları temel bir rol oynamaktadır. Yapı öğrenme algoritmaları, çok değişkenli veri kümelerindeki koşullu bağımsızlık ilişkilerini otomatik olarak tespit edebilir, bu da uzman müdahalesine gerek olmadan gerçekleşir. Bu çalışmada, yapı öğrenme algoritmalarının kapsamlı bir karşılaştırmalı analizi yapılmıştır. Bu çalışmada perakende sektöründe faaliyet gösteren bir işletme verileri kullanılarak, alışveriş örüntüleri analiz edilmiştir. Çalışmanın verileri Gaziantep'te faaliyet gösteren bir mağazadan alınmıştır. Müşterilerin satın alma durumlarına göre 1138 farklı fiş üzerinden analizler yapılmıştır. Uygulamada veri madenciliği algoritmalarından Bayesci ağlar ve birliktelik analizleri kullanılmıştır. Bayesci ağlarda yapı öğrenme algoritmaları kullanılarak ürünlerin satın alma örüntüleri belirlenmiş; birliktelik analizindeki kurallar ile belirlenen örüntüler bir arada değerlendirilerek ürün gruplarına dair satış istatistikleri incelenmiştir. Analizlerin tamamı R-Project programı ile yapılmıştır.Bayesian networks are graphical structures that represent variables as nodes and causal connections with arrows. These networks consist of a directed acyclic graph (DAG) and a table of conditional probabilities. The fundamental operation of Bayesian networks is to create a DAG and determine the conditional probability values, namely the parameters, from this graph. Through these networks, we can analyze the relationships and associations between products using existing data. This method is based on an application conducted in a store in the city of Gaziantep. Bayesian networks are effectively used to resolve uncertainties and make inferences in various fields. In the construction of these networks, structural learning algorithms play a fundamental role. Structural learning algorithms can automatically detect conditional independence relationships in multivariate datasets, without the need for expert intervention. In this thesis study, a comprehensive comparative analysis of structural learning algorithms has been conducted. In this study, shopping patterns were analyzed using data from a business operating in the retail sector. The data of the study was taken from a store operating in Gaziantep. Analyzes were made on 1138 different receipts according to customers' purchasing situations. In practice, Bayesian networks and association analysis, data mining algorithms, were used. Purchasing patterns of products were determined using structure learning algorithms in Bayesian networks; Sales statistics for product groups were examined by evaluating the patterns determined by the rules in association analysis together. All analyzes were carried out with the R-Project program.