Marka İmaj Birleşenlerinin Reklam Hatırlanırlığı Üzerine Etkisinin Bulanık Sinir Ağları Sistemi İle Modellenmesi

Abstract

Hemen hemen tüm dünya ve ülkeler çapında şirketler satış hacmini ve karını artırmak için reklamı kullanmaktadırlar. Bu şirketler tüketicilere ulaşmak ve ürünlerini veya hizmetlerini duyurmak için milyonlarca dolar para harcamaktadırlar. Şirketler reklamların değerlendirilmesi sürecinde ve stratejilerinin karşılığını almada büyük bir çaba gösterirler. Şirketler sadece reklamın duyurulmasından sonraki süreçte değil, aynı zamanda reklamın oluşturulmasından önceki süreçlerde de değerlendirme yapmaya ihtiyaçları vardır. Böylelikle şirketler bulanık sistemler veya yapay sinir ağları gibi yapay zeka araçları ile geleceği tahmin ederek bir adım önde olabilirler. Bulanık mantık ve bulanık kümelerin ortaya çıkması matematik ve mühendislik bilimlerinde büyük bir devrim yarattı. Klasik kümelerde sadece sıfır ve bir değerleri dikkate alınıyor. Halbuki bulanık kümeler de ise sadece 0 ve 1 değerlerini değil, sıfırla birin arasındaki bütün değerleri göz önünde bulundurularak, her üye için üyelik derecesi belirleniyor. Bu kümeleri geliştiren bilim insanı, Zadeh, daha sonra bulanık kümeleri kullanarak dillsel değişkenlerin tanımını geliştirdi. Bu değişkenler insanların değerlendirmelerini dilsel bir şekilde sağlamaktadırlar. Bu karar vericilerinin değerlendirilmelerindeki belirsizliklerle başa çıkılabilir ve pratik karar verme sürecini güçlendirebilir. Kural tabanlı bulanık sistemler temelde bulanık kümeleri uygularlar ve IF-THEN kuralları anlaması için girdileri işlerler ve defuzzify çıktıları sağlarlar. Sinir ağları yapay zekanin hızla büyüyen bir dalıdır ve aynı zamanda, yaygın karmaşık veri setleri ile başa çıkmak için farklı alanlarda kullanılmaktadır. Yapay sinir ağlarında (YSA) tahmin etmek, kümeleme yapmak, sıkı¸stırma veya filtreleme gibi yapılar uygulanabilir. YSA tahmin yeteneği karar verme anından daha önce kararları değerlendirmek için gereklidir. YSA, bugünün çalkantılı pazarında önemli bir ihtiyaç olan önceden yorumlanmış veya anlamlandırılmış bilgiyi sağlayacaktır. Bu çalışmada, markaların tanılılırlığını analiz etmek için iyi bilinen bir birleşik nöro-bulanık bir yöntem ile adaptif bulanık sinir çıkarım sistemini (ANFIS) öneriyoruz. Reklam verileri yüksek oranda karmaşık ve doğrusal olmayan bir yapıya sahip olmasına rağmen, ANFIS ile bu yapıdaki girdilerle çıktı(ları) tahmin etmek gerçekleştirilebilir. Burada, boyut indirgeme yöntemiyle, reklam bilinci marka imajının 30 değişkenini 2 değişkene dü¸sürüldü. Ardından, adaptif bulanık sinir çıkarım sistemi, bulanık kurallar oluşturarak ve giriş verileri kullanılarak oluşturduğu ağı eğitir. ANFIS Bu eğitim yeteneği ile reklam farkındalık çıktılarını tahmin eder. Bu çalışmada, üç reklam farkındalık çıktıları; yani akla ilk gelen marka (TOP), ses payı (SOV), ve spontan araştırılmaktadır. Adaptif bulanık sinir çıkarım sistemi, tahminini doğrulamak için, verilerin yüzde 30'i rastgele test verisi olarak parçaladık ve yüzde 70 veriyi de eğitim için kullandık. Tahminlerin kök ortalama kare hata grafikleri kestirimlerin doğrulanmasını yansıtmaktadır. Öte yandan, çıktıların ve ölçümlerin tahminlerine göre, korelasyonlar kestirimlerin geçerlili˘gini kontrol etmek için hesaplandı. Alternatif bir yöntem olarak, YSA da girdi verilerini eğiterek, çıktıların tahmininde kullandık. ANFIS ve YSA sonuçları arasındaki karşılaştırmada, ANFIS reklam farkındalık verileri tahmininde YSAnın geride olduğu ortaya çıkmı¸stır. Adaptif bulanık sinir çıkarım sistemi tahminleri verilen verilerin yüksek korelasyonunu göstermektedir. Sonunda karar vericiyi desteklemek için bir grafik kullanıcı arayüzü olu¸sturuldu. Bu karar destek sistemi bir veritabanı, adaptif bulanık sinir çıkarım sistemi ve YSA yöntemleri ile bir model tabanlı ve bir arayüz olarak tasarlandı. Bu sistemle verilen verilerin eğitmini, çıktıların tahmini ve tahmin hataları görülebilir. Bu karar destek sistemde, eş zamanlı olarak adaptif bulanık sinir çıkarım sistemi ve YSA sonuçları görülebilir ve kullanıcıya tahminlerin değerlerinin karşılaştırılmasına imkan sağlanır.

Almost all the worldwide and nationwide companies utilize advertising to increase their sales volume and profit. These companies pay millions of dollars to reach consumers and announce their products or services. This forces companies to evaluate the advertising and check whether ads meet company's strategies. They need to evaluate the ads not only after announcement, but also before advertising, i.e. they can be one step ahead by predicting the future through artificial intelligence tools such as fuzzy systems and artificial neural networks. The emergence of fuzzy logic and fuzzy sets has revolutionized the mathematics and engineering sciences. Fuzzy sets consider not only classical membership degrees, i.e. 0 and 1, but concern with all the degrees between zero and one. This enables fuzzy sets to mathematically represent linguistic variables and human judgment. It can deal with the uncertainty of decision maker's assessments and practically enhance decision making process. Rule based fuzzy systems basically apply fuzzy sets and process the inputs by IF-THEN rules to infer, and provide defuzzified outputs. Neural network (NN) is a fast-growing branch of artificial intelligence, and simultaneously, it is widely used in different fields in order to deal with complex datasets. NN can be properly applied in estimation, clustering, compression, and filtering. The estimation ability of NN is highly needed to evaluate decisions before decision making moment. This would provide an infered knowledge beforehands, which is a vital need in today's turbulent market. In this study, we propose to use a well-known combined neuro-fuzzy method, adaptive neuro-fuzzy inference system (ANFIS), to analyze advertising decision making. Although advertising data are highly complex and mixed with non-linearity, ANFIS is able to receive input data and estimate the output(s). Here, using dimension reduction method, 30 variables of brand image on advertising awareness reduced to 2 variables. Then, ANFIS creates fuzzy rules and trains the network using input data. This training ability of ANFIS leads to predict the advertising awareness outputs. In this study, we investigate three advertising awareness outputs, namely, top of mind, share of voice, and spontan. In order to validate the ANFIS estimation, 30 percent of data are randomly splitted as the testing data and remained 70 percent are training data. The root mean square error (RMSE) graph of predicitons represent the validation of estimations. On the other hand, according to the predictions of outputs and measurements, the correlations are calculated to check the validity of estimations. As an alternative method, we employ ANN to train the input data and predict the outputs. The comparison between the results of ANFIS and ANN shows higher correlation of ANFIS predictions and given data, which reveals that ANFIS outperforms ANN in prediction of advertising awareness data. We finally created a graphical user interface (GUI) to support decision maker. This decision support system (DSS) equips a database, a modelbase with ANFIS and ANN methods, and a GUI. It can train the given data, and estimate the output and find the errors of estimation. This DSS can also depict the results of ANFIS and ANN simultaneously and allow the user to compare their prediction ability.