Bayi Değerlendirmesi İçin Veri Madenciliği Uygulaması

Abstract

Bu çalışmada, kendi sektöründe lider ve nihai müşterilerine bayileri aracılığıyla ulaşan bir firmanın bayileri ile gerçekleşen işlemler sonucunda oluşan veriler ve tez kapsamında bayilere ilişkin öznel değerlendirmeleri elde etmek amacıyla hazırlanan anket verileri, veri madenciliği tekniklerinden kümeleme metotlarıyla analiz edilerek Bayi Yönetim Sistemi için bayi profilleri modellenmiştir. Kümeleme analizi, belirli niteliklere göre benzerlikleri en yüksek nesnelerin gruplanmasına imkân veren, farklı algoritmaları içeren çok değişkenli istatistiksel analiz tekniğidir ve veri yığınlarından tek nesne seçimi yerine grup seçimi esasına dayandığından zaman kaybını önlenmekte, tüm özellikler bakımından toplu değerlendirmeye imkân sağlamaktadır. Ayrıca uygulama alanlarının geniş olması, kümeleme analizi tekniklerinin önemini sürekli arttırmaktadır. Çalışmada, farklı değişkenlerin kullanımı ile her değişken seti için söz konusu firma bayileri arasında benzerlikleri en yüksek olanların kümelenmesi gerçekleştirilmiş ve küme profilleri belirlenmiştir.

In this study, the liaison offices of a leading company, which reaches the final customers through its branches, are evaluated through one of the data mining techniques called cluster analysis, with the data collected from the actualized transactions and questionnaires for obtaining the subjective evaluations of branches in the context of the thesis work, and a model for Branch Management System is constituted. Cluster analysis is a multivariate statistical analysis technique consisting of different algorithms, enables the classification of the objects according to their specified features. Instead of individual selection, cluster analysis is based on group selection which enables evaluation of the objects as a whole. Having a wide range of application area, cluster analysis techniques have an increasing importance. In this study, various variables are used for clustering the most likely branches according to different variable sets and cluster profiles are determined.