Akademik Bilişim '10 10 - 12 Şubat 2010 Muğla

İş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları AnaliziDerya Birant, Alp Kut, Medi Ventura, Hakan Altınok, Benal Altınok, Elvan Altınok, Murat IhlamurAkademik Bilişim’10 - XII. Akademik Bilişim Konferansı Bildirileri10 - 12 Şubat 2010 Muğla Üniversitesi5.3 Veri Madenciliği SonuçlarıHangi şubede, hangi gün, hangi ürünlerin satıldığınıbelirlemeye yönelik yapılan uygulamasonuçlarının bir kısmı hem tabloda hemde grafiksel olarak Şekil 5’in 4. bölümündegösterilmektedir. Böylece müşterilerin satınalma alışkanlıkları çözümlenmiş olmaktadır vesatışları arttırmaya yönelik stratejiler geliştirilebilmektedir.Analiz sonuçlarının sağlayacağıbaşlıca yararlar şunlardır:Kısacası, farklı semtlerde bulunan birden fazlamağaza için farklı eğilimleri tespit edip, mağazabazında doğru satış ve stok politikalarıizlenebilmektedir.Şekil 4. Kar tanesi şemasıŞube Gün Ürünler01-Cihan Pazartesi A, B, C02-Bilkent Pazartesi A, D02-Bilkent Salı B, E, K02-Bilkent Salı C, K, Y, Z… … …09-Pazar A, C, EKeçiörenTablo 1. Örnek veriseti5.2 Veri MadenciliğiVerilerin hazırlanmasının ardından uygulamaüç aşamada gerçekleştirilmektedir:• Boyutların seçimi: OLAP küpünde bulunanboyutlardan, birliktelik analizine dahiledilmek istenen sahalar belirlenmelidir.(Şekil 5 – Bölüm 1)• Filtreleme: Çok büyük veri setlerinde filtrelemeyapılarak sadece belli bir kısım veriiçin birliktelik analizi çalıştırılabilmektedir.Örneğin; haftanın günlerinin hepsiyerine bir yada birkaçı seçilebilmektedir.(Şekil 5 – Bölüm 2)• Birliktelik analizi parametrelerinin tanımlanması:Verilen destek eşik değeri ile bellibir oranın üzerindeki birliktelikler bulunmaktadır.Ayrıca tüm birliktelik sonuçlarıyerine sadece istenilen sayıda nesne içeren– örneğin sadece üçlü – birliktelikler gösterilebilmektedir.(Şekil 5 – Bölüm 3)220• Belirlenen gün ve şubede, X ürününü alanlarınY ürününü de çok yüksek olasılıklaaldıkları biliniyorsa ve eğer bir müşteri Xürününü alıyor ama Y ürününü almıyorsa,o potansiyel bir Y müşterisidir denilebilir.• Her ürün için şube bazında bir sonrakiayın satış tahminleri çıkarılabilir.• Birlikte satın alınan ürünler için şubeve gün bazında promosyon uygulamasıyapılabilir.• Yeni bir ürün için potansiyel satış bölgesibelirlenebilir.• Analiz sonuçlarına göre stok eritmeyegidilebilir.• Ürün kataloglarında birlikte satılanürünler aynı sayfaya konularak çekici halegetirilebilir.• Web sitelerinde bir ürünle ilgilenen kişiye,bu ürünle birlikte en çok satılan ürününreklamı gösterilerek çapraz satış önerisigetirilebilinir.• Şube ve gün bazında reyon ve raf dizilişlerideğiştirilebilir. Bu konuda iki farklıstrateji geliştirmek mümkündür. Birincisistrateji, sıklıkla birlikte satın alınan ürünlerinbirbirine yakın iki farklı noktaya konulmasıve böylece müşterilerin iki ürünarasında bulunan reyonlardaki ürünleri dealma ihtimalini yükseltmektir. İkinci strateji,birlikte çok fazla satılan ürünlerin yanyana koyulması ile müşteri beklentilerinisağlanmak, ürünlerden birisini alan müşterinindiğerini almayı unutmasını engellemekve diğer ürünü de alma ihtimaliniarttırmaktır.6. Sonuçlar ve Gelecek ÇalışmalarÇalışmada, iş zekası çözümleri sunmaya yönelikolarak FP-Growth algoritmasını içeren biryazılım çerçevesi geliştirilmiştir. Çalışmanınamacı, toplanan çok boyutlu büyük veri yığınlarından,veri madenciliği yöntemleri ile öncedenbilinmeyen, yararlı ve kullanışlı olabilecekkuralların keşfedilmesidir. Veri madenciliği sonucundaelde edilecek bilgiler, mevcut durumudaha iyi görmeyi ve geleceğe yönelik akılcı vestratejik kararlar almayı sağlayacaktır.Gelecek çalışmalarda, Analyzer yazılımı ilediğer veri madenciliği yöntemlerini (kümeleme,sınıflandırma, sıralı örüntü analizi, aykırıdurum analizi) içeren uygulama çalışmalarınınyapılması ve elde edilecek sonuçlarının sunulmasıhedeflenmektedir.Şekil 5. “Open Analyzer” ekran görüntüsü2217. Kaynaklar[1] Agrawal, R., Imielinski, T., Swami, A.,“Mining Association Rules between Sets ofItems in Large Databases”, SIGMOD’93,ACM Press, 207-216 (1993).[2] Burdick, D., Calimlim, M., Gehrke, J.,“MAFIA: A Maximal Frequent Itemset Algorithmfor Transactional Databases”, Proceedingsof the 17th International Conferenceon Data Engineering, Heidelberg, Germany,443-452 (2001).[3] Dogan, B., Camurcu, Y., Association RuleMining from an Intelligent Tutor, Journal ofEducational Technology Systems, 36 (4): 433- 447 (2008)