Müşterilerin GSP analizi kullanarak kümelenmesi

Basit Öğe Kaydı
dc.authorid0000-0001-5838-4615
dc.contributor.authorPakyürek, Muhammeten_US
dc.contributor.authorSezgin, Mehmet Selmanen_US
dc.contributor.authorKestepe, Sedaten_US
dc.contributor.authorBora, Büşraen_US
dc.contributor.authorDüzağaç, Remzien_US
dc.contributor.authorYıldız, Olcay Taneren_US
dc.date.accessioned2019-01-04T04:32:36Z
dc.date.available2019-01-04T04:32:36Z
dc.date.issued2018-07-05
dc.departmentIşık Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümüen_US
dc.departmentIşık University, Faculty of Engineering, Department of Computer Engineeringen_US
dc.description.abstractBu çalışma ile mevcut misafir ve rezervasyon verisi kullanılarak doğal öbeklenmeleri tespit ederek misafir davranışları tespit ettik. Ayrıca verilen hizmetleri ve satış stratejilerini bu davranışlara göre özelleştirdik. K-ortalama ile kişileri öbekledikten sonra bu mevcut öbeklenmeleri sağlayan temel karakteristikler karar ağacı yaklaşımı ile çıkartılmıştır. Bu karakteristiklerin kişinin ürün alma kanalı, belirli ürün tercihleri, rezervasyon süresi, sezonsal tercihi vb. olduğu tespit edilmiştir. Bu karakteristiklerin her öbeklenmede ciddi değişiklikler göstermiş olması çözümün genel olarak doğru olduğunun ve bu karakteristiklerin başarılı bir şekilde seçildiğini göstermektedir. Bu çalışma, grup karakteristiklerine uygun kampanyalar ve ürün paketleri oluşturulmasında önemli bir rol oynamaktadır.en_US
dc.description.abstractIn this study, customers' behaviors are determined by detecting natural clusterings using existing reservation and customer data. We also customize their services and sales strategies according to these behaviors. The basic characteristics that provide these existing heuristics have been extracted by the decision tree approach after the K-means is implemented. It is determined that these characteristics are customer's product acquisition channel, specific product preferences, reservation periods, seasonal preference, etc. The fact that these characteristics show significant changes in each clusters indicates that the solution is generally successful and that these characteristics are successfully selected. This work plays an important role in creating campaigns and product packages appropriate for these groups' characteristics.en_US
dc.description.versionPublisher's Versionen_US
dc.identifier.citationPakyürek, M., Sezgin, M. S., Kestepe, S., Bora, B., Düzağaç, R. & Yıldız, O. T. (2018). Customer clustering using RFM analysis. Paper presented at the 26th IEEE Signal Processing and Communications Applications Conference, SIU 2018, 1-4. doi:10.1109/SIU.2018.8404680en_US
dc.identifier.doi10.1109/SIU.2018.8404680
dc.identifier.endpage4
dc.identifier.isbn9781538615010
dc.identifier.issn2165-0608
dc.identifier.scopus2-s2.0-85050828214
dc.identifier.scopusqualityN/A
dc.identifier.startpage1
dc.identifier.urihttps://hdl.handle.net/11729/1444
dc.identifier.urihttp://dx.doi.org/10.1109/SIU.2018.8404680
dc.identifier.wosWOS:000511448500533
dc.identifier.wosqualityN/A
dc.indekslendigikaynakWeb of Scienceen_US
dc.indekslendigikaynakScopusen_US
dc.indekslendigikaynakConference Proceedings Citation Index – Science (CPCI-S)en_US
dc.institutionauthorYıldız, Olcay Taneren_US
dc.institutionauthorid0000-0001-5838-4615
dc.language.isotren_US
dc.peerreviewedYesen_US
dc.publicationstatusPublisheden_US
dc.publisherInstitute of Electrical and Electronics Engineers Inc.en_US
dc.relation.ispartof26th IEEE Signal Processing and Communications Applications Conference, SIU 2018en_US
dc.relation.publicationcategoryKonferans Öğesi - Uluslararası - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/closedAccessen_US
dc.subjectGSP analizien_US
dc.subjectK-ortalama argoritmasıen_US
dc.subjectKümelemeen_US
dc.subjectMüşteri segmentasyonuen_US
dc.subjectAcquisition channelsen_US
dc.subjectBasic characteristicsen_US
dc.subjectClusteringen_US
dc.subjectClustering algorithmsen_US
dc.subjectConsumer behaviouren_US
dc.subjectCustomer clusteringen_US
dc.subjectCustomer dataen_US
dc.subjectCustomer lifetimeen_US
dc.subjectCustomer dataen_US
dc.subjectCustomer segmentationen_US
dc.subjectData miningen_US
dc.subjectDecision tree approachen_US
dc.subjectDecision treesen_US
dc.subjectDogsen_US
dc.subjectInterneten_US
dc.subjectK-means algorithmen_US
dc.subjectLogisticsen_US
dc.subjectMachine learningen_US
dc.subjectMarketing data processingen_US
dc.subjectPattern clusteringen_US
dc.subjectProduct packagesen_US
dc.subjectProduct preferencesen_US
dc.subjectReservation periodsen_US
dc.subjectRFM analysisen_US
dc.subjectRough setsen_US
dc.subjectSalesen_US
dc.subjectSales strategiesen_US
dc.subjectSeasonal preferenceen_US
dc.subjectSignal processingen_US
dc.titleMüşterilerin GSP analizi kullanarak kümelenmesien_US
dc.title.alternativeCustomer clustering using RFM analysisen_US
dc.typeConference Objecten_US
dspace.entity.typePublication

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
1444.pdf
Boyut:
254.76 KB
Biçim:
Adobe Portable Document Format
Açıklama:
Publisher's Version
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.71 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Bildiri Koleksiyonu | Bilgisayar Mühendisliği Bölümü
Scopus İndeksli Yayınlar Koleksiyonu
WoS İndeksli Yayınlar Koleksiyonu