Veri madenciliği ve karmaşık ağ analizi teknikleriyle satın alma siparişi verilerinin analizi

Abstract

Günümüzde şirketlerin büyüyen veritabanlarını, veri madenciliği ve karmaşık ağ analizi yöntemleri kullanarak analiz etmek kolay bir hal almıştır. Bu çalışmada kurumsal iki firmanın satınalma verileri iki farklı yöntem ile incelenmiştir. İlk yöntem; veri madenciliği başlığı altında anılan birliktelik kuralıdır. Burada, birlikte satın alınan ürünler birliktelik kuralı alt başlıkları olan sepet analizi yöntemi ve Apriori Algoritması uygulanarak incelenmiştir. Sepet analizi yönteminde yaygın olarak alınan ürünler ile en çok alınan ürün kümelerinin tespiti yapılmıştır. İkinci yöntem ise; karmaşık ağ analizi yöntemidir. Analiz ölçütlerinin kullanılması durumunda getireceği faydaların incelenmesi ve karşılaştırılmalı şekilde sunulması için faydalı bir analiz yapısına ulaşılması amaçlanmıştır. Bu çalışmada öncelikle elde edilen veriler içinden kirli veri olarak tarif edilen veriler ihmal edilmiş ve karmaşık ağ analizine uygun hale getirilmiştir. Sonrasında ise ağ modellenmesi yapılmıştır. Ağ analizi başlığı altında; görsel analiz, merkezilik analizi, topluluk analizi ve yapısal analiz yapılmıştır. Yapısal analizde de, satınalma ağının gerçek hayat ağlarına ait olup olmadığı rassal ağ ile karşılaştırılarak yapılmıştır. Son olarak ise sepet analizi raporlarında ön plana çıkmakta olan, madde kodlarının merkezilik analizi sonuçlarındaki değerleri incelenmiştir.

Nowadays, it became easier to analyze companies' growing databases using data mining and complex network analysis methods. In this study, the purchasing data of two corporate firms were examined by two different methods. The first method is the association rule referred to under data mining. In this part, the products purchased together were examined by applying the basket analysis method and the Apriori Algorithm which they are subheadings of the association rule. In the basket analysis method, the most commonly purchased products and the most frequently purchased products were determined. The second method is a complex network analysis method. In the case of using analysis criteria, it is aimed to create a useful analysis format in order to examine the benefits and present them in a comparative way. In this study, first of all, the data described as dirty data were annihilated and made suitable for complex network analysis. Then, network modeling was performed. Under the title of network analysis, visual analysis, centrality analysis, community analysis and structural analysis were performed. In the structural analysis, it has been determined whether the purchase network belongs to real life networks or not by comparison with the random network. Finally, the values of the item codes that come to the forefront in basket analysis reports in the results of central analysis are examined.