TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI

Transkript

1 1 TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI Metehan TOLON Nuray GÜNERİ TOSUNOĞLU Özet Tüketc tatmn araştırmaları özelde pazarlama yönetclernn, genelde se şletme yönetclernn önem verdğ ve ttzlkle yürüttüğü araştırma türlernden brdr. İşletme faalyetlernn hedef tüketclern stek ve htyaçlarını ne oranda karşıladığı, ne tür yleştrmeler yapılması gerektğ düzenl olarak ncelenmeldr. Tüketc araştırmaları uygulanması zor araştırma türlernden brdr. İşletmelern hedef ktle seçmelerne rağmen, hedef ktle çndek tüketclern stek ve htyaçlarını, beklentlern ve memnunyet düzeylern doğru olarak belrlemeler pazarlama yönetcler çn hayat önem taşır. Her araştırmada olduğu gb tatmn araştırmalarında da hang yöntemle ölçüm yapılacağına karar vermek her zaman kolay olmamaktadır. Seçlecek olan yöntem, araştırma sonuçlarının objektflğn ve bu da yürütülmes gereken faalyetlern vermllğn etklemektedr. Hang yöntemn yapılacak araştırma çn en uygun olduğunu tespt edeblmek çn kullanılan analzlern karşılaştırılması hem akademk cama, hem de lgl sektörler açısından yararlı olacaktır. Bu çalışmada 2000 l yıllarla beraber kendne yer bulan yapay snr ağları le tatmn araştırmalarında sıklıkla kullanılan regresyon yöntem ele alınmış ve Ankamall müşterlerne yapılan uygulama karşılaştırmalı olarak analz edlmştr. Anahtar Kelmeler: tüketc tatmn, yapay snr ağları, regresyon analz ANALYZING CONSUMER SATISFACTION DATA: A COMPARISON OF ARTIFICIAL NEURAL NETWORKS and REGRESSION ANALYSIS Abstract Researches relatng to consumer satsfacton fall nto categores of researches whch marketng managers n especal and busness managers n general place emphass and perform wth accuracy. It should be regularly analyzed at whch rate Arş. Gör. Dr., Gaz Ü. İİBF İşletme Bölümü, metehan@gaz.edu.tr Arş. Gör. Dr., Gaz Ünverstes T.T.E.F.Blgsayar Uygulamaları Eğtm Bölümü, nguner@gaz.edu.tr

2 2 busness operatons meet the demands and needs of customers and whch amendments need to be performed. Consumer researches are one of the dffcult research type n mplementaton. Although frms have selected target audence, t s vtal mportance for marketng managers to assgn needs and desres, expectatons and satsfacton levels of consumers whch are n target audence correctly. It s not always easy to decde about whch methods to be employed n researches relatng to customer satsfactons just as all researches. The method to be selected nfluence the objectvty of research results and ths wll nfluence the productvty of the operatons to be performed. It wll be useful for both academcans and related sectors to determne most sutable method for related research by comparng useful analyss. In ths research, the method of artfcal neural networks, whch come to the forefront by the years 2000, and regresson analyss whch s employed occasonally n satsfacton researches have been revewed and the practse performed to Ankamall customers analyzed comparatvely. Key Words: consumer satsfacton, artfcal neural networks, regresson analyss GİRİŞ Pazarlama yönetclernn toplam şletme başarısını artırablmek çn araştırdığı konuların başında tüketc tatmn gelmektedr. Tüketc tatmn; tüketclern beklentler le şletmelern tüketclere sundukları mal ve hzmet performanslarının ne kadar denk olduğu le lşkl br kavramdır. İşletmeler sundukları mal ve hzmetlerle bu beklentler karşılamaya ve hatta beklentlern üzerne çıkmaya çalışmaktadırlar. Tüketc tatmn araştırmalarını sürekl hale getrerek var olan ekskler gderen, olumlu yönlere odaklanma sağlayan şletmeler sadık tüketc yaratma yolunda emn adımlar atablmektedrler. Bu amaçla pazarlama yönetcler çn öneml problemlerden br, objektf olarak yapılması gereken tüketc tatmn araştırmalarında kullanılacak yöntemn seçlmesdr. Sonuçları gerçeğe en yakın yöntemn seçlmes, yapılan araştırmanın etknlğn artırmakta ve dolayısıyla şletmenn mevcut durumunu göstererek lerye dönük olarak daha doğru kararlar vermesn sağlamaktadır. Tüketc tatmn araştırmaları, tüketc davranışlarının karmaşık yapısı tbaryle uygulanması zor araştırma türlernden brdr. Geleneksel statstksel analzlern tatmn araştırmalarında yetersz kaldığı brçok yazar tarafından kabul görmektedr. Bu nedenle yen teknklern araştırılarak karşılaştırmaya tab tutulması önem kazanmaktadır.

3 3 Pazarlama alanında son yıllarda kullanılan teknklerden br yapay snr ağlarıdır. Snr ağları nsan beynnn çalışmasından esnlenerek, byolojk snr sstem gb hareket edecek ağ modellernn kurulablmes çn gelştrlen br yöntemdr. Bu çalışmada tüketc tatmn araştırmalarında yapay snr ağlarının kullanımı rdelenmştr. Yöntemn performansını değerlendrmek çn regresyon analz le karşılaştırma yapılması amaçlanmıştır. Çalışmanın lk bölümünde yapay snr ağları konusu açıklanacaktır. İknc bölümde regresyon analz kısaca sunulacaktır. Üçüncü bölümde k yöntem karşılaştırmak çn Ankara da Ankamall alışverş merkez müşterler üzernde yapılan uygulama verlerek elde edlen sonuçlar değerlendrlecektr. I) YAPAY SİNİR AĞLARI Blgsayarlar, çok karmaşık sayısal şlemler anında çözümleyeblmelerne karşın, drak etme ve deneymlerle kazanılmış blgler kullanablme noktasında çok yeterszdrler. Bu olayda nsanı ya da nsan beynn üstün kılan temel özellk, snrsel algılayıcılar sayesnde kazanılmış ve görel olarak sınıflandırılmış blgler kullanablmesdr. Uzman sstemler, bulanık mantık, genetk algortma ve yapay snr ağları gb yapay zeka alt dalları özellkle son yıllarda genş br araştırma ve uygulama alanı bulmaktadır (Elmas, 2003: 21). Temelde yapay snr ağları, nsan beynnn mmarsnden yola çıkılarak düzenlenmektedr. Bu konudak lk teorler Mc Culloch ve Ptts tarafından 1943 yılında ortaya atılmıştır. Daha sonra Hebb n çalışması (Hebb n öğrenme teors 1949) nsan beynnn nöronlarının nasıl öğrendklern ortaya koymaya çalışmıştır yılında Rosenblatt algılama üzernde durmuştur. Yapay snr ağları hakkında en başarılı uygulamalar 1960 lı yıllarda Wdrow ve Hoff tarafından gelştrlmştr. Paul Werbos 1974 yılında Wdrow Hoff prosedürü çn karşıt hata görevler yapısını teklf etmş, böylece daha öncek tek-katman kısıtı elemne edlmş ve pek çok kısıtlı süreç hesaplanablmştr. Dğer gelşmeler büyük ölçüde Kolmogorov un (1957) süper durum teoremnden esnlenmştr. Bu bze sürekl fonksyonların doğrusal olmayan sonuçlarla doğrusal sonuçların bütünleştrlmesyle hesaplanableceğn göstermştr (Krycha ve Wagner, 1999: 186). Yapay snr ağları, tecrübeden öğreneblme yeteneğne sahp, yen durumlara adapte olablen, bunun yanında oldukça hızlı çalışan güçlü ve kıyaslanablr blgsayar sstemlerdr. Yapay snr ağlarında temel süreçleme elemanı nörondur. Her nöron ağırlıkla brleştrlmş br grd setne sahptr. (Wang ve Takefuj, 1993: 12).

4 4 DARPA (Defense Advanced Research Projects Agency) Yapay Snr Ağları Çalışması na göre yapay snr ağları sstem fonksyonu ağ yapısına göre tanımlanmış ve paralel olarak çalışan brçok bast süreç elemanlarından oluşmakta ve süreçleme elemanların hesaplanmasıyla çalışmaktadır. Yapay snr ağları mmars, yüksek hesaplama oranlarını sağlamak çn brçok bast süreç elemanları kullanan byolojk snr sstemler mmarsnden esnlenmektedr (DARPA Yapay Snr Ağları Çalışması, 1988: 60). Verlen tanımlamalar ışığında yapay snr ağlarının, nsan snr sstemndek mmary ele alarak verlern analz çn blgsayar sstemn kullandığını söylemek mümkündür. Burada öneml olan nokta pazarlama araştırması açısından karmaşık br yapıya sahp olan tüketc tatmn araştırmalarında yapay snr ağları sstemnn daha esnek ve gerçekç sonuçlara ulaşmasının mümkün olablmesdr. A) Yapay Snr Ağı Modeller Yapay snr ağı model brbrleryle bağlantılı olan snrlern bulunduğu katmanlardan oluşmaktadır. Temelde bu katmanlar; grd katmanı, gzl katman ve çıktı katmanı olmak üzere üç tanedr. Grd değşkenler grd katmanından gelmektedr. Bu grd unsurları etkleşme tab tutulduktan sonra ortaya çıktı değşkenler çıkar. Bunlar da çıktı katmanını oluşturur. Arada bulunan gzl katmanı se dış ortamla bağlantısı olmayan snrlerden oluşur ve bu snrler grd katmanındak snyaller çıktı katmanına gönderrler. Yapay snr ağı yapısını Şekl 1 de görmek mümkündür. Şekl 1. Yapay Snr Ağı Yapısı Kaynak: Kurup ve Dudan 2002: 571

5 5 İşleyş şekllerne göre yapay snr ağları ler beslemel ve ger beslemel ağlar olmak üzere kye ayrılırlar. İler beslemel yapay snr ağlarında snyaller sadece tek br yönde, grd katmanından çıktı katmanına doğru yönelr. Br katmandan elde edlen çıktı değer, aynı katmandak snrler etklemez. İler beslemel ağlarda, snrler yalnızca br sonrak katmanda bulunan snrlerle bağlantıya sahptr. Bu modellerde ağın çıktısı, tamamen ağa gren grdlere bağlıdır. İler beslemel ağlar herhang br dnamklk özellğ taşımazlar ve gösterdkler özellk bakımından doğrusal ve doğrusal olmayan kararlı problem alanlarında uygulanmaları mümkündür (Güner, Apaydın, 2004: 175) (Cchock, Unbehaven, 1993: 64 65). Ger beslemel ağlarda br tür ger besleme şlem vardır. Bu ağ yapılarında snyaln yönü grd katmanından çıktı katmanına doğrudur. Ancak aynı zamanda, br katman üzernde yer alan snrler, kendsnden, katmandak dğer snrlerden ya da dğer katmanlardak snrlerden snyal alablmektedr. Bu sebeple ger beslemel ağlarda br snrn çıkışı, snrn o andak grdler ve ağırlık değerleryle belrlenmesnn yanında bazı snrlern br öncek süredek çıkış değerlernden de etklenmektedr (Güner, Apaydın, 2004: 175)(Elmas, 2003: 63). B) Yapay Snr Ağlarında Öğrenme Yapay snr ağlarında blg, ağdak bağlantıların ağırlıklarında depolanır. Br ağda öğrenme, stenen br şlev yerne getrecek şeklde ağırlıkların ayarlanması sürecdr. Yapay snr ağlarında öğrenme, snrler arasındak ağırlıkların değştrlmes le gerçekleşmektedr. Buna göre snrler arası bağlantılar üzerndek ağırlıkları belrl br yöntem le dnamk olarak değştrleblen ağlar eğtleblr. Öğreneblen ağlar, yen şekller tanıyablr ya da verlen br grşn hang sınıfa at olduğuna karar vereblr. Yapay snr ağlarında öğrenme düğümler arasındak ağırlıkların, düğümlerdek etknlk ya da aktarım şlevlernn değşkenlernn ayarlanmasıyla yapılmaktadır (Elmas, 2003: 95). Yapay snr ağları kullanılarak yapılan araştırmalarda en sık kullanılan öğrenme yöntemler, danışmalı ve danışmasız öğrenme yöntemler olmasından dolayı bu yöntemler üzernde durulacaktır. Danışmalı öğrenmede, yapay snr ağı kullanılmadan önce eğtlmeldr. Eğtme şlem, snr ağına grş ve çıkış blgler sunmaktan oluşur. Bu blgler genellkle eğtme kümes olarak adlandırılır. Her br grş kümes çn uygun çıkış kümes ağa sağlanmalıdır (Elmas, 2003: 96).

6 6 Sstemde yer alan her br grd değşken le lşkde olan hedef çıktı değerler blndğ zaman danışmalı öğrenmeye htyaç duyulur. Başka br deyşle, sstemdek grdlere karşılık üretlmes arzu edlen çıktılar belrtlr (Güner, Apaydın, 2004: 176). Danışmalı öğrenme yöntem, ler beslemel ağlarda daha sıklıkla kullanılan br yöntemdr. Danışmalı öğrenme yöntemnde çalışma set, vernn özellkler ve gözlemleneblr çıktılar hakkında bütün blgler çerr. Modeller, grdlerle çıktıların lşks öğrenlerek oluşturulablr (Smth, Gupta, 2002: 2). Danışmasız öğrenmede grd değşkenlerne karşılık arzu edlen çıktılar belrtlmez. Ağ yalnızca grd modeln öğrenr. Öğrenme sürec üzerndek ler dönüşün kaynağı bell değldr. Katmanlar arasındak ağırlıkların ayarlanması ağ tarafından kendlğnden gerçekleştrlr (Güner ve Apaydın, 2004: 176). Danışmasız öğrenmede sadece grd katmanındak değerler kullanılmaktadır. Amaç, ver setndek modeln ortaya çıkarılmasıdır. Sstemn doğru çıkış hakkında blgs yoktur ve grşlere göre kend kendsn örnekler. Danışmasız olarak eğtleblen ağlar, stenen ya da hedef çıkış olmadan grş blglernn özellklerne göre ağırlık değerlern ayarlar. Burada ağ stenen dış verlerle değl, grlen blglerle çalışır. Bu tür öğrenmede gzl snrler dışarıdan yardım almaksızın kendlern örgütlemek çn br yol bulmalıdırlar. Bu yaklaşımda, verlen grş vektörler çn önceden blneblen performansını ölçeblecek ağ çn hçbr çıkış örneğ sağlanmaz, yan ağ yaparak öğrenmektedr (Hanssens, Parsons, Schultz, 2001: 226) (Elmas, 2003: 150). C) Yapay Snr Ağlarının Avantaj ve Dezavantajları Geleneksel statstksel analzler genellkle uygulamayla lgl durumlara uygun sonuçlar ortaya koyamazlar. Tüketc tatmn araştırmalarında temel problem smgeler arasındak yüksek korelasyon değerlerdr. Bu, çok çeştl smgelern brbrlerne göre görecel önemn belrlemek çn kullanılan standart beta katsayısını etkleyeblmektedr. Eğer yüksek derecel çoklu bağlantı var olursa standart beta katsayısı öneml göstergelern yanlış yorumlanmasına sebebyet vereblr. Bunun yanında, geleneksel statstksel analzler göstergelern normal dağılım gösterdklern varsaymaktadır. Bu, tüketc tatmn ölçümü le örtüşmemektedr. Son olarak geleneksel statstksel analzler bağımsız ve bağımlı değşkenlern arasında doğrusal br lşk olduğunu varsaymaktadır. Bu da öneml br hatadır. Geçmştek araştırmalar lşklern genellkle eğrsel ve doğrudan uzakta olduğunu göstermektedr (Garver, 2002: 10). Yapay snr ağları uygulama tbaryle uzun yıllardır kullanılmasına karşın pazarlama alanındak kullanımı son beş yıl çersnde yaygınlaşmıştır. Özellkle tüketc

7 7 davranışlarının açıklanması bakımından dğer statstksel analz yöntemlerne göre daha esnek ve gerçeğe yakın sonuçlar ortaya koymasından dolayı terch edlme oranı bundan sonra da artacaktır. Bununla beraber yapay snr ağları yöntemnn bazı avantaj ve dezavantajları bulunmaktadır. Bunlar (Elmas, 2003: 27) (Yıldız, 1999: 118)(Güner, 2001: 10 11): Avantajları: - Yapay snr ağları öncek deneymlerden öğreneblr, br kez eğtldklernde yen br ver kümesne hemen cevap vereblr. Br örnekten hareket ederek dğer örnekler açıklayablr. - Yapay snr ağları matematksel modele htyaç duymaz. Yapay snr ağı yazınında verlern yapay snr ağının eğtmnde kullanılması çn gerekl br varsayıma rastlanmamıştır. - Yapay snr ağları verlerden hareketle blnmeyen lşkler akıllıca hemen ortaya çıkarablr. Ağların bu özellğ, uygulama açısından önemldr. - Geleneksel blgsayar sstemler, sstemde oluşacak hatalara karşı çok hassastır. Sstemde meydana geleblecek en ufak br hata, sonuca ulaşmama ya da sonuçlarda büyük hataya yol açablmektedr. Ancak yapay snr ağlarının br veya brkaç nöronunun zarar görmes sstem geleneksel blg şlem teknolojlernde olduğu kadar etklemez. - Ağ ağırlık katsayısı ve yapısı gb kend parametreler değştğnde somut br problemn çözümü çn kendn adapte edeblme özellğne sahptr. - Ağlar doğrusal değldr. Bu nedenle karmaşık problemler doğrusal teknklerden daha doğru çözeblrler. Doğrusal olmayan davranışlar hssedlr, algılanır ve blneblr. Ancak, bu problemler ve davranışları matematksel olarak çözmek zordur. Dezavantajları: - Sstem çersnde ne olduğu blnemez. Bu sebeple bazı durumlarda ağların verdğ sonuçları değerlendrmek zor olablr. - Br problemn çözümünde çok uygun br çözüm bulamayablrler ya da hata yapablrler. Bunun sebeb, ağı eğtecek br fonksyonun bulunmamasıdır. Bazı durumlarda fonksyon bulunsa ble yeterl ver bulunamayablr. - Eğtlmek çn uzun br zamana htyaç duyarlar ve bundan dolayı zaman ve para malyet yüksektr. - Farklı sstemlere uyarlanması zor olablr.

8 8 - Ağın kaltes ve kapastes, uygulamadak hızı le orantılıdır. Öyle k, düğümlern sayısındak artış ble zamanın çok daha artmasına sebep olablr. II) REGRESYON ANALİZİ Blndğ gb araştırmalarda değşkenler arasındak lşky belrlemek çn en çok kullanılan teknklerden br de regresyon analz teknğdr. Çoğu blm adamı snr ağlarını daha y anlatablmek çn, snr ağları le regresyon modeller arasındak lşky açıklamaya çalışmıştır. Doğrusal, doğrusal olmayan, bast, çoklu, parametrk, parametrk olmayan, lojstk, vb. gb çok sayıda regresyon model bulunmaktadır. Yapılan çalışmalarda snr ağları regresyon modelleryle karşılaştırılırken bu modeller kullanılmıştır (Güner ve Apaydın, 2004:176). Regresyon, statstkte k ya da daha çok değşken arasındak lşknn modellenmesnde kullanılan br teknktr. Regresyon analznde bağımlı değşken (açıklanan değşken, cevap değşken) Y le, bağımsız değşkenler (açıklayıcı değşkenler) se X j ( j=1,..., m) le gösterlr. Burada amaç, bağımlı değşken le br ya da brden çok bağımsız değşken arasında kurulan modeldek parametreler tahmn ederek, bağımsız değşkenlern blnen değerler çn bağımlı değşkenn alacağı değer tahmn etmektr. Yan bağımlı değşken le bağımsız değşkenler arasındak lşk yapısını belrlemektr. Y bağımlı değşkenn etkleyen m tane bağımsız değşken X 1, X 2,..., X m olmak üzere çoklu regresyon model, Y β + β X + β X β X ε (1) = o m m + olarak tanımlanır. Burada β 0 ve β j (j=1,..., m) parametreler, X ( j) bağımsız değşkenler sabt tutulduğunda X j dek br brmlk değşmenn Y bağımlı değşken üzerndek beklenen değşm mktarını veren regresyon katsayıları ve ε hata termdr. Model tahmnnde amaç ε hata termn mnmum yapacak şekldek β 0 ve β j katsayılarını tahmn etmektedr. Regresyon modeller, tek tabakalı br snr ağı yapısına benzetleblr. Bağımsız değşkenler snr ağlarındak grdlere, bağımlı değşken çıktılara, β j katsayıları da snr ağlarındak ağırlıklara dönüştürüleblr. Katsayıları bulmak çn, deney ve gözlemler yapılarak ver setnn oluşturulması gerekr. Bu, snr ağlarında danışmanlı öğrenme sürec üzerndek eğtm setne benzemektedr. Regresyon analznde β 0 ve β j katsayılarının bulunması amaçlanmıştır.

9 9 Snr ağları yaklaşımı, br regresyon problem gb ele alındığında, burada da amaç, ağırlık katsayılarının bulunması olacaktır. Snr ağı üzerndek ağırlıkların bulunmasında ger yayılım algortması kullanılablmektedr 1. III) UYGULAMA Bu çalışmanın amacı 2000 l yıllarla beraber pazarlama araştırmalarında kendne yer bulan Yapay Snr Ağları yöntemnn uygulanışını göstermek ve yöntemn doğrusal regresyon analz le br karşılaştırmasını yapmaktır. Bu amaçla şletmeler açısından üzernde önemle durulan tüketc tatmn konusunda br uygulama yapılması düşünülmüştür. Uygulama çn Ankara da bulunan ve tüketclern en fazla terch ettkler varsayılan Ankamall alışverş merkeznn müşterlerne, alışverş merkeznden duydukları tatmnn ölçülmes amacıyla ulaşılmaya çalışılmıştır. Ayrıca ortaya çıkan sonuçlar alışverş merkezlerne geleblecek potansyel müşterlern tatmn düzeylernn tahmn açısından da önem taşımaktadır. Araştırma le lgl verlern toplanmasında yüz yüze anket metodu kullanılmıştır. Anket formu üç bölümden oluşmaktadır. Brnc bölümde müşterlere at demografk özellklere yer verlmştr. İknc bölümde 31 değşkenden oluşan br soru tablosu le müşterlern beklentlernn ortaya koyulması amaçlanmıştır. Son bölümde se aynı değşkenler açısından müşterlern Ankamall alışverş merkeznden duydukları tatmn düzey sorgulanmıştır. Bu değşkenler seçlrken alışverş merkezlernde tüketc tatmn konusunda yapılmış olan çalışmalardan yararlanılmış ayrıca bunların yanında uygun olacağı düşünülen değşkenler eklenmştr Anket formu hazırlanırken soruların, cevaplayıcılar tarafından anlaşılır olmasına ve sonuçların tartışmaya açık olmamasına özen gösterlmştr. Bu amaçla 57 brmlk br plot uygulama yapılarak anket formunda gerekl düzeltmeler yapılmıştır. Gerçekleştrlen 57 brmlk plot uygulama sonrasında anketn güvenlrlğ test edlmş ve Cronbach Alfa katsayısı beklent düzey açısından 0,82, tatmn düzey açısından se 0,86 çıkmıştır. Bu değerler araştırmanın güvenlr olduğunu göstermektedr. Anketlern uygulandığı müşterler hareket halndek br nüfusu oluşturduğundan keyf örnekleme metodunun trafk örneklemes türüne göre seçlmştr. Araştırmada 273 müşterye anket uygulanmıştır. Anketler farklı müşter gruplarına ulaşmak amacıyla haftanın değşk günlernde ve günün değşk saatlernde uygulanmıştır. Uygulama esnasında, yapılan anketlerdek beklentler ölçen knc grup sorularda ölçülen değşkenler faktör analznden yararlanılarak gruplandırılmıştır. Analz sonucunda ortaya çıkan dört değşken grubu en uygun olacak bçmde 1 Ayrıntılar çn bakınız Warner ve Mısra 1996.

10 10 smlendrlmştr. Analzde bağımlı değşken müşterlern ortalama tatmn düzeylerdr. Tatmn etkleyen bağımsız değşkenler se müşterlern beklent düzeylerdr ve bu değşkenler, - Müşter Hzmetler, - Fzksel Şartlar, - Personel, - Perakendec Karması Çeştllğ dr. Tanımlanan bu bağımsız değşkenler aşağıda açıklandığı gbdr: x 1 : Müşter Hzmetler (Satış gelştrme faalyetlernn etknlğ (hedye çek, hedye çeklş vb ), Yangın, sağlık ve emnyet gb durumlar çn özel önlemlern alınmış olması, Engell tüketcler çn rahat alışverş mkanı sağlanması, Çalışma saatlernn uygun olması, Alışverş yapanlar çn evlere servs mkanının bulunması) x 2 : Fzksel Şartlar (Alışverş esnasında çalan müzk, Isı, aydınlatma ve havalandırmanın yeterl olması, Yeterl otopark alanına sahp olması, Alışverş merkeznn bulunduğunuz yere yakın olması (ev, şyer), Alışverş merkeznn ç hacmnn yeterl olması) x 3 : Personel (Çalışanların gym kuşamı, çalışanların müşterlere karşı lgsnn yeterllğ, çalışanların müşterlere karşı htabı) x 4 : Perakendec Karması Çeştllğ (Yyecek-çecek katının yeterllğ, Çocuk eğlence alanlarının olması, Çocuk tekstl mağazalarının olması, Genç tekstl mağazalarının olması, Yetşkn tekstl mağazalarının olması, Saat-Optk-Kuyumcu mağazalarının olması, Elektronk ve Beyaz eşya mağazalarının olması, Cep telefonu mağazalarının olması, Ev dekorasyon ve yapı market mağazasının olması, Banka ATM olması, Kozmetk ve bjuter mağazalarının olması, Ayakkabı-Çanta mağazalarının olması, Çamaşır-Çorap mağazalarının olması, Kuru temzleme mağazalarının olması, Ktap-Kırtasye mağazalarının olması, Snemanın olması, Oyuncakçı mağazalarının olması, Spor malzeme satan mağazaların olması)

11 11 Tüketclern tatmnn ölçmek çn önce yapay snr ağları le daha sonra çoklu doğrusal regresyon le analz yapılmıştır. Yapay snr ağları le analz yapılırken ver setnde yer alan verler rasgele olarak; eğtm, geçerllk ve test set olmak üzere üç bölüme ayrılmıştır. Ver setnn %80 n eğtm set, %10 unu geçerllk set, %10 unu da test set oluşturmuştur. Eğtm set, ağın eğtmnde, geçerllk set, snr ağındak gzl ünte sayısını seçmede, test set se eğtmn uygulanmasının performansını ölçmede kullanılır. Yapay snr ağları le uygulamada kullanılan model ler beslemel ağlar çn ger yayılım algortması ve öğrenme yöntem de danışmalı öğrenme yöntemdr. Ağırlıkların belrlenmes sürecne lşkn algortma; k = 1,2,..., Z katman numarası, k X : k ıncı katmandak brmnn grds, y : k ıncı katmandak brmnn çıktısı, w j : (k-1) nc katmandak brmn, k ıncı katmandak j brmne bağlayan ağırlık, olmak üzere aşağıdak gbdr (Elmas, 2003: ): Adım 1) w ya gerçek değerl küçük rastlantısal sayılar başlangıç değer olarak atanır. p Adım 2) Rasgele br ( x p, t ) (grş, hedef) çalışma model seçlr ve k katmanındak her br j brm çn ler yönde çıktı değer hesaplanır. Böylece çıkış, y k = f k 1 k ( y w ) j olur. 1 no lu katmanın grdler 0 üssüyle adlandırılır. Bu da 0 y = x bçmnde gösterlr. Adım 3) Son Z katmanında hesaplanan brmler çn y Z ve karşılık gelen y p değerler Delta mktarlarının hesaplanmasında kullanılmaktadır. Çıkış brmler çn hata termler hesaplanır. δ Z = Z p Z ( v y ) f ( X )

12 12 Adım 4) k = Z, Z-1,..., 2 katmanlarındak tüm brmler çn gerye yayılımla deltaları yan gzl katman brmler çn hata termler hesaplanır. k 1 k 1 k k j δ = f ( X ) δ w Adım 5) Bütün ağrılıklar w ler kullanılarak güncellenr. w yen = w Δw = ηδ j k j esk j + Δ k k 1 y w k j j Adım 6) 2. adıma dönüp, toplam hata kabul edleblr br düzeye gelene kadar her br p model çn şlemler tekrarlanır. Bu algortmanın uygulanması le en y ağırlıklar elde edlmş olur. Analz sonucunda ortaya çıkan denklemler şu şeklde değerlendrmek mümkündür: - Denklemdek katsayılar her br değşken setnn tatmne ne kadar etk ettğn göstermektedr. Bu açıdan poztf olan katsayılar tatmne poztf yönde etk eden değşken setlern, negatf katsayılar se tatmne negatf etk eden değşken setlern fade etmektedr, - Denklemde, potansyel müşterler çn yapılacak analzde, her br değşken setne verlen cevapların ortalamaları alınarak, bunlar denklemde yerne konulduğunda potansyel müşter çn tatmn düzey ortaya konablmektedr. İk yöntemden elde edlen sonuçların karşılaştırılması çn test setnn performansı değerlendrlmştr. Bunun çn test setnde yer alan verlere lşkn tatmn düzeylernn tahmnler her k yöntemden elde edlen tahmn denklemler aracılığı le bulunarak standart hata değerler hesaplanmıştır. Standart hata değer, s = ( y yˆ ) n k 2 formülü le hesaplanmaktadır. Burada y gerçek tatmn değer, ŷ tahmn tatmn değer, n ver sayısı, k se değşken sayısıdır.

13 13 A) Uygulama Sonuçları Ankamall müşterlernn mağazadan duydukları tatmne lşkn yapay snr ağlarından elde edlen tahmn denklem, ŷ ysa = -0,08479x 1 + 0,11973x 2 + 0,1308x 3 + 0,12718x 4 + 2,42921 ve regresyon analznden elde edlen tahmn denklem se, ŷ r = -0,100x 1 + 0,083x 2 + 0,120x 3 + 0,164x 4 + 2,552 bçmnde bulunmuştur. Her k yöntemden elde edlen denklemde de müşter hzmetler değşken setnn tatmn negatf yönde etkledğ görülmektedr. Sonuçlar ncelendğnde müşter hzmetlernn tatmne negatf etk etmesnn en öneml sebeplernn evlere servs mkanının olmaması ve satış gelştrme faalyetlernn etkn yürütülmemes olduğunu söylemek mümkündür. Dğer değşken setler se tatmn poztf yönde etklemektedr. İk yöntemden elde edlen sonuçların karşılaştırılması çn test setne lşkn bağımsız değşkenlern değerler, yan müşterlern beklent düzeylerne lşkn ortalamalar, bulunan denklemlerde yerne yazılarak, tahmn tatmn düzeyler hesaplanmıştır. Gerçek tatmn değerler le tahmn tatmn değerler arasındak farka lşkn standart hata değer bulunarak karşılaştırma yapılmıştır. Elde edlen hata değerler Tablo 1 de verlmştr. Tablo 1. Tahmnlere İlşkn Standart Hata Değerler Yapay Snr Ağları Regresyon Analz Standart Hata Değer 0,25 0,27 Tablo 1 den görülebleceğ gb yapay snr ağlarından elde edlen tahmnler çok az br farkla da olsa regresyon analznden elde edlen tahmnlerden daha az hataya sahptr. Bu sonuç yapay snr ağlarının pazarlama araştırmalarında kullanılmasının uygun olduğunu ve regresyon analz kadar etkn sonuçlar verdğn göstermektedr.

14 14 SONUÇ Tüketc tatmn araştırmasında kullanılan regresyon analz ve yapay snr ağları le lgl yapılan uygulama sonucunda, beyndek snr ağları yapısını örnekleyerek analzn gerçekleştren yapay snr ağlarının, regresyon analznden daha az hataya sahp sonuçlar verdğ görülmektedr. Bu durumda tatmn araştırmalarında sıklıkla kullanılan regresyon analznn gerçekleştrleblmes çn gerekl varsayımların sağlanmadığı durumlarda yapay snr ağları yöntemnn rahatlıkla terch edlebleceğn söylemek mümkündür. Bundan sonra yapılacak çalışmalarda, çeştl sektörlerden toplanan daha genş çaplı verler le tatmn araştırmalarında kullanılan dğer yöntemlerle yapay snr ağlarının karşılaştırmalı analznn yapılmasının, yapay snr ağları yöntemnn etknlğn belrlemede lteratüre katkı sağlayacağı düşünülmektedr. KAYNAKÇA.., (1988), DARPA Yapay Snr Ağları Çalışması, AFCEA Internatonal Pres: Alexandra. CICHOCKI Andrzej, UNBEHAVEN Rolf, (1993), Neural Networks for Optmzaton and Sgnal Processng, John Wley&Sons: England. ELMAS Çetn, (2003), Yapay Snr Ağları (Kuram, Mmar, Eğtm, Uygulama), Seçkn Yayınları: Ankara. GARVER Mchael S., (2002), Usng Data Mnng For Customer Satsfacton Research, Journal of Marketng Research, Sprng2002, Vol. 14, Issue 1, s GÜNERİ Nuray, APAYDIN Ayşen, (2004), Öğrenc Başarılarının Sınıflandırılmasında Lojstk Regresyon Analz ve Snr Ağları Yaklaşımı, Tcaret ve Turzm Eğtm Fakültes Dergs, Yıl: 2004, Sayı: 1, s HANSSENS Domnque M. ve dğerler, (2001), Market Response Models Econometrc and Tme Seres Analyss, 2nd Edton, Kluwer Academc Pub.: New York KRYCHA Karl A., WAGNER Udo, (1999), Applcatons of Artfcal Neural Networks n Management Scence: A Survey, Journal of Retalng and Consumer Servces, Vol. 6, p KURUP Pradeep U., DUDANI Ntn K., (2002), Neural Networks for Proflng Stress Hstory of Clays from PCPT Data., Journal of Geotechncal & Geoenvronmental Engneerng, July 2002, Vol. 128, Issue 7, p. 569, 11p.

15 15 SMITH Kate A., GUPTA Jatnder N.D., (2002), Neural Networks n Busness: Technques and Applcatons, IRM Pres: Unted Kngdom WANG Jun, TAKEFUJI Yoshyasu, (1993), Neural Networks In Desgn and Manufactorng, World Scentfc Pub.: Sngapore. WARNER B., MISRA M., (1996), Understandng Neural Networks As Statstcal Tools, The Amercan Statstcan, 50(4); YILDIZ Brol, (1999), Fnansal Başarısızlığın Öngörülmesnde Yapay Snr Ağı Kullanımı ve Amprk Br Çalışma, Yayımlanmamış Doktora Tez, T.C. Dumlupınar Ünverstes Sosyal Blmler Ensttüsü: Kütahya