ÖZET. Alışveriş Merkezlerinin Tanımı, Gelişimi ve Önemi

Transkript

1 ALIŞVERİŞ MERKEZİ TÜKETİCİLERİNİN TATMİNİNİN YAPAY SİNİR AĞLARI YÖNTEMİYLE ÖLÇÜLMESİ Yrd. Doç. Dr. Mehmet BAŞ Gaz Ü. İİBF İşletme Bölümü Dr. Metehan TOLON Gaz Ü. İİBF İşletme Bölümü Dr. Nuray GÜNERİ TOSUNOĞLU Gaz Ü. TTEF Blgsayar Uygulamaları Eğtm Bölümü ÖZET Organze alış verş merkezler çok sayıda perakendecy, departmanlı mağazaları, yyecekçecek, tyatro salonu, snema ve banka gb çok farklı şletmeler br arada bulunduran, mmar br bütünlüğü bozmadan m 2 ye kadar değşeblen büyüklüğe sahp, yönetm tek yerden yapılan alışverş kompleksler olarak tanımlanablr. Alışverş merkezlernn sayıları gderek artış göstermektedr. Alışverş merkezler yönetmler tüketclere y hzmet edeblmek ve tüketclerce terch edleblmek çn brçok faalyetler gerçekleştrmektedrler. Bu çalışmada alışverş merkezlernn faalyetlernn tüketclernn tatmn düzeyne etks yapay snr ağları yöntemyle ortaya konulmaya çalışılmıştır. Alışverş Merkezlernn Tanımı, Gelşm ve Önem Toplumsal gelşme ve tüketc beklentlerne paralel olarak gelşen alış verş alışkanlıkları, özellkle son otuz yıl çersnde organze alış verş merkezlerne olan lgy artırmıştır. Gelşen ve değşen tüketc stek / terchlerne paralel olarak, organze alış verş merkezler özellkle son yrm yıl çnde ülkemzde öneml br yere sahp olmuşlardır. Farklı br perakendeclk anlayışı sunan ve br çok farklı fırsatı br arada sunan bu merkezler, tüketc beklentlernde de değşklkler meydana getrmştr (Aktepe,2008:2). Organze alış verş merkezler çok sayıda perakendecy, departmanlı mağazaları, yyecekçecek, tyatro salonu, snema ve banka gb çok farklı şletmeler br arada bulunduran, mmar br bütünlüğü bozmadan m 2 ye kadar değşeblen büyüklüğe sahp, yönetm tek yerden yapılan alışverş kompleksler (Oppewall ve dğ. 2000,453) olarak tanımlanablr. Alışverş merkezlernn ortaya çıkmasına ve gelşmesne etk eden bazı faktörler şunlardır. - Ekonomk gelşmeye bağlı yükselen gelr düzey ve yaşam standardının yükselmes, - Artan genç ve çalışan kadın nüfusu, - Nüfus artışı sonucunda yaşamın şehr merkezler dışına kayması, - Otomobl sahplğndek artışlar ve kred kartı kullanımın yaygınlaşması, - Breyn zaman kısıtı nedenyle tüm alışverşn aynı çatı altında br kerede yapma steğ, - Alışverş merkezlernn tüketclere sağladığı pskolojk ve sosyo-kültürel faydalar, - Alışverş merkezlernn uyguladığı tutundurma faalyetlerndek başarılar. Organze alışverş merkezlernn tarhsel gelşmne bakıldığında lk örneklern Amerka Brleşk Devletlernde 1920 lerden tbaren ortaya çıktığı görülmektedr. Blnen lk alışverş merkezler ABD de Phladelpha eyaletnn Kansas Cty şehrnde açılan Frekansry Club Plaza ve Dallas ta açılan Hghland Park Shoppng Vllage dr (Babn, 1996,205) (Fnn, 1996:428). Türkye de se alışverş merkezlernn açılması 1980 l yılların sonuna rastlamaktadır. Ülkemzde açılan lk alışverş merkez 1988 yılında İstanbul Ataköy de açılan Gallera dır (Aktepe, 2008:2). Alışverş merkezlernn yaygınlaşması tüketclerde yen br alışverş kültürü oluşturmuştur. Alışverş merkezler artık sadece alışverş merkez olmaktan çıkıp yaşam merkezler haln almaya başlamıştır.

2 Alışverş merkezlernn sayıları gderek artış göstermektedr. Alışverş merkezler yönetmler tüketclere y hzmet edeblmek ve tüketclerce terch edleblmek çn brçok faalyetler gerçekleştrmektedrler. Tüketcler en çok ve en y tatmn edeblen alışverş merkezler rekabete dayanıp ayakta kalablecek dğer alışverş merkezlerne göre üstünlük sağlayableceklerdr. Tüketc Tatmn Tüketc tatmn breylern mal ve hzmetten algıladıkları performans le kend beklentler arasındak lşk olarak tanımlanmaktadır. Yazarlara göre tüketc tatmn kavramı tüketc beklentlernn br fonksyonudur. Tüketcnn ürünle lgl tecrübeler beklentlernden yüksek se o tüketc tatmn olmakta, düşük se tatmn olamamaktadır (Schffman ve Kanuk, 2004: 14 15). Br bütün olarak ele alındığında tüketc tatmn tanımlarının genel anlamda üç özellk üzernde durduğu görülmektedr. Bunlar: 1) Tüketc tatmn duygusal ya da kavramaya dayalı br tepkdr, 2) Tepk beklentlerle ya da tüketm tecrübeleryle lgl br noktaya odaklanır, 3) Tepk tüketmden sonra ya da karardan sonra belrl br zamanda ortaya çıkar. Bu blgler ışığında tüketc tatmnn; tüketclern satın alma önces beklentler le satın alma sonrası tecrübeler arasındak farkın az olması, dolayısıyla şletmenn tüketc beklentlern ürettğ mal ve hzmetlerle etkn br şeklde karşılaması ve hatta bunun üzerne çıkması olarak tanımlamak mümkündür. Tüketc Tatmn Ölçümü Tüketc tatmn ölçümü şletme yönetcler ve akademsyenler tarafından üzernde hassasyetle durulan konular arasındadır. Bu sebeple özellkle şletmeler tarafından tüketc tatmn ölçümler etkn olarak yürütülmeldr. Flanagan ve Fredercks (1993: 245) tüketc tatmn ölçümlernn etknlğnn artırılması çn 6 aşamalı br süreç önermşlerdr: 1) Araştırma amacını ortaya koymak, 2) Tüketclern steklern keşfetmek, 3) Öneml htyaçlar konusundak yargıları yönetmek, 4) Kaltey yükseltecek aşamalar çeren hareket planını oluşturmak, 5) Malları, hzmetler ve örgütü daha y hale getrmek, 6) Sonuçları denetlemek. Tüketc Tatmn Ölçüm Yöntemler Tüketc tatmn ölçümü şletmeler açısından hayat öneme sahp olmakla beraber oldukça zor çalışma türüdür. Bu zorlukların en başında tüketclern açıklanması zor davranışlar göstermes gelmektedr. Aynı zamanda verlern karmaşıklığı da dğer br zorluk olarak karşımıza çıkmaktadır. Bunlara rağmen tüketc tatmn araştırmaları her şletme tarafından etkn yürütülmes gereken araştırma türlerndendr. Çalışmalar, özellkle tüketc tatmnnn daha etkn ve objektf ölçülmesne yönelk yöntemlern tesptne yönelk olmaktadır. Yapılan lteratür ncelemesnde tüketc tatmnnde; Churchll ve Surprenant (1982) Varyans analz ve F-test, Percy ve Morgan (1995) Faktör analz ve Korelasyon, Löthgren ve Tambour (1996) Ver Sarmalama Analz (parametrk olmayan br doğrusal programlama yöntem), Hallowell (1996) Regresyon, Söderlund (1998) Faktör analz, Hackl ve Westlund (2000) Yapay snr ağları, Bowen ve Chen (2001) Frekans analz, Daves vd (2001) Yapay snr ağları, Wele vd (2001) Faktör analz, Varyans Analz, Mhels vd (2001) MUSA model, Yeung vd (2002) Regresyon analz, Hesselnk vd (2002) Faktör analz, Dholaka ve Morwtz (2002) Regresyon analz, Bortkowsk ve Llosa (2004) Çft kademel hartalama, smulasyon yöntem, ödül ceza farklılığı analz, uygunluk analz, Lao ve Chang (2005) Faktör analz, Korelasyon, T-Test kullanmışlardır. Çörek (2003: 27 52) se en sık rastlanan tüketc tatmn ölçüm yöntemlern şu şeklde sıralamıştır:

3 - Çoklu Lnear Regresyon Analz - Korelasyon Analz - Faktör Analz - Kümeleme Analz - Çok Boyutlu Ölçekleme - Karar Ağacı - Yapay Snr Ağları Yapay Snr Ağları 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). DARPA 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. Yapay Snr Ağları 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.

4 Şekl 1. Yapay Snr Ağı Yapısı Kaynak: Kurup ve Dudan 2002: 571 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). Araştırmanın Amacı ve Önem Bu araştırmada, şletmeler açısından üzernde önemle durulan tüketc tatmn konusu ncelenmştr. Bu amaçla Ankara da bulunan ve tüketclern en fazla terch ettkler Ankamall, Armada, Cepa, Optmum ve Panora alışverş merkezlernn müşterlerne, duydukları tatmnn ölçülmes amacıyla ulaşılmaya çalışılmıştır. Ayrıca ortaya çıkan sonuçlar alışverş merkezlerne geleblecek potansyel müşterlern tatmn düzeylernn tahmn açısından da önem kazanmaktadır. Bunun yanında araştırmanın en öneml amacı 2000 l yıllarla beraber pazarlama araştırmalarında kendne yer bulan Yapay Snr Ağları yöntemnn kullanımının gösterleblmesdr. Araştırmanın Yöntem Araştırma le lgl verlern toplanmasında yüzyüze anket metodu kullanılmıştır. 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. Anket formu üç bölümden oluşmaktadır. Brnc bölümde müşterlere at demografk özellklere yer verlmştr. İknc bölümde müşterlern terch ettkler alışverş merkezlernden beklentlern ortaya koymak amacıyla 31 değşkenden oluşan br soru tablosu oluşturulmuştur. Son

5 bölümde se aynı değşkenler açısından müşterlern terch ettkler alışverş merkeznden duydukları tatmn düzey sorgulanmaya çalışılmıştır. Bu değşkenler seçlrken tüketc tatmn konusunda yapılmış olan çalışmalardan yararlanılmış ayrıca bunların üzerne uygun olacağı düşünülen değşkenler eklenmştr. Gerçekleştrlen 57 brmlk plot uygulama sonrasında anketn güvenlrlğ test edlmş ve Cronbach Alfa katsayısı beklent düzey açısından 0,8697, tatmn düzey açısından se 0,8884 çıkmıştır. Bu değerler araştırmanın güvenlr olduğunu göstermektedr. Anketlern uygulandığı müşterler, keyf örnekleme metodunun trafk örneklemes türüne göre seçlmştr. Trafk örneklemes, hareket halndek nüfusa uygulanması tbaryle uygun bulunmuştur. Keza, alışverş merkez müşterler de hareket halndek br nüfusu oluşturmaktadır. Araştırmada 460 müşterye anket uygulanmıştır. Ankettek her br soru olumlu ve olumsuz şeklde düşünülerek varyansın maksmum değer 0,25 (σ 2 = p.q= 0,5.0,5=0,25) olablmektedr. Hesaplamalar 0,95 lk güvenlrlk düzeynde ölçülmüş ve duyarlılığı 0,045 olacak şeklde en az yapılması gereken anket sayısı n= (σ 2.z 2 ) / k 2 formülünden 460 bulunmuştur. Araştırmanın Model Araştırmanın modelnde yapay snr ağları modellernden ler beslemel ağlar çn ger yayılım algortması ve öğrenme yöntem olarak da danışmalı öğrenme yöntem kullanılmıştır. Ağırlıkların belrlenmes sürecne lşkn algortma; k = 1,2,,Z katman numarası, : k ıncı katmandak brmnn grds, X p y k : k ıncı katmandak brmnn çıktısı, : (k-1) nc katmandak brmn, k ıncı katmandak j brmne w k j bağlayan ağırlık, olmak üzere aşağıdak gbdr (Elmas, 2003: ): Adım 1) w ye gerçek değerl küçük rastlantısal sayılar başlangıç değer olarak atanır. Adım 2) Rasgele br (x p, t p ) (grş, hedef) çalışma model seçlr ve k katmanındak her br j brm çn ler yönde çıktı değer hesaplanır. Böylece çıkış, y k k k = f y wj 1 olur. 1 no lu katmanın grdler 0 üssüyle adlandırılır. Bu da şöyle gösterlr; y 0 = x 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 = ( v Z - y p ) f ' ( X Z ) Adım 4) k = Z, Z-1,.,2 katmanlarındak tüm brmler çn gerye yayılımla deltaları yan gzl katman brmler çn hata termler hesaplanır. δ k 1 = f ' ( X k 1 k ) δ wj k Adım 5) wj yen = + wj esk Bütün ağrılıklar w j ler kullanılarak güncellenr. Δ wj k

6 w k k Δ j = η δ y k 1 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. Uygulama esnasında, her alışverş merkez çn yapılan anketlerdek beklentler ölçen knc grup sorularda ölçülen değşkenler gruplandırılmıştır. Bu gruplandırma yapılırken faktör analznden yararlanılmış ve analz sonucunda ortaya çıkan değşken grupları en uygun olacak şeklde smlendrlmştr. Daha sonra gruplandırılan beklent değşkenlernn ortalamasının toplam tatmne etkler Neural Connecton 2.0 programı le analz edlmştr. Analzde bağımlı değşken toplam tatmn düzeydr. Toplam tatmn etkleyen se gruplandırılmış olan beklent değşkenlerdr. Bunlar: - Müşter Hzmetler, - Fzksel Şartlar, - Personel, - Perakendec Karması Çeştllğ. Bu etkenler bağımsız değşkenler olarak kabul edlmşlerdr. Tanımlanan bu bağımsız değşkenler, 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) Ver setnde yer alan verler rastgele olarak; eğtm, geçerllk ve test set olmak üzere üç bölüme ayrılmaktadır. Eğtm set, verlern ağırlıklarına uygun olan öğrenme çn kullanılmaktadır. Geçerllk set, br sınıflandırıcının ağırlıklarına uygun olarak kullanılır. Örneğn, snr ağındak gzl ünte sayısını seçmek çn geçerllk set kullanılır. Test set se tamamen belrl br sınıflandırıcının performansını değerlendrmekte kullanılır. Eğtm set, ağın eğtmne yönelk olarak, test set se eğtmn uygulanmasının performansını ölçmede kullanılır. Ver setnn %80 n eğtm set, %10 unu geçerllk set, %10 unu da test set oluşturmaktadır.

7 Araştırmanın Sınırlılıkları Araştırmanın en öneml sınırlılığı, müşterlern vakt darlıklarını sebep göstererek anket cevaplamaktan kaçınmaları olmuştur. Bunun yanında bazı müşterlern özellkle beklentler ölçen sorulara verdkler cevapların çelşkl olduğu gözlenmştr. Örneğn, arabası olmayan bazı müşterlern otopark yeterllğne çok öneml ya da çocuğu olmayan bazı müşterlern çocuklar çn oynama alanlarının bulunmasına çok öneml gb cevaplar verdkler görülmüştür. Bununla beraber yapay snr ağları yöntemnn pazarlama alanındak uygulamaları 2000 l yıllardan tbaren yaygınlaşmaya başlaması dolayısıyla kaynak bulma konusunda güçlük çeklmştr. Araştırma Bulgularının Değerlendrlmes Araştırma sonucunda lgl alışverş merkezlerne gden müşterlern demografk blgler le alışverş merkeznden duydukları tatmnn analz le lgl bulgular aşağıdak gb gerçekleşmştr. Yapay snr ağları le lgl analz sonucunda ortaya çıkan denklem şu şeklde değerlendrmek mümkündür: - Ankamall - Denklemdek katsayılar her br değşken setnn toplam tatmne ne kadar etk ettğn göstermektedr. Bu açıdan poztf olan katsayılar toplam tatmne poztf yönde etk eden değşken setlern, negatf katsayılar se toplam 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. Ankamall müşterlernn mağazadan duydukları tatmne lşkn tahmn denklem aşağıdak gbdr: ŷ 1 = -0,08479x 1 + 0,11973x 2 + 0,1308x 3 + 0,12718x 4 + 2,42921 Analz sonuçlarından Ankamall müşterlernn toplam tatmnne en fazla katkıyı sağlayan değşken setnn personel davranışları olduğu görülürken bu değşken setn perakendec karması çeştllğ zlemektedr. Müşter hzmetler değşken set se toplam tatmn negatf yönde etklemektedr. Sonuçlar ncelendğnde müşter hzmetlernn toplam tatmne negatf etk etmesnn en öneml sebeplernn evlere servs mkanının olmaması ve satış gelştrme faalyetlernn etkn yürütülmemes olduğunu söylemek mümkündür. Dolayısıyla Ankamall yönetclernn alt değşkenler açısından ayrıca nceleme yaparak negatf etkleyen unsurlar üzerne yoğunlaşmaları doğru olacaktır. - Armada Armada müşterlernn mağazadan duydukları tatmne lşkn tahmn denklem aşağıdak gbdr: ŷ 2 = 0,11175x 1-0,0064x 2 + 0,01682x 3 + 0,0443x 4 + 2,92642 Analz sonuçlarından görüldüğü gb Armada müşterlernn toplam tatmnne en fazla katkıyı sağlayan değşken set müşter hzmetlerdr. Fzksel şartlar değşken set toplam tatmn negatf yönde etklemektedr. Armada müşterlernn toplam tatmnne fzksel şartların negatf etk etmesnn sebeplernn başında alışverş merkeznn ç hacmyle lgl problemler ve müşterlern büyük bölümünün otomoblnn olduğu düşünülürse yetersz otopark alanı sayılablr. Ayrıca dğer alt değşkenler açısından da müşter beklentlernn karşılanamadığını söylemek mümkündür. Dolayısıyla Armada yönetclernn bu alt değşkenler açısından yleştrmeler yapmaları gerekmektedr.

8 - Cepa Cepa müşterlernn mağazadan duydukları tatmne lşkn tahmn denklem aşağıdak gbdr: ŷ 3 = - 0,29285x 1 + 0,24397x 2-0,08517x 3 + 0,69441x 4 + 1,80855 Analz sonuçlarından fzksel şartlar ve personel değşken setlernn toplam tatmn negatf yönde etkledğ görülmektedr. Perakendec karması çeştllğ, Cepa müşterlernn toplam tatmnne en fazla katkıyı sağlayan değşken setdr. Sonuçlar ncelendğnde Cepa fzksel şartlar ve personel değşken setler açısından müşterlernn beklentlern karşılayamamaktadır. Bu noktada Cepa yönetclernn hzmet ç eğtme daha fazla kaynak ayırmaları ve personellern eğtmeler uygun olacaktır. Ayrıca fzksel şartlar alt değşkenler açısından da müşterler memnun değllerdr. Isı, aydınlatma ve havalandırma, otopark alanı, alışverş esnasında çalan müzk alt değşkenler açısından da nceleme yapmaları ve mümkün düzeltmeler gerçekleştrmeler toplam tatmnn artırılması açısından uygun olacaktır. - Optmum Optmum müşterlernn mağazadan duydukları tatmne lşkn tahmn denklem aşağıdak gbdr: ŷ 4 = 0,01234x 1-0,01881x 2 + 0,34049x 3 + 0,29564x 4 + 1,03204 Analz sonuçlarından Optmum müşterlernn toplam tatmnne en fazla katkıyı sağlayan değşken setnn personel olduğu, bu değşken setn perakendec karması çeştllğnn zledğ görülmektedr. Fzksel şartlar değşken set se toplam tatmn negatf yönde etklemektedr. Sonuçlar Optmum un fzksel şartlar değşken set açısından müşter beklentlernn karşılayamadığını göstermektedr. Alt değşkenler ncelendğnde özellkle Optmum un bulunduğu konum açısından şehrn daha fazla nüfus barındıran dğer lçelerne braz uzak olması müşterler memnun etmyor olablr. Ayrıca merkezn ç hacm, alışverş esnasında çalan müzk, ısı, ışık ve havalandırma gb dğer unsurların da yönetcler tarafından mümkün olduğunca yleştrlmes toplam tatmn yükseltecektr. - Panora Panora müşterlernn mağazadan duydukları tatmne lşkn tahmn denklem aşağıdak gbdr: ŷ 5 = 0,13044x 1 + 0,44508x 2 + 0,06168x 3 + 0,25223x 4 + 0,51752 Analz sonuçlarından görüldüğü gb Panora müşterlernn toplam tatmnne en fazla katkıyı sağlayan değşken fzksel şartlardır. Gruplandırılmış değşkenler arasında toplam tatmn en az etkleyen değşken set se personeldr. Panora dğer alışverş merkezlerne göre daha yen br alışverş merkezdr. Dolayısıyla kurucuların yapmış oldukları araştırmalar sonucundak düzenlemelern değşken setlernn hçbrnn negatf olmamasında etks olablr. Bununla beraber ynede toplam tatmn daha az etkleyen personel ve müşter hzmetlerne ağırlık vermeler lerye dönük olarak müşterlern toplam tatmnn artıracaktır. Sonuç Tüketc tatmn frmaların tamamının düzenl olarak yürütmeler gereken araştırmaların başında gelmektedr. Müşterlernn memnun edemeyen frmaların varlıklarını uzun süre devam ettreblmeler mümkün olmayacaktır. Yapılmış araştırmanın sonuçları toplam tatmn negatf yönde etkleyen unsurlar üzernde daha fazla yorum yapılmasını gerektrmştr. Bununla beraber yönetcler poztf katkı sağlayan unsurlar üzerne de yoğunlaşarak sürekl br tatmn artışı sağlamaları gerektğn unutmamalıdırlar.

9 KAYNAKÇA Aktepe Cemalettn (2008), Perakendeclk Sektöründe Günümüzün Yükselen Değer Organze Alışverş Merkezler ve Mağaza Sahp/Kracılarının Algılama Farklılıkları : Ankara İl Alan Araştırması, Üçüncü Sektör Kooperatfçlk Dergs Clt 43, Sayı 1.., (1988), DARPA Yapay Snr Ağları Çalışması, AFCEA Internatonal Pres: Alexandra. Babn, B. ve Darden W. (1996). Good and Bad Shopng Vbes: Spendng and Patronage Satsfacton, Jornal of Busness Research Vol:35, No: Bortkowsk, Bors, Llosa, Syle, (2004), Customer Satsfacton Measurement: Comparng Four Methods of Attrbute Categorsatons, Servce Industres Journal, Vol. 24, Issue 4, July, pp Bowen, John T., Chen, Shag-Lh, (2001), The Relatonshp Between Customer Loyalty and Customer Satsfacton, Internatonal Journal of Contemporary Hosptalty Management, Vol. 13, No: 5, pp Churchll, Glbert A., Surprenant, Carol, (1982), An Investgaton Into The Determnants of Customer Satsfacton, Journal of Marketng Research, Vol. XIX, November, pp Cchock, Andrzej, Unbehaven, Rolf, (1993), Neural Networks for Optmzaton and Sgnal Processng, John Wley&Sons: England. Çörek, Esra Tolunay, (2003), Müşter Memnunyetnde İstatstksel Yöntemler ve Br Uygulama, Yayımlanmamış Yüksek Lsans Tez, Marmara Ünverstes Sosyal Blmler Ensttüsü Ekonometr Anablm Dalı: İstanbul Daves, Fona M., Goode, Mark M.H., Mountnho, Luz A., Ogbonna, Emmanuel, (2001), Crtcal Factors In Consumer Supermarket Shoppng Behavour: A Neural Network Approach, Journal of Consumer Behavour, Vol. 1, March, No: 1, s Dholaka, Utpal M., Morwtz, Vck G., (2002), The Scope And Persstence Of Mere-Measurement Effects: Evdence From A Feld Study Of Customer Satsfacton Measurement, Journal of Consumer Research, Sep., Vol. 29, Issue 2, pp Elmas, Çetn, (2003), Yapay Snr Ağları (Kuram, Mmar, Eğtm, Uygulama), Seçkn Yayınları: Ankara. Fnn, A. ve Louvera J. (1996). Shoppng Center, Image, Consderaton and Chose anchor Store Contrbuton, Journal of Busness Research, Vol:35, Flanagan, Theresa A., Frederıcks, Joan O., (1993), Improvng Company Performance Through Customer-Satsfacton Measurement and Management, Natonal Productvty Revew, Vol. 12, No: 2, Sprng 93, s Garver, Mchael S., (2002), Usng Data Mnng For Customer Satsfacton Research, Journal of Marketng Research, Sprng2002, Vol. 14, Issue 1, s Güner, Nuray, Apaydın, Ayşen, (2004), Öğrenc Başarılarının Sınıflandırılmasında Lojstk Regresyon Analz ve Snr Ağları Yaklaşımı, Tcaret ve Turzm Eğtm Fakültes Dergs, Yıl: 2004, Sayı: 1, s Hackl, Peter, Westlund, Anders H., (2000), On Structural Equaton Modellng For Customer Satsfacton Measurement, Total Qualty Management, Vol. 11, Nos. 4/5&6, pp Hallowell, Roger, (1996), The Relatonshps of Customer Satsfacton, Customer Loyalty and Proftablty: An Emprcal Study, Internatonal Journal of Servce Industry Management, Vol. 7, No: 4, pp Hesselnk, Martjn, Wele, Ton Van Der, Bosele, Paul, (2002), The Importance of Customer Satsfacton n Organsatonal Transformaton: A Case of a DUTCH Temporary Employment Agency, Erasmus Research Insttute of Management, ERIM Report Seres Reference No: ERS ORG 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., Dudanı, 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.

10 Lao, Nelson N. H., Chang, Arthur C. Y., (2005), Management Model To Create Customer Satsfacton: An Emprcal Research On Supplers Perspectves, The Journal of Amercan Academy of Busness, Vol. 6, Issue 2, March, pp Löthgren, Mckael, Tambour, Magnus, (1996), Productvty and Customer Satsfacton A DEA Network Model-, Stockholm School Of Economcs, Workng Paper Seres n Economcs and Fnance, No. 140, December Mhels, G.,, Grgorouds, E., Sskos, Y., Polts, Y., Malandraks, Y., (2001), Customer Satsfacton Measurement n The Prvate Bank Sector, European Journal of Operatonal Research, Volume 130, Issue 2, 16 Aprl, pp Oppewal H., Alexander A. P.Sullvan (2000). Consumer Perceptons of Corporate Socal Responsblty n Town Shoppng Center and Ther Influence on Evaluatons, Internatonal Revew of Retalng, Dstrbuton and Costumer Research, Vol:10,No.3, Percy, Ngel F., Morgan, Nel A., (1995), Customer satsfacton measurement: A processual analyss, Journal of Marketng Management, Nov., Vol. 11, Issue 8, pp Schffman, Leon G., Kanuk, Lesle Lazar, (2004), Consumer Behavor, Internatonal Edton, 8th Ed., Prentce Hall: New Jersey. Solomon, Mchael R., (2004), Consumer Behavor : Buyng, Havng and Beng, Internatonal Ed., 6th Ed., Prentce Hall. Söderlund, Magnus, (1998), Customer Satsfacton and Its Consequences on Customer Behavour Revsted, Internatonal Journal of Servce Industry Management, Vol. 9, No: 2, pp Wang, Jun, Takefujı, Yoshyasu, (1993), Neural Networks In Desgn and Manufactorng, World Scentfc Pub.: Sngapore. Wele, Ton Van Der, Bosele, Paul, Hesselnk, Martjn, (2001), Emprcal evdence for the relaton between customer satsfacton and busness performance, Erasmus Research Insttute of Management, ERIM Report Seres Reference No: ERS ORG, May Yeung, Matthew C. H., Gng, Lee Chew, Ennew, Chrstne T., (2002), Customer satsfacton and proftablty: A reapprasal of the nature of the relatonshp, Journal of Targetng, Measurement and Analyss for Marketng, Vol. 11, Issue 1, pp