MUTFAK ARMATÜRÜ TASARIMININ KULLANICILARIN GÖRSEL ALGILARINA GÖRE LOJİSTİK REGRESYON YOLUYLA BELİRLENMESİ

Transkript

1 Endüstri Mühendisliði Dergisi Cilt: 9 Sayý: Sayfa: (7-3) Makina Mühendisleri Odasý MUTFAK ARMATÜRÜ TASARIMININ KULLANICILARIN GÖRSEL ALGILARINA GÖRE LOJİSTİK REGRESON OLULA BELİRLENMESİ Ezgi AKTAR DEMİRTAŞ, A. Sermet ANAGÜN, Gülser KÖKSAL * Eskişehir Osmangazi Universitesi, Endüstri Mühendisliği Bölümü, 6030, Eskişehir Tel: (0 ) e-osta: eaktar@ogu.edu.tr, sanagun@ogu.edu.tr Orta Doğu Teknik Üniversitesi, Endüstri Mühendisliği Bölümü, 063, Ankara Tel: (0 3) 0 64 e-osta: koksal@ie.metu.edu.tr Geliş Tarihi: 7 Kasım 007 ; Kabul Ediliş Tarihi: 9 Haziran 008 Bu makale kez düzeltilmek üzere 38 gün yazarlarda kalmıştır. ÖZET aılan çalışmada, mutfak armatürü tasarımında kullanıcı hislerini analiz ederek tasarım sürecine dahil etmek ve kullanıcıların görsel algılarına göre tasarım niteliklerinin düzeylerini eniyilemek üzere iki aşamalı bir yaklaşım önerilmiş ve uygulanmıştır. İlk aşamada kullanıcıların 38 farklı mutfak armatürünü, görsel algıları ölçmede kullanılan kansei sözcüğüne göre bir anlamsal farklılıklar ölçeğinde değerlendirmeleri istenmiştir. Elde edilen verilerden hareketle kullanıcıların genel tercih uanları ile kansei sözcük uanları arasındaki ilişki Doğrusal Regresyon ve Sıralı Lojistik Regresyon (SLOGREG) kullanılarak araştırılmıştır. İkinci aşamada, kullanıcıların genel tercih uanlarını enbüyükleyen tasarım düzeyleri SLOGREG ile belirlenerek doğrulama çalışmaları yaılmıştır. aılan çalışma; kullanıcı odaklı ürün tasarımında kullanabilecek etkili bir yaklaşım önermekte ve bu yaklaşımı mutfak armatürlerinin tasarımı üzerinde göstermektedir. Anahtar Sözcüler: Kullanıcı Odaklı Ürün Tasarımı, Mutfak Armatürü, Kansei Mühendisliği, Sıralı Lojistik Regresyon SINK MIXER DESIGN FOR VISUAL PERCEPTIONS OF USERS B LOGISTIC REGRESSION ABSTRACT In this study; a two-stage integrated aroach is roosed and imlemented to exlore user senses about sink mixers and otimization of design levels for visual ercetions. At the first stage, users have been asked to judge 38 different mixer designs by using a semantic differential (SD) scale for image (kansei) words about their visual ercetions. Then the relationshis between general reference and kansei scores of users are investigated by Linear Regression and Ordinal Logistic Regression (OLOGREG). At the second stage; the best design arameter levels for visual ercetions are determined to maximize general reference scores by OLOGREG, and the results are validated. This study rooses an aroach that can be used for user centered roduct design in general and demonstrates it for the design of sink mixers. Keywords: User Centred Product Design, Sink Mixer, Kansei Engineeering, Ordinal Logistic Regression * İletişim yazarı 7

2 Ezgi Aktar Demirtaş, A. Sermet Anagün, Gülser Köksal. GİRİŞ Ulusal ve uluslararası azarlarda rekabetin inanılmaz boyutlara ulaştığı günümüzde, kullanıcı istek ve beklentilerini karşılayan ürünleri azara en kısa sürede ve uygun fiyatla sunabilen firmalar önemli bir rekabet avantajına sahi olacaktır. Rekabet ortamında başarılı olmak isteyen firmaların kullanıcı odaklı tasarıma yönelmeleri gerekmektedir. Kalite Fonksiyon ayılımı (KF) ve KF yi destekleyen Üretilebilirlik ve Montaj için Tasarım, Değer Mühendisliği, Hata Türü ve Etkileri Analizi gibi yöntemler; ürünün erformans, uygunluk, güvenilirlik, dayanıklılık ve maliyet boyutlarını dikkate alarak kullanıcı odaklı ürünlerin tasarlanmasına yardımcı olur. Mevcut çalışmalarda ürün erformansına ilişkin beklentiler dikkate alınmakla birlikte, ürünün kullanıcıda uyandırdığı hissel beklentileri dikkate alan çalışmaların sayısı da giderek artmaktadır (Khalid ve Helander, 006). Nagamachi tarafından Hiroşima Üniversitesi nde geliştirilen Kansei Mühendisliği (KM) kullanıcıların göstermiş oldukları sikolojik ve fizyolojik tekilerden ve hislerini ifade eden sözcüklerden (kansei sözcükleri) hareketle, ürüne duydukları hisleri ölçmek ve bu hisleri tasarım sürecine dahil etmek için kullanılmakta, ürün tasarımında estetik ve algılanan kalite boyutuna odaklanılmaktadır (Nagamachi, 99). Kansei Mühendisliği önceden seçilen ürün alanına bağlı kalacak şekilde her biri bir vektör uzayını tarayan iki tanımlama sürecine göre yaılandırılır. Bu süreçler semantik olarak adlandırılan ve kullanıcı hislerini ifade eden kansei sözcük uzayının ve ürün özellikleri uzayının taranmasıdır. Daha sonra hangi ürün özelliklerinin (tasarım nitelikleri ve ilgili düzeyleri) hangi hisleri etkilediğini belirleyebilmek için sentezleme aşamasına geçilir. Sentezleme sonrasında doğrulama çalışmaları yaılarak gerekli görüldüğü durumlarda her iki vektör uzayı güncellenir ve sentezleme işlemi tekrarlanır (Shütte, 00). Literatürdeki KM uygulamalarını iki gruta tolamak mümkündür. İlk grutaki çalışmalar bir ürün ya da ürün grubu ile ilgili kullanıcı hislerinin (kansei sözcükleri) ve ürün imajlarının belirlenmesine yöneliktir (Zhang ve Shen, 999; Han vd., 000; Chuang ve Mab, 00; Karlsson, 003; Liu, 003; Khalid ve Helander, 004; Creusen ve Schoormans, 00; Hsiao ve Chen, 006). İkinci grutaki çalışmalar ise kullanıcıların genel tercihlerini etkileyen kansei sözcüklerinin ve sözcükler ile tasarım düzeyleri arasındaki ilişkilerin belirlenmesine yöneliktir. Araştırmacılar; kullanıcıların genel tercihlerini etkileyen kansei sözcüklerinin belirlenmesinde genel olarak Doğrusal Regresyon öntemi ni (Zhang ve Shen, 999; Hsu vd., 000, Chuang vd., 00), sözcükler ile tasarım düzeyleri arasındaki ilişkinin belirlenmesinde ise Korelasyon, Regresyon ve Konjoint Analizi gibi istatistiksel yöntemler ile aay Sinir Ağları (SA), bulanık SA, gri ilişkisel analiz ve kaba kümeleme gibi diğer yöntemleri kullanmıştır. Jindo ve Hirasago (997), Nakada (997), Kwon (999), un vd. (999), Kim vd. (003) sözcükler ile tasarım düzeyleri arasındaki ilişkiyi Korelasyon ve Regresyon Analizi; Hsu vd. (000), Chuang vd. (00) Konjoint Analizi; Hsiao and Huang (00), Hsiao ve Tsai (00); Lai vd. (00) ve Lai vd. (006) ise SA ve diğer yöntemler ile belirlemiştir. Analizlerde kullanılan verilerin elde edilmesi aşamasında Osgood vd. (97) tarafından geliştirilen Anlamsal Farklılıklar ölçeği kullanılmaktadır. Ürünler olumlu-olumsuz kansei sözcük çiftlerine göre -9 lu ölçekte değerlendirilir. Sıralı ölçekle ölçülen bu veriler kategorik yaıdadır. Dolayısı ile analizlerde mevcut istatistiksel yöntemleri kullanmak bazı sakıncalar yaratmaktadır. Örneğin Doğrusal Regresyon Analizi nin kullanılabilmesi için kullanıcıların genel tercih ve kansei sözcük uanlarının ürünler bazında ortalaması alınarak bağımlı ve bağımsız değişkenler sürekli hale getirilmektedir. Ancak sıralı ölçekle ölçülen verilerin ortalamasını almak doğru değildir. Ayrıca, ortalama değerlerin kullanılması veri kaybına neden olmakta, genel tercihe etki edebilecek bazı etkileşimler göz ardı edilmektedir. Benzer şekilde Konjoint Analizi ile ikili 8

3 Mutfak Armatürü Tasarımının Kullanıcıların Görsel Algılarına Göre Lojistik Regresyon oluyla Belirlenmesi etkileşim etkilerini hesalamak mümkün değildir. Mevcut çalışmalarda kansei sözcüklerinin ve tasarım düzeylerinin genel tercih üzerindeki etkisi araştırılırken ikili etkileşim etkileri ihmal edilmiştir. Diğer taraftan SA gibi karmaşık yöntemler kullanılarak modelleme yamak zordur. Firma çalışanlarının bu ti yöntemleri ve yöntemlere ilişkin yazılım ve araçları ratik ve etkili bir şekilde kullanmasını beklemek mümkün değildir. Bu sebele kansei sözcükleri ve tasarım düzeyleri ile genel tercih uanı arasındaki ilişkinin araştırılmasında, bağımlı ve bağımsız değişkenlerin sıralı ölçekle ölçüldüğü durumlarda kullanılabilen, ikili etkileşim etkilerini dikkate alan ve istatistiksel bir yöntem olan Sıralı Lojistik Regresyon (SLOGREG) önerilmiştir. aılan çalışmada, seçilen ürün alanına bağlı kalacak şekilde sözcük ve ürün özellikleri uzayı taranarak, sentezleme aşamasına geçilmiştir. Sentezleme aşaması iki adımdan oluşmaktadır. İlk adımda genel tercihe etki eden kansei sözcükleri ile genel tercih uanı arasındaki ilişki Doğrusal Regresyon ve SLOGREG ile araştırılarak sonuçlar karşılaştırılmıştır. İkinci adımda ise genel tercih uanları ile tasarım düzeyleri arasındaki ilişki SLOGREG ile araştırılarak kullanıcıların görsel algılarına göre eniyi tasarım düzeyleri belirlenmiştir. İlk adımdaki SLOGREG modeli, ikinci adımda SLOGREG in önerdiği en çok tercih edilen tasarım seçeneklerinin kullanıcılar tarafından nasıl betimlendiği ve bu ürünlerin imajları hakkında bilgi vermektedir. aılan doğrulama çalışmaları da SLOGREG modelinin önerdiği tasarım seçeneklerinin tercih edilme olasılığının yüksek olduğunu ve kullanıcılar tarafından beğenilen ürün imajlarının birinci adımda elde edilen SLOGREG modeli ile uyumlu olduğunu göstermektedir.. ÜRÜN ALANININ SEÇİMİ Uygulamanın yaıldığı lavabo, banyo, mutfak armatürleri ve banyo aksesuarları tasarlayan ve üreten firmada tasarımcıların oluşturduğu kavramsal tasarımların üretilebilir hale getirilmesinden önce kullanıcı hislerinin analizi ve tasarım sürecine dahil edilmesine yönelik bir çalışmanın yaılmadığı bilinmektedir. Çalışma konusu olarak, ise lavabo ve banyo armatürüne kıyasla, kullanıcıların duygu ve hislerini etkileyebilecek daha fazla faktöre sahi olan mutfak armatürleri seçilmiştir Fazla sayıda ürünün kullanıcılarca değerlendirilmesi zor ve zaman alıcı olduğundan çalışma; azarlama bölümünden alınan bilgiler doğrultusunda kullanıcılarca daha çok tercih edilen lavaboya montajlı, standart, su çıkış borusu gövdenin üzerinde, tek açma-kaama kollu ve fiyatları da birbirine yakın olan ev tii modellerle sınırlı tutulmuştur. 3. SEMANTİK UZAIN TARANMASI Üzerinde çalışılacak ürünün belirlenmesinden sonra kullanıcıların görsel algılarını ifade eden kansei sözcükleri Shütte nin (00) önerdiği gibi mevcut literatür, ürün katalogları, dergiler ve kullanım kılavuzlarını inceleyerek ve satış temsilcileri, otansiyel ve deneyimli kullanıcılarla yaılan yüz yüze görüşmeler sonucunda tolanmış, olumlu-olumsuz sözcük çiftleri olarak listelenmiştir. Kullanıcıların bu sözcükleri kullanarak ürünlere ilişkin çizimleri değerlendirecek olmalarından dolayı, görsel hisleri açıklayan sözcüklerin ön landa olmasına dikkat edilmiştir. Armatürde kol ve su çıkış borusunun şekilsel olarak kavrama ve kullanım kolaylığını etkilediği düşünüldüğünden kavramak zor-kolay, yıkama için elverişli-elverişsiz sözcük çiftleri de listede yer almıştır. Çok sayıda sözcük kullanmak anket süresini uzatarak veri kalitesinin düşmesine de sebe olacağından görsel hisleri ifade eden 47 sözcük çiftinin tasarım bölümünde görev yaan bir yönetici ve iki ürün tasarımcısı tarafından akınlık Diyagramı ile grulanması istenmiştir. aılan grulama işlemi sonucunda Tablo de görülen sözcük grubu elde edilmiş, kullanıcıların ürünle ilgili genel tercihlerini ölçmek için ise genel olarak kötü-iyi sözcük çifti de listeye eklenmiştir. 9

4 Ezgi Aktar Demirtaş, A. Sermet Anagün, Gülser Köksal Tablo. Kansei Sözcük Çiftleri.Kavramak zor-kolay.mat-parlak 9.ıkama için elverişsiz-elverişli.sıradan-sıradışı 6.Geleneksel-enilikçi 0.Uçuk-Makul 3.Parçalar uyumsuz-uyumlu 7.Kaba-Zarif.Köşeli-uvarlak 4.Göze batıyor-hita ediyor 8.Sade-Gösterişli.Genel olarak İyi-Kötü 4. ÜRÜN ÖZELLİKLERİ UZAININ TARANMASI KM literatüründe ürüne ilişkin nitelik ve düzeylerin ne şekilde belirleneceğine dair çok kaynak bulunmamaktadır. Ancak ürünle ilgili teknik belgeler, konu ile ilgili literatür, kullanım kılavuzları, uzmanlar ve deneyimli kullanıcılarla yaılan görüşmeler nitelik ve düzeylerin belirlenmesinde kullanılabilir (Shütte, 00). Analizlerde kullanılacak nitelik sayısı genellikle 6-7 olu bu sayı 0- e kadar çıkarken, düzey sayısı - arasında değişmektedir. Seçilen niteliklere ilişkin düzey sayıları, kestirimi yaılacak arametre sayısını vermektedir (Malhotra, 996). Tek açma kaama kollu mutfak armatürleri kendine özgü nitelik ve düzeyleri olan iki ana gruba ayrılmıştır. Grular açma-kaama kolunun konumu (yanda ve üstte) dikkate alınarak oluşturulmuştur. Açma kaama kolu üstte ve yanda olan modellere ilişkin nitelik ve düzeyler Tablo ve Tablo 3 te gösterilmiştir. Açma-kaama kolu yanda olan mutfak armatürleri için tolam tasarım alternatifi sayısı =6, üstte olan modeller için ise 3 4 =44 adettir. Ancak fazla sayıda alternatifin tasarlanması ya da her birinin üretilerek kullanıcıya sunulması ratikte mümkün değildir. Ayrıca, kullanıcıların tüm alternatifleri sıralamasını ya da uanlamasını istemek sağlıklı sonuç vermeyebilir. Bu sebele Taguchi nin L-6 ortogonal tasarımı (Phadke, 989) kullanılarak, açma-kaama kolu yanda ve üstte olan iki ürün grubu için 6 farklı ürün kombinasyonu elde edilmiştir. Ürün kombinasyonlarına ilişkin üç boyutlu çizimler oluşturulmuştur. Kullanıcıların görsel algıları; elde edilen ürün kombinasyonları ve iyasada mevcut olan 3 er ürünün üç boyutlu çizimleri kullanılarak ölçülmüştür. Açma-kaama kolu üstte ve yanda olan modeller için elde edilen kombinasyonlar Şekil ve Şekil de gösterilmiştir. Şekil ve Şekil deki son üç ürün iyasada mevcut olan ürünlerdir. Tablo. Açma-kaama Kolu Üstte Olan Modellere İlişkin Nitelik ve Düzeyler Nitelikler Düzeyler Gövde Geometrisi.Silindirik.Tek Gövde 3.Kübik Boru Tii.Köşeli.uvarlak 3.Kuğu Kol Tii.Düz.Delikli 3.Çubuk 4.Joystick Renk.Krom.Mat Krom 3.Krom Altın 4.Granit Tablo 3. Açma-kaama Kolu anda Olan Modellere İlişkin Nitelik ve Düzeyler Nitelikler Düzeyler Gövdenin.atay.Dikey Konumu Gövde Geometrisi.Silindirik.Konik 3.Kübik Boru Tii.Köşeli.L-Tii 3.uvarlak Kol Tii.Düz.Delikli 3.Çubuk Renk.Krom.Mat Krom 3.Krom Altın 4.Granit 0

5 Mutfak Armatürü Tasarımının Kullanıcıların Görsel Algılarına Göre Lojistik Regresyon oluyla Belirlenmesi Şekil.Tasarım Seçenekleri (Kol Üstte) Şekil. Tasarım Seçenekleri (Kol anda)

6 Ezgi Aktar Demirtaş, A. Sermet Anagün, Gülser Köksal. SENTEZLEME Sentezleme aşamasında, kansei sözcükleri ile ürün çizimlerinin kullanıcılar tarafından eşleştirilebilmesi için bir anket tasarlanmıştır. Tasarlanan anket iki bölümden oluşmaktadır. İlk bölümde, kullanıcıların kişisel bilgilerini içeren cinsiyet, medeni durum, sosyal statü, gelir seviyesi ve yaş gibi demografik sorular yer almaktadır. İkinci bölümde ise ürünlerin kansei sözcüklerine göre değerlendirilebilmesi için 7 li Anlamsal Farklılıklar ölçeği kullanılmıştır. Hazırlanan anketin güvenilirliğini, faktör yaılarını ve geçerliliğini test etmek üzere hedef kitle ile benzer özellikler gösteren farklı yaş, cinsiyet, meslek ve gelir grularından 38 kişiye anket uygulanmıştır. Kullanıcılara farklı ürün seçeneklerinden biri rassal olarak gösterilerek ankette yer alan soruyu cevalamaları istenmiştir. SPSS kullanılarak yaılan güvenilirlik analizleri sonucunda elde edilen Cronbach alfa katsayısı 0,66 tir. Cronbach alfa katsayısının 0,6 dan yüksek olması ölçeğin oldukça güvenilir olduğunu göstermektedir (Özdamar, 00). Güvenilir bulunan anketler kullanılarak Şekil ve de yer alan ürünler tüm örneklem grubu tarafından değerlendirilerek sonuçlar analiz edilmiştir. Firmanın azarlama yetkilileri ve azar araştırmalarına göre; mutfak armatürünü kullanan kişilerin %70 ini kadınlar oluşturmaktadır. İç iyasada bu markayı tercih eden tüm kullanıcıların sayısı (anakütledeki birey sayısı) ise tam olarak bilinmemektedir. Bu sebele bu markayı tercih eden () ve etmeyen (-) kullanıcı oranı 0. olarak kabul edilmiş (Kish, 99); () no lu eşitlik kullanılarak, %9 güven seviyesinde (α=0.0), % hata ayı ile (e= 0.0) gereken örnek büyüklüğü 96 olarak hesalanmıştır. z / ( ) n () e Kullanıcı kitlesinin %70 i kadınlardan oluştuğu için tabakalı örneklemedeki orantılı dağıtım yaklaşımı kullanılarak 70 i kadın, 30 u erkek olmak üzere 00 kullanıcıya anket uygulanmıştır. Tercih uanı üzerinde etkisi olan kansei sözcüklerinin belirlenmesi aşamasında literatürdeki Doğrusal Regresyon Analizi ve önerilen SLOGREG kullanılarak, her iki yöntemle elde edilen modeller karşılaştırılmıştır... Kansei sözcükleri ile genel tercih uanı arasındaki ilişkinin Doğrusal Regresyon Analizi ile belirlenmesi X i X i Her ürün için, her i kansei sözcüğünün aldığı ortalama uan ( X ) ve ortalama genel tercih i uanından ( ) oluşan veri kullanılarak, ve X i ler arasındaki ilişki Doğrusal Regresyon Analizi ile araştırılmıştır. Tolam sözcük sayısı olduğundan, ikili etkileşimlerin dikkate alınmadığı modeldeki tolam bağımsız X i değişken sayısı, ikili etkileşimlerle X i birlikte tolam değişken sayısı ise 66 olmaktadır. Analizlerde uan ortalamalarının kullanılmasından X i dolayı tolam gözlem sayısı ise 38 dir. Değişken sayısının gözlem sayısından fazla olması (serbestlik dereceleri) ve bu sebele tüm ikili etkileşimlerin modele dahil edilememesi nedeniyle Adım Adım Regresyon (Stewise Regression), İleriye Doğru Seçim (Forward Selection), Geriye Doğru Eleme (Backward Elimination) ve Eniyi Alt Kümeler (Best Subsets) yöntemleri kullanılarak çeşitli modeller elde edilmiştir. Hiyerarşik olmayan yaklaşım benimsenerek bu modeller içinden standart hatası (s) en düşük, belirlilik katsayısı (R-sq) en yüksek olan model seçilmiş, analiz sonuçları Tablo 4 te sunulmuştur. Buna göre model, verideki değişimin %74,9'unu açıklayabilmektedir. Modelde yer alan sabit terim dışındaki terimlerin herbiri anlamlılık testini geçmiştir ( 0,0). aılan artık değer analizleri, modelin varsayımlarının sağlandığını göstermektedir. Modelde; göze batıyor-göze hita ediyor, yıkama için elverişsiz-elverişli, köşeli-yuvarlak sözcükleri ile kaba-zarif ve yıkama için elverişsizelverişli etkileşimleri yer almaktadır. Model incelendiğinde, göze hita eden yuvarlak geometriye sahi yumuşak hatlı armatürler kullanıcıların genel tercih uan ortalamasını artırmaktadır. ıkama için elverişli olmasının yanı sıra kullanıcı tarafından zarif olarak tanımlanan armatürlerin de genel tercih uan ortalamasını artırdığını söylemek mümkündür. X i

7 Mutfak Armatürü Tasarımının Kullanıcıların Görsel Algılarına Göre Lojistik Regresyon oluyla Belirlenmesi Tablo 4. Doğrusal Regresyon Modeli Regresyon Modeli _ort = X X X X7*X9 Tahminleyici Katsayı St.Hata T P Sabit terim X X X X7*X S = R-Sq = 74.9% R-Sq(adj) = 7.9% Varyans Analizi Kaynak Sd SS MS F P Regresyon Hata Tolam Kansei sözcükleri ile genel tercih uanı arasındaki ilişkinin Sıralı Lojistik Regresyon Analizi ile belirlenmesi Lojistik Regresyon, bağımlı değişkenin kategorik (ikili, üçlü, çoklu), bağımsız değişkenlerin sürekli/ kategorik olduğu durumlarda, aralarındaki ilişkinin belirlenmesinde kullanılır. Bu yöntemde bağımsız değişkenlerin (X i ) bağımlı değişken () üzerindeki etkileri olasılık olarak hesalanmaktadır. SLOGREG, bağımlı değişkenlerin sıralı ölçekle ölçüldüğü durumlarda kullanılmaktadır (Hosmer ve Lemeshow, 000). SLOGREG ile tüm sözcüklerin ikili etkileşimleri k: Değerlendirmede kullanılacak sözcük sayısı (k=) a i : i. duruma ilişkin sabit terim (i=,,m-) x j : j. Kansei sözcüğü için tercih uanı β j : j. Kansei sözcüğüne ilişkin katsayı (j=,,k) θ i : i. duruma ilişkin lojit bağlantı fonksiyonu (i=,,m-) λ i : i durumunu da içeren birikimli olasılık değeri Tüm sözcük ve ikili etkileşimlerin yer aldığı modelde katsayıları önemli bulunan sözcük ve etkileşimler P ( i ) ; i P ( m ), i,..., m m () i i k k k a X X X, i,..., m i j j ij i j j i j log ( i ) ;, i,..., m e i i e i (3) (4) modele dahil edilmiş, uan ortalamaları yerine her bir kullanıcının uanı dikkate alınmıştır. Hosmer ve Lemeshow (000) tarafından kullanılan notasyonun yazarlar tarafından çalışmaya uyarlanmış hali izleyen şekildedir: m: Karşılaşılabilecek durum (bağımlı değişkenin alabileceği değer) sayısı (m=7) (<0,0) için analizler tekrarlanmış, elde edilen lojit model λ için () no lu eşitlikte gösterilmiştir: 4, 80066, X 00, X 08, X , X 009, X 0 044, X 0077, X Pearson ve Sama χ istatistiğine ilişkin değerleri sırası ile 0,98 ve olarak hesalanmıştır. Elde edilen 3 0, 89X 4 () 3

8 Ezgi Aktar Demirtaş, A. Sermet Anagün, Gülser Köksal değerlerinin 0,0 ten büyük olması % anlamlılık düzeyinde modelin verilere uymadığını söylemek için yeterli istatistiksel kanıt olmadığını göstermektedir. Modelde ikili etkileşim etkilerinin kritik olmadığı görülmektedir. Ancak bu durum her zaman geçerli olmayabilir. Örneğin; yuvarlak hatlı ya da mat renkli ürünler daha çok tercih edilirken yuvarlak hatlı olu mat olmayan (arlak renkli) ürünler kullanıcılar tarafından daha çok beğenilebilir. Doğrusal Regresyon Analizi ile elde edilen modele göre göze hita eden, yuvarlak hatlara sahi; hem yıkama için elverişli hem de zarif olan ürünler genel beğeniyi arttırırken; () no lu eşitlikte gösterilen SLOGREG modeline göre; kavraması kolay, sıradışı, göze hita eden, arlak olmayan (mat), zarif, iddaalı olmayan (makul) ve yuvarlak hatlara sahi armatürler lojit fonksiyonun değerini ve λ olasılığını azaltmakta, tercih uanlarının in üzerinde olma olasılığını ise artırmaktadır. Elde edilen model; tercih uanı yüksek olan armatürlerin kullanıcılar tarafından nasıl betimlendiği bilgisini vermektedir. Bu bilgi; yeni ürün tasarımında ya da mevcut tasarımların iyileştirilme sürecinde kullanılabilir. Prototi aşamasındaki ürünleri kullanıcılara betimleterek, genel beğenilerini bu modeli kullanarak tahmin etmek ve böylece ürünleri hızlıca test etmek mümkün olabilir. 6. ENİİ TASARIM DÜZELERİNİN BELİRLENMESİ Açma-kaama kolu üstte ve yanda olan modeller için kullanıcıların armatürü genel olarak nasıl buldunuz sorusuna vermiş oldukları uanları eniyileyen tasarım düzeyleri SLOGREG ile belirlenmiştir. Literatürde Hsu vd. (000) ve Chuang vd. (00) tarafından kullanılan Konjoint Analizi nde tasarım niteliklerine ilişkin önem oranlarının ve düzey fayda katsayılarının hesalanması yöntemin bir üstünlüğüdür. Önem oranı gövde geometrisi, kol tii, renk gibi niteliklerin; fayda katsayıları ise niteliklere ilişkin düzeylerin kullanıcıların tercihleri üzerindeki etkisini belirlemekte kullanılmaktadır. Diğer taraftan Konjoint Analizi ile ikili ve daha yüksek mertebeden etkileşim etkilerinin hesalanamaması sonuçların doğruluğunu etkilemektedir. SLOGREG, Konjoint Analizi nin yarattığı bu sakıncayı ortadan kaldırmaktadır. SLOGREG analizinde ikili etkileşim etkilerinin hesalanabilmesi için tasarım düzeyleri; açma-kaama kolu üstte olan modeller için Tablo te görüldüğü gibi kukla değişkenler şeklinde ifade edilmiştir. Tablo. Tasarım Düzeylerine İlişkin Kukla Değişkenler (Kol Üstte) G. Geometri X X Silindirik 0 0 Tek Gövde 0 Kübik 0 Boru Tii X 3 X 4 Köeli 0 0 uvarlak 0 Kuu 0 Kol Tii X X 6 X 7 Düz Delikli 0 0 Çubuk 0 0 Joystick 0 0 Renk X 8 X 9 X 0 Krom Mat Krom 0 0 Krom Altn 0 0 Granit 0 0 S P S S t e y a ı l a n a n a l i z l e r s o n u c u n d a ; P( )olasılığını hesalamada kullanılan lojit fonksiyon (θ ) elde edilmiştir (6 no lu eşitlik): Elde edilen modelin verilere uygunluğu (goodness of fit) incelendiğinde Pearson ve Sama χ istatistiklerine ilişkin değerlerinin 0,4 ve 0,7 olarak hesalandığı 30, 0, 00( X ) 4, 84( X 4, ( X 94, ( X 7 ) 038, ( X ), ( X ), 49( X )( X ) 497, ( X 3 8 ) 84, ( X ) 30, ( X 9 )( X 4 0 ), 48 ( X 3 ) 769, ( X ) 686, ( X ) ) 80, ( X )( X ) 844, ( X )( X ) )( X ) 3, 09( X )( X ) (6) 4

9 Mutfak Armatürü Tasarımının Kullanıcıların Görsel Algılarına Göre Lojistik Regresyon oluyla Belirlenmesi Tablo 6 da görülmektedir. değerlerinin 0,0 ten büyük olması da modelin % anlamlılık düzeyinde verilere uyduğunu göstermektedir. Tablo 6. Modelin Verilere Uygunluk Testi (Kol Üstte) serbestlik derecesi Pearson 3, ,4 Sama 3, ,7 (6) no lu eşitliğe göre (θ ) değerini enküçükleyen ve P( 6) olasılığını enbüyükleyen düzeyler X vektörü ile gösterilmiştir: X = (0,0,,0,0,0,,0,0,) θ = -, P( )=0,098 P( 6)= - P( )=0,90 dir. Diğer bir ifade ile silindirik gövdeli, yuvarlak borusu olan, joystick kollu, granit renkli bir armatür için P( 6) çıkma olasılığı 0,90 dir. Benzer şekilde, açma-kaama kolu yanda olan modeller için tasarım düzeyleri Tablo 7 de görüldüğü gibi kukla değişkenler şeklinde ifade edilmiştir. SPSS te yaılan analizler sonucunda; P( ) olasılığını hesalamada kullanılan lojit fonksiyon (θ ) elde edilmiştir (7 no lu eşitlik): Pearson ve Sama χ istatistiklerine ilişkin değerleri 0,68 ve 0,07 olarak hesalanmıştır (Tablo 8). değerlerinin 0,0 ten büyük olması verilerin % anlamlılık düzeyinde modele uyduğunu göstermektedir. Analiz sonuçlarına göre en iyi tasarım seçeneği X vektörü ile gösterilmiştir: X = (,,0,,0,,0,0,0,0) θ = -3,38 336, 337, ( X ) 3, 49( X ) 087, ( X ) 3, 70( X ) 03, ( X ) 4, 034( X ) 0, 087( X ), 499 ( X ) 090, ( X ), 9 ( X ) 7, ( X )( X ) 0, 784( X )( X ) 607, ( X )( X ) 98, ( X )( X ) 4, 8( X )( X ) (7) Tablo 7. Tasarım Düzeylerine İlişkin Kukla Değişkenler (Kol anda) G. Konum X atay 0 Dikey G. Geometri X X 3 Silindirik 0 0 Konik 0 Kübik 0 Boru Tii X 4 X Köeli 0 0 L-tii 0 uvarlak 0 Kol Tii X 6 X 7 Düz 0 0 Delikli 0 Çubuk 0 Renk X 8 X 9 X 0 Krom Mat Krom 0 0 Krom Altn 0 0 Granit 0 0

10 Ezgi Aktar Demirtaş, A. Sermet Anagün, Gülser Köksal Tablo 8. Modelin Verilere Uygunluk Testi (Kol anda) serbestlik derecesi Pearson 7,090 0,68 Sama 3,83 0,069 P( )=0,033 P( 6)= - P( )=0,967 dir. Dikey ve konik gövdeli, L-tii su çıkış borusu olan, delikli açma-kaama kollu, krom bir armatürün genel tercih uanının 6 ve üzerinde çıkma olasılığı dir. P( 6) olasılığını enbüyükleyen düzeylere karşı gelen tasarım seçenekleri Şekil 3 te sunulmuştur. 7. DOĞRULAMA SLOGREG modeli ile elde edilen ve Şekil 3 te görülen tasarım seçeneklerinin kullanıcılar tarafından gerçekten tercih edili edilmediğini ve ürün imajlarının ilk aşamadaki SLOGREG modeli ile uyumlu olu olmadığını belirlemek için doğrulama çalışması yaılmıştır. Erdural ın (006) kullanmış olduğu ve EK de özetlenen Delta öntemi ile P( 6) olasılıkları için güven aralıkları oluşturulmuştur. Açma-kaama kolu üstte olan ürünlerde P( 6) olasılığı için güven aralıkları 0,0 ( için L,U ) ( 0, 83, 0, 9 ) 0,0 ( için L,U ) ( 0, 80, 0, 96 ) Açma-kaama kolu yanda olan ürünlerde olasılığı için güven aralıkları 0,0 ( için L,U ) ( 0, 89, 0, 986 ) 0,0 ( için L,U ) ( 0, 8, 0, 99 ) Şekil 3 teki tasarım seçenekleri 3 kişi tarafından değerlendirilerek elde edilen P( 6) olasılıklarının oluşturulan güven aralığı içerisinde olu-olmadığı belirlenmiştir. Açma-kaama kolu üstte olan ürün için 3 kullanıcıdan 9 unun genel tercih uanı ve in üzerinde; 8 inin genel tercih uanı ise 6 ve 7 dir. Bu durumda P( 6) olasılığı 0,80 olmaktadır. %9 ve %99 güven seviyesinde P( 6) olasılığına ilişkin güven aralığının alt sınır değerleri sırası ile, %83 ve %80 olarak hesalanmıştır. Bu durumda tasarım seçeneğinin %99 güven seviyesinde güven aralığı içerisinde olduğu görülmektedir. SLOGREG modelinin önerdiği tasarım seçeneklerinin kullanıcıların zihinlerinde yarattığı imajın bölüm 4. de elde edilen modelle uyumlu olu olmadığını belirlemek için kansei sözcüklerine verilen uanlar ve (-4) eşitlikleri kullanılarak P( 6) olasılığı hesalanmış, sonuçlar gerçek uan değerleri ile EK. nin son iki sütununda karşılaştırılmıştır. Son iki Şekil 3. P( 6) Olasılığını Enbüyükleyen Tasarım Seçenekleri 6

11 Mutfak Armatürü Tasarımının Kullanıcıların Görsel Algılarına Göre Lojistik Regresyon oluyla Belirlenmesi sütun incelendiğinde, tahminlemenin %86 oranında doğru olduğu görülmektedir. Ayrıca EK. deki tabloya göre 3 kullanıcının si açma-kaama kolunun kolay kavranabildiğini, si sıradışı olduğunu, 7 si arçaların birbiri ile uyumlu olduğunu, 33 ü göze hita eden bir ürün olduğunu düşünmektedir. Ürün 33 kullanıcıda mat hissi yaratmıştır. 8 kullanıcı, ürünü zarif ve makul olarak değerlendirmektedir. Ürün 3 kullanıcıda yuvarlak hatlara sahi izlenimi yaratmıştır. Bu durumda sözcükler ile genel tercih uanı arasındaki ilişkinin belirlenmesinde kullanılan SLOGREG modelinin geçerli ve genel tercih uanlarını tahminlemede etkili olduğu söylenebilir. Açma-kaama kolu yanda olan ürünler için 3 kullanıcıdan 30 u ürüne 6 ve 7 uan vermişlerdir. Bu durumda P( 6) olasılığı 0.86 olmaktadır. Doğrulama sonucunda elde edilen olasılık değeri, %99 güven seviyesinde P( 6) olasılığına ilişkin güven aralığının içerisinde yer almaktadır. Kansei uanları dikkate alınarak elde edilen tahmini P( 6) olasılıkları ile gerçek uanlar karşılaştırıldığında tahminlemenin %83 oranında doğru yaıldığı görülmektedir (EK 3). 3 kullanıcının 3 i açma-kaama kolunun kolay kavranabildiğini, 7 si sıradışı, 3 si arçaların birbiri ile uyumlu ve 3 i göze hita eden bir ürün olduğunu düşünmektedir. Ürün 30 kullanıcıda mat hissi yaratmıştır. 30 kullanıcı, ürünü zarif, 9 kullanıcı makul olarak değerlendirmektedir. Ürün 7 kullanıcıda yumuşak (yuvarlak) hatlara sahi izlenimi yaratmıştır. Su çıkış borusunun L-tii olması ürünün sert hatlı ve köşeli olduğunu düşündürmektedir. Elde edilen sonuçlara göre kansei sözcükleri ile genel tercih uanları arasındaki ilişkiyi belirlemekte kullanılan SLOGREG modelinin açma-kaama kolu yanda olan ürünler için de geçerli olduğu teyit edilmiştir. 8. SONUÇ VE ÖNERİLER aılan çalışmanın ilk aşamasında mutfak armatürleri için kullanıcı hislerini etkileyen ürün imajları, ikinci aşamada ise açma-kaama kolu üstte ve yanda olan ürün gruları için kullacıların görsel algılarını eniyileyen tasarım düzeyleri SLOGREG ile belirlenmiştir. İlk aşamadaki model, ikinci aşamada en çok tercih edildiği belirlenen tasarım seçeneklerinin kullanıcılar tarafından ne şekilde betimlendiğini göstermektedir. Diğer bir ifade ile bu model, kullanıcılar tarafından beğenilen ürünlerin imajları hakkında iuçları vermektedir. SLOGREG modelinin önerdiği tasarım seçeneklerinin kullanıcılar tarafından tercih edili edilmediği ve bu ürünlerin kullanıcıların zihinlerinde oluşturduğu imajın ilk aşamada elde edilen modelle uyumlu olu olmadığını test etmek için doğrulama çalışmaları yaılmıştır. Elde edilen tasarım seçeneklerinin 3 kişilik bir kullanıcı grubu tarafından değerlendirilmesi istenmiş, tercihlere göre elde edilen olasılıkların ilgili güven aralıklarında olu olmadığı kontrol edilmiştir. Ayrıca kullanıcıların SLOGREG in önerdiği tasarım seçeneklerini ilk aşamada elde edilen modelle uyumlu şekilde betimledikleri de görülmüştür. Çalışmada kullanılan yaklaşım genel olarak ürün tasarımı otimizasyonunda kullanılabilecek, mevcut alternatiflerin zayıf yanlarını gideren etkili bir yaklaşımdır. Bu yaklaşım; kategorik yaıdaki verilerin analizinde kullanılabilmekte, etkileşim etkilerini dikkate almakta öte yandan modelleme aşamasında belirli bir uzmanlık gerektirmektedir. Doğrulama sonuçları somut olarak göstermiştir ki; SLOGREG modelinin önerdiği ürünlerin 6 ve üzerinde uan alması olasılığı, oldukça yüksektir. Maliyet ve zaman kısıtları nedeniyle yalnızca tüm kullanıcılar için SLOGREG modeli oluşturularak en iyi tasarım düzeyleri belirlenmiş, en iyi düzeylere karşı gelen ürünler için doğrulama çalışmaları yaılmıştır. Analizler farklı kullanıcı gruları için tekrar edilerek firmaya sunulabilir. Böylece firmadaki karar vericilere hangi müşteri gruları için hangi seçeneğin sunulacağı konusunda yardımcı olunabilir. Benzer çalışma firmanın üretmekte olduğu diğer ürün gruları (banyo, lavabo armatürleri, banyo aksesuarları) için de yaılarak en iyi tasarım düzeyleri belirlenebilir. aılan çalışmalar, kullanıcıların görsel algılarına göre en iyi tasarım seçeneklerini belirlemeye yöneliktir. 7

12 Ezgi Aktar Demirtaş, A. Sermet Anagün, Gülser Köksal Bir sonraki aşamada kullanıcıyı görsel yönden tatmin eden ürünün güvenilirliğini, sağlamlığını ve erformansını en iyilemek gerekmektedir. Bu bağlamda; Kalite Fonksiyon ayılımı, Üretilebilirlik ve Montaj için Tasarım, Hata Türü ve Etkileri Analizi, Deney Tasarımı ve Değer Analizi gibi yöntemlerden yararlanılarak kullanıcıyı tatmin eden, kolay üretilebilir ve montajlanabilir, düşük maliyetli rototiler ile seri üretim aşamasına geçmek mümkün olabilir. KANAKÇA. Chuang, M.C., Chang, C.C., Hsu, S. H. 00. Percetual factors underlying user references toward roduct form of mobile hones, International Journal of Industrial Ergonomics, 7, Chuang, M.C., Mab.C. 00. Exressing the exected roduct images in roduct design of micro-electronic roducts, International Journal of Industrial Ergonomics, 7, Creusen, M.E.H., Schoormans, J.P.L. 00. The different roles of roduct aearance in consumer choice, The Journal of Product Innovation Management,, Erdural, S A Method for Robust Design of Products or Processes with Categorical Resonse, METU, Ankara.. Han, S.H., un, M.H., Kim, K.J., Kwank, J Evaluation of roduct usability: develoment and validation of usability dimensions and design elements based on emirical models, International Journal of Industrial Ergonomics, 6 (4), Hosmer, D.W., Lemeshow, S Alied Logistic Regression (nd edition), John Wiley & Sons, New ork. 7. Hsiao, K.A., Chen, L.L Fundamental dimensions of affective resonses to roduct shaes, International Journal of Industrial Ergonomics, 36, Hsiao, S.W., Huang, H.C. 00. A neural network based aroach for roduct form design, Design Studies, 3, Hsiao, S.W., Tsai, H.C. 00. Alying a hybrid aroach based on fuzzy neural network and genetic algorithm to roduct form design, International Journal of Industrial Ergonomics, 3 (), Hsu, S.H., Chuang, M.C., Chang, C.C A semantic diferential study of designers and users roduct form ercetion, International Journal of Industrial Ergonomics,, Jindo, T., Hirasago, K Alication studies to car interior of Kansei engineering, International Journal of Industrial Ergonomics, 9, Karlsson, B.S.A., Aronsson, N., Sevensson, K.A Using semantic environment descrition as a tool to evaluate car interiors, Ergonomics, 46 (3-4), Khalid, H.M., Helander, M.G A framework for affective customer needs in roduct design, Theoretical Issues in Ergonomics, (), Khalid, H.M., Helander, M.G Customer emotional needs in roduct design, Concurrent Engineering: Research and Alication, 4 (3), Kim, J., Lee, J., Choi, D Designing emotionally evocative homeages: an emirical study of the quantitative relations between design factors and emotianal dimensions, International Journal of Human- Comuter Studies, 9, Kish, L. 99. Survey Samling, John Wiley and Sons, New ork. 7. Kwon, K.S Human sensibility ergonomics in roduct design, International Journal of Cognitive Ergonomics, 3 (), Lai, H.H., Lin,.C., eh, C.H. 00. Form design of roduct image using grey relational analysis and neural network models, Comuters and Industrial Engineering, 3, Lai, H.H., Lin,.C., eh, C.H., Wei, C.H Useroriented design for the otimal combination on roduct design, International Journal of Production Economics, 00 (), Liu, Engineering aesthetics and aesthetic ergonomics: theoritical foundations and dual rocess research methodology, Ergonomics, 46 (3-4), Malhotra, N.K Marketing Research, An Alied Orientation, Prentice Hall International, Georgia Institute of Technology.. Nagamachi, M. 99. Kansei Engineering: A new ergonomic consumer-oriented technology for roduct develoment, International Journal of Industrial Ergonomics,, Nakada, K Kansei engineering research on the design of construction machinery, International Journal of Industrial Ergonomics, 9, Osgood, C.E., Suci, G.J., Tannenbaum, P.H. 97. The Measurement of Meaning, Chamagne, University of Ilinois Press.. Özdamar, K. 00. Paket Programlar ile İstatistiksel Veri 8

13 Mutfak Armatürü Tasarımının Kullanıcıların Görsel Algılarına Göre Lojistik Regresyon oluyla Belirlenmesi Analizi (Çok Değişkenli Analizler),. Basım, Etam A.Ş., Eskişehir. 6. Phadke, M Quality Engineering Using Robust Design, Prentice Hall, New Jersey. 7. Shütte, S. 00. Integrating Kansei Engineering Methodology in Product Develoment, Linköing Studies in Science and Technology, Sweden. 8. un, M.H., Han, S.H., Kim, K.J., Han, S Measuring customer ercetions on roduct usability: develoment of image and imression attributes of consumer electronic roducts, Proceedings of the Human Factors and Ergonomics Society Annual Meeting, Texas, Zhang, L., Shen, W Sensory Evaluation of Commercial Truck Interiors, SAE Technical Paer Series, Michigan. EK. Güven Aralığı Hesabı P ( 6) olasl için güven aralklar izleyen ekilde hesalanmaktadr: : lgilenilen olayn gerçekleme olasl Cov ( ) G : Kovaryans matrisi ( o k /, /, /,... / ) Var ( ) G Cov ( ) G T q ln( ) Var ( q) ( ) q için güven aral; L q z / Var ( q) U q z Var ( ) / q için güven aral; Var ( ) U U e L L e 9

14 Ezgi Aktar Demirtaş, A. Sermet Anagün, Gülser Köksal EK. Doğrulama Sonuçları (Kol Üstte) Kullanc X X X 3 X 4 X X 7 X 0 X P ( ) P ( 6) ,49 0,09 > ,4 0,88 > ,48 0, > ,393 0,607 > ,608 > ,4 0,48 > ,60 0, ,0 0,49 > ,688 0, ,479 0, > ,49 0,08 > ,36 0,63 > ,674 0, ,407 0,93 > ,334 0,666 > ,337 0,663 > , 0, ,77 0, ,449 0, > ,4 0,78 > ,40 0,0 > ,486 0,4 > ,49 0,0 > ,47 0, > ,66 0, ,470 0,30 > ,60 0, ,464 0,36 > ,3 0,68 > ,4 0, ,48 0,4 > ,487 0,3 > ,38 0,6 > ,30 0,470 <= ,46 0,39 > 6 30

15 Mutfak Armatürü Tasarımının Kullanıcıların Görsel Algılarına Göre Lojistik Regresyon oluyla Belirlenmesi EK 3. Doğrulama Sonuçları (Kol anda) Kullanc X X X 3 X 4 X X 7 X 0 X P ( ) P ( 6) ,46 0,44 > ,443 0,7 > ,00 0, ,44 0, > ,4 0,78 > ,40 0,90 > ,86 0, ,408 0,9 > ,490 0,0 > ,493 0,07 > ,0 0, ,6 0,739 > ,43 0,87 > ,433 0,67 > ,476 0,4 > ,99 0,70 > ,496 0,04 > ,9 0, ,49 0,7 > ,4 0,7 > ,487 0,3 > ,3 0, ,43 0,69 > ,49 0,09 > ,687 0, ,4 0,49 > ,670 0, ,49 0,08 > ,383 0,67 > ,367 0,633 > ,493 0,07 > ,48 0,7 > ,49 0,09 > ,08 0,49 <= ,3 0,469 <= 3