Firmalarınızda operasyonlarınızı kontrol edebilmek amacıyla kurulmuş sistemlerde yıllardır biriken milyonlarca kayıt ve veriden işinizi yönetebileceğiniz akıllı sonuçlar çıkarabiliyor musunuz?

Verilerinizden gözle görülmeyen ve klasik raporlama yöntemleriyle elde edemeyeceğiniz beklenmedik ipuçları;

·         işinizde fark yaratabilir,

·         satışlarınızı, karınızı arttıracak,

·         risklerinizi azaltacak güç sağlayabilir.

Veri madenciliği ile bilgi madenlerinizden çok kıymetli cevherler çıkarabilecek, bilgiyi avantaja dönüştürebileceksiniz…

4 ana yöntemi ile veri madenciliği;

Birliktelik Analizi; Literatürde Pazar Sepet Analizi olarak da kullanılan bu yöntem, verinin içinden birliktelikleri saptayarak çıkarabilmektedir. Hangi ürünlerin daha çok birlikte satıldığı bu analizin en bilinen konusudur.  Basit bir örnek vermek gerekirse; Çayla şekerin birlikte satılması herkesin düşünebileceği bir birlikteliktir. Ancak analiz uygulandığında günlük operasyonda gözden kaçırmış olabileceğiniz, oyuncak ile çikolata ve şekerleme alımlarının sıklıkla birlikte tekrarlandığını fark edebilirsiniz. Bu bağıntının ortaya çıkması sonucu, oyuncak reyonunun yanına hızlı dönüşü olmayan pahalı şekerleme ürünlerini koyarak satışlarını hızlandırabilirsiniz. Birliktelik sonuçları, stok eritme, kar yükseltme, raf yerleştirme gibi farklı satış stratejileriyle sizi bir adım öne geçirebilir.

Bu yöntemle,

·        Müşteri satın alma eğilimlerini bölgesel, segment bazında, aylık, günlük ve hatta saatlik periyodlarda tespit edebilirsiniz.

·        Farklı semtlerde bulunan birden fazla mağazanız için farklı eğilimleri tespit edebilir, mağaza bazında doğru stok politikaları izleyebilirsiniz.

·        Ürün kataloglarınızda birlikte satılan ürünleri aynı sayfaya koyarak çekici hale getirebilirsiniz.

·        Müşteri memnuniyet anketleri ve servis kayıtlarınızdan ne tür müşterilerin sıklıkla hangi konudan şikayet ettiğini ya da memnun olduğunu ortaya çıkarabilirsiniz.

·       Birbirini izleyen ödeme ve gecikmelerdeki benzerlikleri, üretimdeki insan kaynakları ile ürün kalitesi arasındaki bağıntıları da bu teknoloji sayesinde elde edebilirsiniz.

Ayrıca, popüler elektronik ticaret siteleri, siz bir ürünle ilgilendiğinizde, bu ürünle birlikte en çok hangi ürünlere bakıldığını göstererek çapraz satış önerisi getirmekte, profilinize bakarak sizi ilgi duyacağınız ürünlere yönlendirebilmektedir.

Kümeleme; Bu yöntem özünde, verileri içerdikleri birden fazla özelliğe ve bu özelliklerin birbirleriyle benzerliklerine göre gruplamaya yarar. Örneğin müşterilerin, ödeme tipi tercihleri, tahsilat karakteristikleri, sıklıkla aldıkları ürünler, semt, yaş ve gelir seviyesi gibi birbirinden bağımsız özellikleri, bu yöntemde baz alınabilir. Yöntem, özellikleri birbirine benzeyen müşterileri bir arada kümeleyecek ve belli karakteristiklere sahip gruplar oluşturacaktır. Sizler de grupların karakteristiklerine göre doğru stratejileri belirleyebileceksiniz.

·        Dağıtım yapıyor ve ürünlerinizi pazarladığınız perakendecileri büyüklüklerine, müşteri sayılarına, cirosuna, rakip ürün penetrasyonlarına göre kümelemek istiyorsanız,

·        Perakende iş alanınızda müşterilerinizi ciroları, sıklıkla aldıkları ürün grubu, ödeme karakteristikleri, yaş ve gelir gruplarına göre bölümlemek istiyorsanız,

·         Birden fazla mağazanızı, satılan ürün çeşidi, ciro, müşteri profili vb. özelliklerine göre tasniflemek istiyorsanız,

·        İnsan kaynaklarınızı eğitim seviyesi, bir zaman biriminde yaptıkları iş miktarı, yapılan hata miktarı, oturdukları bölge gibi özelliklerini kullanarak belli gruplarda analiz etmek istiyorsanız,

·         Ürün ya da ham maddeleriniz için satış/sarf miktarı, cirosu, mevsimsel dağılımları gibi özellikleri üzerinden tüketim oranlarına göre tasnifleyerek ABC analizi yapmak istiyorsanız,

Kümeleme analizi size en uygun yöntemleri sunar.

Kümeleme analizi sonuçlarından,

·         En iyi müşterilerim kim,

·         satın alma davranışları neler,

·         hangi gelir grubu hangi markayı satın alır,

·         müşteri sadakat derecesi takip edilebilir, öngörülebilir mi?

sorularına cevap bulabilirsiniz. Bunlara benzer birçok sorunun müşteri, tedarikçi, çalışan boyutunda cevabı, bilgi madeninden çıkarabileceğiniz cevherlerdir.

Sınıflandırma; Bu yöntem karar ağaçlarını kullanarak verinin sınıfını belirler ve veri ile ilgili geleceğe yönelik doğru bir tahmin yapılmasına yardımcı olur. Yöntemin en öne çıkan örneği risk analizidir. Örneğin, kredi, sigorta işlemlerinde risklerin belirlenmesine yarar. Kredi verilecek kişilerin çeşitli özellikleri ve mali durumlarına göre risk sınıfının belirlenmesi sonucu müşteriye verilecek kredi tutarına karar verilebilir. Yaş, meslek, eğitim, araba markası gibi bilgilere göre farklı kasko prim oranlarının uygulanması karar ağaçlarının oluşturduğu risk faktörleriyle saptanır.   

·         Ürünlerin geleceğe yönelik satış miktar ve fiyatlarının tahminlenmesi

·         Yeni bir ürünün satış olasılığı tahminlemesi

·         Ürünlerin satış miktar, ciro, mevsimsel değişiklikler, şikayet, arıza, memnuniyet oranı vb. faktörlerin değerlendirmesi sonucu en iyi satan ürünün saptanması

·         Bir ürünün bir bölgede satma olasılığı

·         Müşterinin risk sınıfı belirlenmesi, risk sınıflarına göre müşterilere risk limiti atanması,

·         Ekibin eğitim seviyesi, tecrübesi, yaptığı projeler gibi özelliklerine göre sınıflandırılarak ücretlendirilmesi

gibi örnekler sınıflama algoritmalarının sonuçlarından çıkarılabilir.

Aykırı Durumların Tespiti; Normal eğilimlerden farklı verilerin tespitine yarayan yöntem,

·         Kredi yolsuzluk tespiti,

·         Normalden yüksek satışlar,

·         Normalden fazla iptal işlemleri,

·          Normal olmayan siparişler,

·         Şüpheli durumlar,

·         Ağ saldırıları (spam e-posta) ve sistem kaynaklarını aşırı tüketen işlemlerin tespiti

gibi örnekler için kullanılabilir. Şirketleri maddi kayba uğratacak riskleri engellemeye yarar.

Notlar;

Birliktelik analizi için FPGrowth Algoritması kullanılmaktadır. Algoritma J. Han, H. Pei, and Y. Yin. Tarafından geliştirilmiş ve ilk kez “Proc. Conf. on the Management of Data (SIGMOD’00). ACM Press, New York, NY, USA.” isimli dergide yayınlanmıştır. Yöntemin standardı haline gelmiş olan Apriori algoritmasından daha performanslı çalışan ve FPTREE (FrequentPatternTREE) isimli ağaç veri yapıları kullanımına dayalı bir algoritmadır.

Kümeleme için kullanılan K-Means++ Algoritması orjinal K-Means Algoritmasından %50’ye varan performans artışı sağlayan bir algoritmadır. Algoritma David Arthur - Sergei Vassilvitskii tarafından 2007 yılında yayınlanmıştır.

Sınıflama için Karar Ağacı Algoritması  (C4.5), Naive Bayes Sınıflandırma Algoritması ve benzeri sınıflandırma yöntemleri kullanılmıştır.