Geri Dön

Determining e-commerce product recommendation systems utilizing mcdm methods

Çkkv yöntemlerini kullanarak e-ticaret ürün öneri sistemlerinin belirlenmesi

PDF İndir

  1. Tez No: 886721
  2. Yazar: MİNE YAVUZ ŞAFAK
  3. Danışmanlar: PROF. DR. YUSUF İLKER TOPCU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mühendislik Yönetimi Bilim Dalı
  13. Sayfa Sayısı: 142

Özet

Teknolojinin sürekli ilerlemesiyle, bu sektörde faaliyet gösteren şirketlerin sayısı istikrarlı bir şekilde artmaktadır. Özellikle COVID-19 pandemisinden sonra, insanlar yaşam tarzlarını değiştirip dijital dünyaya daha fazla yönelmeye başlamışlardır. Pandemi öncesinde insanlar film izlemek için sinemalara gider veya aradıkları ürünleri bulmak için fiziksel olarak alışveriş merkezlerini ziyaret ederken, pandemi ile kişisel ihtiyaçlarını dijital platformlar üzerinden karşılamaya başlamışlardır. Bu trend, müzik ve internet yayını gibi eğlence sektörlerinin yanı sıra e-ticaret sektörünün de büyümesine yol açmıştır. E-ticaret, hem müşteri hem de satıcı sayısında sürekli bir artış yaşayan gelişen bir sektördür. Satıcı sayısındaki artışla birlikte e-ticaret platformlarındaki ürün yelpazesinin genişlemesi, sektörün büyümesine katkıda bulunmuştur. E-ticaret şirketlerinin piyasadaki konumlarını korumaları ve pazar paylarını genişletmeleri, müşteri memnuniyetini sağlamaları ve daha fazla müşteriye hizmet verebilecek altyapıyı sunmaları gibi temel hedeflerine bağlıdır. Bu nedenle, müşterilerin istedikleri ürünleri kolayca bulabilmeleri ve platform üzerindeki deneyimlerinin alışverişin tamamlanmasına kadar sorunsuz ve verimli olması büyük önem taşımaktadır. Amerika Birleşik Devletleri'nde sık alışveriş yapanlar, e-ticaret sitelerinde ayda ortalama 44 saat 35 dakika harcamaktadır. E-ticaret platformlarında müşterilerin alışveriş deneyimlerini tamamlamalarını engelleyen faktörler arasında yavaş site hızı, istenilen ürünleri bulma zorluğu, iade politikaları ve yetersiz müşteri hizmetleri bulunmaktadır. Bu nedenle, öneri sistemleri tarafından önerilen ürünlerin müşteriler tarafından tercih edilebilir olması kritik öneme sahiptir. Öneri sistemleri, müşterilere uygun öneriler oluşturmak için bir dizi algoritma, veri analizi ve yapay zeka kullanan dijital araçlardır. Günümüzde, bu sistemler müşteri profillerinden öğrenir ve ürün değerlendirmelerini dikkate alarak öneriler oluşturur. Ancak, artan ürün ve müşteri sayısıyla birlikte, müşterilere istenilen ürünleri önermeye yönelik alan, geliştirilmesi ve kişiselleştirilmesi gereken bir alan haline gelmiştir. Bu çalışma, e-ticaret müşterilerinin çevrimiçi olarak satın almak istedikleri ürünleri bulma sürelerini azaltmayı ve genel alışveriş deneyimlerini iyileştirmeyi amaçlamaktadır. Öneri sistemleri müşterilerin sistemin önerdiği ürüne ilgisi olup olmadığına göre geliştirilir ve müşteriye sunulur. Bu sebeple, hedefe ulaşmak için e- ticaret öneri sistemlerinin teknikleri ve müşterilerin satın alma kararlarını etkileyen faktörler ayrı ayrı incelenmiştir. Öneri sistemi teknikleri arasında (i) kişiselleştirme yeteneği, (ii) soğuk başlangıç sorununu çözme yeteneği, (iii) ilgili ürünleri önerme yeteneği, (iv) gerçek zamanlı işleme yeteneği, (v) öneri sisteminin kalitesi ve (vi) öneri sisteminin doğruluğu faktörleri bulunmaktadır. Müşteri satın alma davranışını etkileyen faktörler ise yedi başlık altında kategorize edilmiştir: (i) ürün fotoğrafları, (ii) ürün özellikleri, (iii) müşteri yorumları, (iv) müşteriler tarafından paylaşılan ürün fotoğrafları, (v) ürün değerlendirmeleri, (vi) filtreleme seçenekleri ve (vii) aranan ürünün bulunma kolaylığı. Literatür araştırmalarına göre e-ticaret ürün öneri sistemi teknikleri geleneksel yöntemler ile bazı e-ticaret şirketlerinin kullanmadığı başka teknikleri de içerir. Bu çalışmada, 8 öneri sistemi tekniği incelenmiştir. Bunlar; (i) içerik tabanlı filtreleme tekniği, (ii) popülerlik tabanlı filtreleme tekniği, (iii) kullanıcı tabanlı işbirlikçi filtreleme tekniği, (iv) ürün tabanlı işbirlikçi filtreleme tekniği, (v) model tabanlı işbirlikçi filtreleme tekniği, (vi) sosyal ağ işbirlikçi filtreleme tekniği, (vii) geri getirme destekli üretim tekniği, (viii) hibrit yaklaşımlar tekniği. Öneri sistemleri müşteri davranışlarına dayalı olarak geliştiği için, hem e-ticaret müşterilerine hem de öneri sistemi tekniklerine aşina olan uzmanlara ayrı anketler sunulmuştur. 73 e-ticaret kullanıcısından belirtilen kriterlerin ikili karşılaştırılması istendi ve verilen cevapların geometrik ortalaması alınarak müşterilerin online giyim alışverişinde satın alma davranışını etkileyen faktörlerin önem derecesi hesaplandı ve AHP yöntemi kullanıldı. Hesaplamalar sonucunda, tutarlılık oranı 0.004 bulundu ve model anlamlı çıktı. Müşterilerin satın alma davranışını etkileyen en önemli kriterin müşteri yorumları olduğu gözlemlendi. Önem sırasına göre ardından gelen diğer kriterler ise sırasıyla, müşteri tarafından paylaşılan ürün fotoğrafları, aratılan ürünü kolay bulma, müşteri tarafından verilen ürün Puanı, boy, beden, ağırlık filtreleme seçenekleri sonucu, ürün özellikleri ve ürün fotoğraflarıdır. Müşteriye satın alabileceği ürünü öneren öneri sistemi teknikleri faktörlerinin ikili karşılaştırması için bu alanda uzman 6 kişi ile online anket yapıldı. Bu 6 kişi e-ticaret sektörü ile birden çok sektörde öneri sistemi teknikleri üzerine uzman kişilerdir. Yaşları 26-49 aralığında olan bu 6 kişinin 1'i kadın, 5'i erkektir. Uzmanlar en az 5 yıl çalışma deneyimine sahip kişilerdir ve şirketteki pozisyonları uzman, lider ve direktördür. Çalışma alanları ise ürün yönetimi ve veri bilimi alanlarındadır. Uzmanların verdiği yanıtların geometrik ortalaması alınarak AHP yöntemi kullanılmıştır. Sonuçlara göre tutarlılık oranı değeri 0.023'tür. Uzmanlara göre öneri sistemi tekniklerinin kriterleri arasından en önemli kriter önerinin doğruluğudur. Önerinin doğruluğu, müşteri ihtiyaçları ve tercihlerine göre öneri sunma yeteneğidir. Önem sırasına göre ardından gelen diğer kriterler ise sırasıyla, öneri sisteminin kalitesi, sistemin kişiselleştirme yeteneği, ilgili ürünleri önerme yeteneği, gerçek zamanlı işleme yeteneği ve soğuk başlangıç problemini çözme yeteneğidir. Uzmanlara sorulan ankette, müşteriye satın alabileceği ürünü öneren öneri sistemi tekniğinin ilgili kriterine göre ilgili seçeneğin ne kadar iyi olduğu sorulmuştur. 6 uzmanın verdiği cevabın aritmetik ortalaması alınarak TOPSIS yöntemi uygulanmıştır. Uzmanların kriterlere verdiği ağırlıklandırmalar bu yöntemi uygularken kullanılmış ve pozitif ve negatif ideal çözümler belirlenmiştir. Göreceli yakınlıkların hesaplanması sonucu alternatifler sıralanmıştır. Uzmanlara göre Hibrit Yaklaşımlar Tekniği en iyi alternatif olarak belirlenmiştir. Ardından, Model Tabanlı İşbirlikçi Filtreleme Tekniği, Geri Getirme Destekli Üretim Tekniği, Kullanıcı Tabanlı İşbirlikçi Filtreleme Tekniği, Ürün Tabanlı İşbirlikçi Filtreleme Tekniği, İçerik Tabanlı Filtreleme Tekniği, Sosyal Ağ İşbirlikçi Filtreleme Tekniği ve Popülerlik Tabanlı Filtreleme sıralanmıştır. Çalışma sonuçlarına göre, öneri sistemi tekniklerinde doğruluk, kalite ve kişiselleştirme yeteneği önemli rol oynamaktadır. Müşteri yorumları ve müşteriler tarafından paylaşılan ürün fotoğrafları, müşteri satın alma davranışını önemli ölçüde etkilemektedir. Öneri sistemi teknikleri arasında hibrit yaklaşımlar en uygun seçenek olarak desteklenmektedir. Hibrit yaklaşımlar, ürün yorumlarını dikkate alarak çalışabilen ve kendini geliştirebilen bir tekniktir. Ancak, hibrit yaklaşımlar tekniğinin uygulanması maliyetli ve zor olabilir. Ne kadar fazla veri içerirse o kadar iyi sonuçlar verir. Tekniğin uygulanması komplekstir ve biraz zaman alıcı olabilir. Bu sebeple küçük ölçekli şirketlerde uygulanabilirliği büyük ölçekli şirketlere kıyasla daha zor olabilir.

Özet (Çeviri)

With the continuous advancement of technology, the number of companies operating in this sector is steadily increasing. Especially after the COVID-19 pandemic, people began to change their lifestyles and lean more towards the digital world. Prior to the pandemic, people used to go to cinemas to watch movies or physically visit shopping malls to find desired products, but with the pandemic, people started meeting their personal needs through digital platforms. This trend has led to the growth of the e- commerce sector along with entertainment sectors like music and internet streaming. E-commerce is a developing sector witnessing a constant increase in both the number of customers and sellers. The expansion of product ranges on e-commerce platforms with the increase in the number of sellers has contributed to the growth of the sector. Maintaining their positions in the market and expanding their market shares for e- commerce companies depend on their primary objectives of ensuring customer satisfaction and providing the infrastructure to serve more customers. Therefore, it is of great importance that customers can easily find the products they desire and that their experiences on the platform are smooth and efficient until the completion of the purchase. In the United States, frequent shoppers spend an average of 44 hours and 35 minutes per month on e-commerce sites. Factors hindering customers from completing their shopping experiences on e-commerce platforms include slow site speed, difficulty in finding desired products, return policies, and inadequate customer service. Thus, it is crucial that the products recommended by recommendation systems are preferable to customers. Recommendation systems are digital tools that utilize a set of algorithms, data analysis, and artificial intelligence to create suitable recommendations for customers. Nowadays, these systems learn from customer profiles and take product ratings into account to generate recommendations. However, with the increasing number of products and customers, the area of recommending desired products to customers has become one that needs to be developed and personalized. This study aims to reduce the time it takes for e-commerce customers to find the products they want to purchase online and to enhance their overall shopping experiences. Recommendation systems are developed based on whether customers are interested in the products suggested by the system and are then presented to the customer. Therefore, to achieve this goal, the techniques of e-commerce recommendation systems and the factors influencing customers' purchase decisions have been examined separately. Recommendation system techniques include (i) personalization ability of the system, (ii) ability to solve cold start problem, (iii) ability to recommend relevant products, (iv) real-time processing capability, (v) quality of the recommendation system, and accuracy of the recommendation system factors. Factors influencing customer purchase behavior are categorized into seven headings: (i) product images, (ii) product attributes, (iii) customer reviews, (iv) product photos shared by customers, (v) product score given by the customers, (vi) result of height, size, weight filtering options, and (vii) finding the searched product. According to literature research, e-commerce product recommendation system techniques include both traditional methods and other techniques that some e-commerce companies do not use. In this study, 8 recommendation system techniques were examined. These are; (i) content-based filtering technique, (ii) popularity-based filtering technique, (iii) user-based collaborative filtering technique, (iv) item-based collaborative filtering technique, (v) model-based collaborative filtering technique, (vi) social network collaborative filtering technique, (vii) retrieval augmented generation technique, (viii) hybrid approaches technique. Since recommendation systems develop based on customer behavior, separate surveys were presented to both e-commerce customers and experts familiar with recommendation system techniques. 73 e-commerce users were asked to make pairwise comparisons of the specified criteria, and the geometric mean of the given answers was calculated to determine the importance degree of the factors affecting customers' online clothing purchase behavior using the AHP method. The consistency ratio was found to be 0.004, and the model was found to be significant. Customer reviews were observed to be the most important criterion affecting purchasing behavior. The other criteria following in order of importance are, respectively, product photos shared by the customer, finding the searched product, product score given by the customer, result of height, size, weight filtering options, product attributes, and product images. For the pairwise comparison of the factors of recommendation system techniques that suggest purchasable products to customers, an online survey was conducted with 6 experts in this field. These 6 people are experts in recommendation system techniques across multiple sectors, including e-commerce. The ages of these 6 people range from 26 to 49, with 1 woman and 5 men. The experts have at least 5 years of work experience, and their positions in the company are senior, lead, and head. Their areas of work are product management and data science. The geometric mean of the experts' responses was calculated using the AHP method. The consistency ratio was found to be 0.023. According to the experts, the most important criterion among the factors of recommendation system techniques is the accuracy of the recommendation. The accuracy of the recommendation is the ability to provide recommendations based on customer needs and preferences. The other criteria following in order of importance are, respectively, quality of the recommendation system, personalization ability of the system, ability to recommend relevant products, real-time processing capability, and ability to solve the cold start problem. In the survey asked to the experts, they were asked how well the relevant option performs concerning the relevant criterion of the recommendation system technique that suggests purchasable products to customers. The arithmetic mean of the answers given by the 6 experts was calculated, and the TOPSIS method was applied. The weights assigned by the experts to the criteria were used when applying this method, and positive and negative ideal solutions were determined. As a result of calculating the relative closeness, the alternatives were ranked. According to the experts, the hybrid approaches technique was identified as the best alternative. This was followed by model-based collaborative filtering technique, retrieval augmented generation technique, user-based collaborative filtering technique, item-based collaborative filtering technique, content-based filtering technique, social network collaborative filtering technique, and popularity-based filtering technique. According to the study results, the accuracy, quality, and personalization capability of the recommendation system play an important role in recommendation system techniques. Customer reviews and product photos shared by customers significantly influence customer purchase behavior. Among recommendation system techniques, hybrid approaches are supported as the most suitable option. Hybrid approaches are techniques that can work by taking product reviews into account and can improve themselves. However, the implementation of hybrid approaches can be costly and difficult. The more data it includes, the better results it produces. The implementation of the technique is complex and may be time-consuming. Therefore, its applicability in small-scale companies may be more difficult compared to large-scale companies.

Benzer Tezler

  1. Tez No

    532079

    E-Ticaret sitelerinin satışlarının artırılması için bulut bilişim tabanlı yapay öğrenme

    Machine learning on cloud computing platform for increasing sales of E-Commerce sites

    AHMET AYAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALİ OSMAN ÇIBIKDİKEN

  2. Tez No

    87056

    Gümrük Birliği sürecinin Türk sermaye piyasasına etkileri

    The Effects of Customer Union course on Turkish capital market

    ÖNDER HALİSDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    EkonomiMarmara Üniversitesi

    Sermaye Piyasası ve Borsa Ana Bilim Dalı

    PROF. DR. İLHAN ULUDAĞ

  3. Tez No

    27120

    Sigortada dağıtım ve tutundurma metodları

    Başlık çevirisi yok

    BANU GÖNENÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    1994

    SigortacılıkMarmara Üniversitesi

    Sigortacılık Ana Bilim Dalı

    DOÇ. DR. OSMAN GÜRBÜZ

  4. Tez No

    112559

    Mining user access patterns and identity information from web logs for effective personalization

    Etkili kişiselleştirme için web günlüklerinin veri madenciliği yöntemi ile analizi

    ESRA SATIROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2001

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. H. ALTAY GÜVENİR

  5. Tez No

    879804

    Ahşap malzemenin robot destekli eksiltmeli üretimi: Denklemden uygulamaya bir iş akışı

    Robot-aided subtractive fabrication of timber: A workflow from equation to execution

    HABİBE ŞENKAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Mimarlıkİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    DOÇ. DR. SEMA ALAÇAM

Geri Dön