Migros Türk A.Ş.de birliktelik kurallarının yerleşim düzeni planlamada kullanılması

Günümüzün dinamik iş çevresinde bilgi en değerli varlıktır. Artık birçok örgüt önemli iş kararlarını veri tabanlarından çıkarılan bilgi ve kendi düşüncelerini harmanlayarak vermektedirler. Bu sayede, başarılı işletmeler büyük veri tabanlarından, veri madenciliği tekniklerini kullanarak önceden bilinmeyen ve potansiyel olarak faydalı bilgileri kullanarak hem yerel hem de küresel pazar taleplerine çabuk cevap verebilmektedirler. Bu çalışmada süpermarket yerleşim yeri düzenlemede veri yönelimli bir karar destek sistemi uygulaması sunulmaktadır. Çalışmada veri tabanlarında bilgi keşfi süreci kullanılarak yerleşim düzeni geliştirmeyi gerçekleştiren metodolojik bir çerçeve sunulmaktadır. Çalışmada ilişkisel veri tabanı hazırlanarak, Apriori algoritması ve Çok Boyutlu Ölçekleme (ÇBÖ) yöntemleri kullanılmaktadır. Deneysel çalışma ise Türkiye’nin önde gelen perakende satış firmalarından biri olan Migros Türk A.Ş.de gerçekleştirilmektedir.

The use of association rules in store layout planning at Migros Türk A.Ş.

Knowledge is the most valuable asset in today’s dynamic business environment. In many organizations, decisions are made based on a combination of judgment and knowledge extracted from databases. Successful business organizations are able to react rapidly to the changing market demands both locally and globally, by utilizing the latest data mining techniques of extracting previously unknown and potentially useful knowledge from vast resources of raw data. In this paper, an application of data driven decision support is presented for store layout. This paper develops a relational database and uses Apriori algorithm and multidimensional scaling techniques as methods for the store layout issue. We propose a methodological framework for the use of the knowledge discovery process to improve store layout. As the empirical study, a supermarket analysis has done for Migros Turk A.Ş, a leading Turkish retailing company.

PDF

___

1. Agrawal, R., Srikant, R., 1994. “Fast Algorithms For Mining Association Rules”, Proceedings of the 20th VLDB Conference, Santiago, Syf. 487-499.
2. Arslan, F.M., Bayçu S., 2006. “Mağaza Atmosferi”, Anadolu Üniversitesi Web-Ofset, Syf. 237-254.
3. Mladenic, D.; Lavrac, N.; Bohanec, M.; Moyle, S., 2003. “Data Mining and Decision Support Integration and Collaboration Series: The Springer International Series in Engineering and Computer Science”, Vol. 745, Syf. 304.
4. Chen, M.C., Lin, C.P., 2007. “A Data Mining Approach to Product Assortment and Shelf Space Allocation, Expert Systems With Applications”, Sayı 4, Cilt 32, Syf. 976- 986.
5. Chen, Y.L., Chen, J.M., Tung, C.W., 2006. “A Data Mining Approach For Retail Knowledge Discovery With Consideration of the Effect of Shelf-Space Adjacency on Sales, Decisions Support Systems”, Sayı 3, Cilt 42, Syf. 1503- 1520.
6. Fayyad, U., Piatetsky-Shapiro, G., Smyth, P.,1996. “From Data Mining to Knowledge Discovery in Databases, AI Magazine”, Sayı 17, Syf. 37-54.
7. Giguere, G., 2006. “Collecting and Analyzing Data in Multidimensional Scaling Experiments: A Guide for Psychologists Using SPSS, Tutorials in Quantitative Methods for Psychology”, Vol. 2, 1, Syf. 26-37.
8. Griffith, D.A., 2005. “An Examination of the Influences of Store Layout in Online Retailing”, Journal of Business Research, Sayı 10, Cilt 58, Syf. 1391-1396.
9. Han, J., Kamber, M., 2006. “Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers”, Syf. 105-259.
10. Han, J., Fu, Y., 1995. “Discovery of Multiple-Level Association Rules From Large Databases, Proceedings of the 21st VLDB Conference”, Zurich, Syf. 420-431.
11. Hand, DJ, 1998. “Data Mining: Statistics and More, the American Statistician”, 2, 52, Syf. 112-118.
12. Kruskal, J.B., WISH, M., 1978. “Multidimensional Scaling, Sage Publications”, Syf. 7-45.
13. Liao, S-H., Chen, Y-J., 2004. “Mining Customer Knowledge For Electronic Catalog Marketing, Expert Systems with Applications”, Sayı 4, Cilt 27, Syf. 521-532.
14. Merrilees, B. Miller, D., 2005. “Emotional Brand Associations: A New KPI for E-retailers, International Journal of Internet Marketing and Advertising, Sayı 2, 3, Syf. 206 – 218.
15. Sığırlı, D., Ediz, B., Cangür, Ş., Ercan, İ., Kan, İ., 2006. “Türkiye ve Avrupa Birliği’ne Üye Ülkelerin Sağlık Düzeyi Ölçütlerinin Çok Boyutlu Ölçekleme Analizi İle İncelenmesi”, İnönü Üniversitesi Tıp Fakültesi Dergisi, Sayı 2, Cilt 13, Syf. 81-85.
16. Tan, P.N., Steinbach M., Kumar, V., 2005. “Introduction to Data Mining, Pearson Addison Wesley, Syf. 359- 369.
17. Vrechopoulos, A.P., O’keefe, R.M., Doukidis, G.I., Siomkos, G.J., 2004. “Virtual Store Layout: An Experimental Comparison in the Context of Grocery Retail”, Journal of Retailing, Sayı 1, Cilt 80, Syf. 13-22,
18. Yang, T.C., Lai, H., 2006. “Comparison of Product Bundling Strategies on Different Online Shopping Behaviors, Electronic Commerce Research and Applications”, Sayı 4, 5, Syf. 295-304.
19. Yenidoğan T.G., 2008. “Pazarlama Araştırmalarında Çok Boyutlu Ölçekleme Analizi: Üniversite Öğrencilerinin Marka Algısı Üzerine Bir Araştırma”, Akdeniz İ.İ.B.F Dergisi, Sayı 15, Syf. 138-169.

ISSN: 1300-3410
Yayın Aralığı: Yılda 3 Sayı
Başlangıç: 1989
Yayıncı: TMMOB MAKİNA MÜHENDİSLERİ ODASI

Arşiv

Sayıdaki Diğer Makaleler

Arı algoritması ve genelleştirilmiş atama problemi: farklı komşuluk yapılarının karşılaştırılması

Lale ÖZBAKIR, Pınar TAPKAN, Adil BAYKASOĞLU

Migros Türk A.Ş.de birliktelik kurallarının yerleşim düzeni planlamada kullanılması

Derya AY, İbrahim ÇİL

Sipariş üretimde esneklik yöntemi: yakın zamanın getirdikleri

Sinan KAYALIGİL, Bekir İlker SÜER