Sakarya Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü öğretim üyemiz Doç. Dr. Gültekin Çağıl’ın yürütücülüğünü yaptığı TÜBİTAK 1002-A Hızlı Destek Projesi desteklenmeye hak kazanmıştır.
“Tersine Market Sepet Analizi Yaklaşımına Dayalı Ürün Yerleşim Karar Destek Sisteminin Geliştirilmesi ve Plansız Satın Alma Davranışı Üzerindeki Etkisinin Araştırılması” başlıklı proje amacı, perakende mağazalarında müşteri satın alma davranışlarını satış fişi verileri üzerinden analiz ederek ürünler arasındaki birlikte satın alma ilişkilerini ortaya koymak ve bu ilişkilerden yararlanarak Tersine Market Sepet Analizi (TMSA) yaklaşımına dayalı veri temelli bir ürün yerleşim karar destek modeli geliştirmektir. Literatürde yaygın olarak kullanılan Market Sepet Analizi (MSA) yaklaşımları, birlikte satın alınan ürünlerin aynı lokasyonlarda konumlandırılması varsayımına dayanmaktadır. Ancak bu yaklaşım, müşterilerin mağaza içinde geçirdiği süreyi azaltarak farklı ürünlerle karşılaşma olasılığını sınırlayabilmektedir. Yapılan literatür incelemesinde, birlikte satın alma eğilimi yüksek ürünlerin bilinçli biçimde ayrıştırılmasına dayalı bir ürün yerleşim yaklaşımına ve bu yaklaşımın pekiştirmeli öğrenme tabanlı dinamik optimizasyon yöntemleriyle bütünleştirildiği çalışmalara rastlanmamıştır. Bu kapsamda projede, birlikte satın alma eğilimi yüksek ürünlerin kontrollü biçimde ayrıştırılması ve bu ürünler arasına stratejik köprü ürünlerin yerleştirilmesi yoluyla müşteri dolaşımının, ürün maruziyetinin ve plansız satın alma davranışının artırılması hedeflenmektedir.
Proje, Sakarya ilinde faaliyet gösteren bir pilot perakende mağazasında yürütülecektir. Araştırma kapsamında satış fişi verileri üzerinden Apriori ve FP-Growth algoritmaları kullanılarak birliktelik kuralları çıkarılacak, support, confidence ve lift ölçütleri yardımıyla yüksek ilişkili ürün çiftleri belirlenecektir. Daha sonra fiziksel olarak ayrıştırılabilecek ürün çiftleri ve stratejik köprü ürünler tanımlanarak başlangıç yerleşim senaryoları oluşturulacaktır. Ürün yerleşim stratejilerinin dinamik olarak optimize edilmesinde, karmaşık ürün yerleşim kombinasyonlarını öğrenebilme ve değişen mağaza koşullarına uyum sağlayabilme yeteneği nedeniyle DDQN (Double Deep Q-Network) tabanlı pekiştirmeli öğrenme modeli kullanılacaktır. Projenin hedef kitlesini; perakende işletmeleri, mağaza yöneticileri, veri analitiği ve yapay zeka alanında çalışan araştırmacılar ile karar destek sistemleri geliştiren uygulayıcılar oluşturmaktadır.
Projede nicel araştırma yaklaşımı kullanılacaktır. İlk aşamada satış fişi verileri veri temizleme ve ön işleme süreçlerinden geçirilecektir. Ardından Apriori ve FP-Growth algoritmaları ile birliktelik kuralları çıkarılarak yüksek birlikte satın alma eğilimi gösteren ürün çiftleri belirlenecektir. TMSA yaklaşımı kapsamında bu ürün çiftleri kontrollü biçimde ayrıştırılacak ve araya stratejik köprü ürünler yerleştirilecektir. Ürün yerleşim kararlarının optimizasyonunda DDQN tabanlı pekiştirmeli öğrenme modeli kullanılacak ve model performansı cumulative reward, reward trend ve convergence ölçütleri ile değerlendirilecektir. Saha uygulaması aşamasında geliştirilen yerleşim stratejisi pilot mağazada uygulanacak ve yaklaşık 400 katılımcı ile gerçekleştirilecek anket çalışmasıyla müşterilerin plansız satın alma davranışları analiz edilecektir. Elde edilen veriler parametrik ve nonparametrik istatistiksel yöntemlerle değerlendirilecektir. Proje sonucunda, birlikte satın alma ilişkilerini ürün ayrıştırma yaklaşımıyla değerlendiren özgün bir TMSA metodolojisinin geliştirilmesi, DDQN tabanlı dinamik ürün yerleşim modeli oluşturulması, pilot mağaza ortamında uygulanabilirliğinin doğrulanması ve perakende sektörüne yönelik veri temelli karar destek altyapısının ortaya konulması hedeflenmektedir.
Proje yürütücüsü Doç. Dr. Gültekin Çağıl’ı ve proje ekibinde yer alan Doç. Dr. Merve Cengiz Toklu, Prof. Dr. Nihal Sütutemiz, Dr. Öğr. Üyesi Merve Şişçi, Arş. Gör. Ayşe Ünlü ve Arş. Gör. Sena Nur Adıyaman’ı tebrik ediyor, çalışmalarında başarılar diliyoruz.
