ANALYSIS OF AIRLINE CUSTOMER ASSESSMENTS THROUGH DATA MINING: AN EXAMPLE OF DECISION TREE ALGORITHM

Yıl 2021, Cilt: 16 Sayı: 2, 291 - 299, 30.12.2021

İbrahim Budak , Arzu Organ

https://doi.org/10.48145/gopsbad.954125

Öz

Today, air transport grows and develops in direct proportion to the increase in customer expectations. Upon the increasing interest in air transportation, airlines want to provide the best service to prevent customer loss Airline companies have started to produce new solutions, with the changing marketing world. Thanks to data science, which is one of these solution methods, airline companies renew themselves. It is extremely important to determine what kind of service factors airline companies should pay attention according to customer expectations and to determine the importance of these service factors. The aim of the research is to determine the service factors and the importance levels related to these service factors of the airlines affiliated to the Star Alliance corporation.In solving such a problem, the customer scores on the TripAdvisor site have been used. In the study, 26 airline members of the Star Alliance were taken as an example. Using the customer evaluation data obtained, the importance levels of airline service factors were determined hrough the Decision Trees algorithm, one of the data mining techniques. The "information gain ratio" feature was utilized in the use of the Decision Trees algorithm. As a result of the study, the results of Turkish Airlines and other airlines were compared.

Anahtar Kelimeler

Data Mining, Decision Trees, Airline, Information Gain Ratio, Turkish Airlines

VERİ MADENCİLİĞİ İLE HAVA YOLU MÜŞTERİ DEĞERLENDİRMELERİNİN ANALİZİ: BİR KARAR AĞACI ALGORİTMASI ÖRNEĞİ

Öz

Günümüzde hava yolu taşımacılığı, müşteri beklentilerinin artması ile doğru orantılı olarak büyüme ve gelişme göstermektedir. Hava yolu taşımacılığında artan ilgi ile hava yolu şirketleri müşteri kaybını önlemek için en iyi hizmeti vermek istemektedirler. Değişen pazarlama dünyası ile hava yolu şirketleri yeni çözümler üretmeye başlamışlardır. Bu çözüm yöntemlerinin başında gelen veri bilimi sayesinde hava yolu şirketleri kendilerini yenilemektedirler. Müşteri beklentilerine göre hava yollarının ne gibi hizmet faktörlerine dikkat etmesi ve bu hizmet faktörlerinin önem derecelerinin belirlenmesi son derece önemlidir. Araştırmanın amacı, Star Alliance kuruluşuna bağlı hava yolu şirketlerinin hizmet faktörlerini önem derecelerini belirlemektir. Bu tür bir problemin çözümünde TripAdvisor sitesinde yer alan müşteri değerlendirmelerine başvurulmuştur. Çalışmada Star Alliance’nin 26 hava yolu şirketi örnek alınmıştır. Elde edilen müşteri değerlendirme verileri kullanılarak veri madenciliği tekniklerinden Karar Ağaçları algoritması ile hava yolu hizmet faktörlerinin önem dereceleri belirlenmiştir. Karar Ağaçları algoritmasının kullanılmasında ‘bilgi kazancı oranı’ özelliğinden yararlanılmıştır. Çalışmanın sonucunda Türk Hava Yolu ile diğer hava yollarının sonuçları karşılaştırılmıştır.

Anahtar Kelimeler

Veri Madenciliği, Karar Ağaçları, Hava Yolu, Bilgi Kazancı, Türk Hava Yolları

Kaynakça

• Alexa, https://www.alexa.com/siteinfo/tripadvisor.com#section_traffic, Erişim Tarihi: 02.05.2020
• Aydilek, İ. B. (2018). Yazılım hata tahmininde kullanılan metriklerin karar ağaçlarındaki bilgi kazançlarının incelenmesi ve iyileştirilmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(5), 906-914.
• Barros, R. C., De Carvalho, A. C. ve Freitas, A. A. (2015). Automatic design of decision-tree induction algorithms. Springer International Publishing.
• Budak, İbrahim (2021). Veri ve Metin Madenciliği ile Hava Yolu İşletmelerinin Sosyal Medya Yorum ve Skorlarının Değerlendirilmesi, Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Yayımlanmamış Doktor Tezi, Denizli
• Cheng, C. P., & Chen, Q. (2010). Research of Applying the Method of Decision Tree Based on Information Gain Ratio to College Student's Employment Forecasting. Computer Simulation, 299-302.
• De Mántaras, R. L. (1991). A distance-based attribute selection measure for decision tree induction. Machine learning, 6(1), 81-92.
• Doğan, S. Z., Arditi, D., & Murat Günaydin, H. (2008). Using decision trees for determining attribute weights in a case-based model of early cost prediction. Journal of Construction Engineering and Management, 134(2), 146-152.
• Ghasemi, F., Neysiani, B. S., & Nematbakhsh, N. (2020, April). Feature Selection in Pre-Diagnosis Heart Coronary Artery Disease Detection: A heuristic approach for feature selection based on Information Gain Ratio and Gini Index. In 2020 6th International Conference on Web Research (ICWR), 27-32. IEEE.
• Gong, F., Jiang, L., Zhang, H., Wang, D., & Guo, X. (2020). Gain ratio weighted inverted specific-class distance measure for nominal attributes. International Journal of Machine Learning and Cybernetics, 1-10.
• Grąbczewski, K. (2014). Meta-learning in decision tree induction (Vol. 1). Springer International Publishing.
• Hall, M. (2006, December). A decision tree-based attribute weighting filter for naive Bayes. In International Conference on Innovative Techniques and Applications of Artificial Intelligence. 59-70. Springer, London.
• Hayamin, P., & Srivihok, A. (2018). Segmentation of Domestic Tourist in Thailand by Combining Attribute Weight with Clustering Algorithm. Journal of Advances in Information Technology Vol, 9(2), 39-44.
• Karegowda, A. G., Manjunath, A. S., & Jayaram, M. A. (2010). Comparative study of attribute selection using gain ratio and correlation based feature selection. International Journal of Information Technology and Knowledge Management, 2(2), 271-277.
• Pal, M., ve Mather, P. M. (2003). An assessment of the effectiveness of decision tree methods for land cover classification. Remote sensing of environment, 86(4), 554-565.
• Rizka, A., Efendi, S., & Sirait, P. (2018). Gain ratio in weighting attributes on simple additive weighting. MS&E, 420(1), 012099, 1-7.
• Shouman, M., Turner, T., & Stocker, R. (2011, December). Using decision tree for diagnosing heart disease patients. In Proceedings of the Ninth Australasian Data Mining Conference-Volume 121. 23-30
• Singer, G., Anuar, R., & Ben-Gal, I. (2020). A weighted information-gain measure for ordinal classification trees. Expert Systems with Applications, 113375, 1-14.
• TripAdvisor, https://www.tripadvisor.com/, Erişim Tarihi: 02.05.2020
• Win, T. Z., & Kham, N. S. M. (2019, February). Information gain measured feature selection to reduce high dimensional data. Seventeenth International Conference on Computer Applications (ICCA 2019), 68-73. Wu, J., Wang, J., Han, J., Peng, H., & Lu, J. (2013, August). An anonymized method for classification with weighted attributes. In 2013 IEEE International Conference on Signal Processing, Communication and Computing (ICSPCC 2013), 1-5. IEEE.