Çift Katmanlı Veri Modeli ile E-Ticaret Sektöründe Stratejik Veri Yönetimi ve Analizi
Abdulkadir Karabacak
Intellica Ar-Ge Merkezi
Turgay Burgaz
Intellica Ar-Ge Merkezi
Ergün Okay
Intellica Ar-Ge Merkezi
DOI: https://doi.org/10.56038/oprd.v3i1.347
Keywords: Veri Ambarı, Analitik Veri Modeli, İş Zekâsı, Veri Optimizasyonu, Perakende ve E-ticaret Veri Modeli
Abstract
Bu araştırma, e-ticaret sektörüne özgü ihtiyaçları karşılayacak şekilde tasarlanmış, ayrıntılı ve esnek bir veri modelinin geliştirilmesine odaklanmaktadır. Çalışmanın esas katkısı, veri ambarı ve analitik süreçleri kapsayan ve bu iki katman arasında veri akışını etkin bir biçimde yöneten Intra-ETL süreçlerine sahip yenilikçi bir veri modelidir. Bu model, e-ticaret firmalarının müşteri davranışları ve satış trendlerini daha etkin analiz etmelerine imkan tanıyarak, bu analizlere dayalı stratejik kararlar alabilmelerine olanak sağlamaktadır. Geliştirilen model, böylelikle e-ticaret sektörünün veri yönetimi ve analiz yeteneklerini ilerleterek, sektörün özgül gereksinimlerine hızlı ve doğru çözümler sunabilen bir veri altyapısı oluşturmayı hedeflemektedir. Gelişen teknoloji ile artan veri hacmi, farklı kaynaklardan gelen verilerin anlamlı bir şekilde işlenmesi ve raporlanmasını gerektirmektedir. Bu ihtiyaç, perakende sektörü gibi müşteri taleplerine hızla yanıt verilmesini gerektiren alanlarda daha da önem kazanmaktadır. Müşteri davranışlarını derinlemesine analiz ederek onların karşılaştıkları problemleri belirlemek, müşterilerin çevrimiçi davranışlarını ve alışkanlıklarını inceleyerek ihtiyaçlarını tespit etmek ve buna yönelik aksiyonlar almak için uygun bir altyapı gereklidir. Bu bağlamda, verilerin etkin bir şekilde toplanması ve yönetilmesi büyük önem taşımaktadır. Önerilen çalışmada, perakende sektörüne hitap edebilen ve aynı zamanda analitik ihtiyaçlara da cevap verebilen, çeşitli kaynak sistemlerle uyumlu, e-ticaret destekli ve esnek bir çift katmanlı veri modeli tasarlanmıştır.
References
Cachon, G. P., & Fisher, M. (2000). Supply Chain Inventory Management and The Value of Shared Information. Management Science(8), 1032-1048. DOI: https://doi.org/10.1287/mnsc.46.8.1032.12029
Cooper, M.C., Lambert, D.M. and Pagh, J.D., Supply Chain Management: More Than a New Name for Logistics, The International Journal of Logistics Management (1997), 8 (1), pp. 1-14. DOI: https://doi.org/10.1108/09574099710805556
Zhao, X., Huo, B., Selen, W. and Yeung, J. The impact of supply chain integration on firm performance: The moderating role of competitive strategy (2011),
Vickery, S.K., Jayaram, J., Droge, C. and Calantone, R. “The effects of an integrative supply chain strategy on customer service and financial performance: an analysis of direct versus indirect relationships” (2003), Journal of Operations Management, Vol. 21 No. 5, pp. 523-539. DOI: https://doi.org/10.1016/j.jom.2003.02.002
Yildiz, B., "Optimizing bitmap index encoding for high performance queries." Concurrency and Computation: Practice and Experience 33, no. 18 (2021): e5943. https://doi.org/10.1002/cpe.5943 DOI: https://doi.org/10.1002/cpe.5943
Yildiz B., Wu K., Byna, S. and Shoshani, A. “Parallel membership queries on very large scientific data sets using bitmap indexes,” Concurrency and Computation: Practice and Experience, 31(15), e5157, 2019. DOI: 10.1002/cpe.5157 DOI: https://doi.org/10.1002/cpe.5157
Yildiz B. and Fox, G.C. “Toward a modular and efficient distribution for web service handlers,” Concurrency and Computation: Practice and Experience, 25(2), pp. 410-426, 2013. DOI: 10.1002/cpe.2854. DOI: https://doi.org/10.1002/cpe.2854
Yildiz, B., 2022, September. Enhancing Image Resolution with Generative Adversarial Networks. In 2022 7th International Conference on Computer Science and Engineering (UBMK) (pp. 104-109). IEEE. DOI: https://doi.org/10.1109/UBMK55850.2022.9919520
Saad, A.M.S.E. and Yildiz, B., 2022, September. Reinforcement Learning for Intrusion Detection. In International Conference on Computing, Intelligence and Data Analytics (pp. 230-243). Cham: Springer International Publishing. DOI: https://doi.org/10.1007/978-3-031-27099-4_18
Aktas, M.S., Detecting Complex Events With Real Time Monitoring Infrastructure On Event-Based Systems, Pamukkale Univ Muh Bilim Derg. 2019; 25(2): 199-207 | DOI: 10.5505/pajes.2018.28044, 2019. DOI: https://doi.org/10.5505/pajes.2018.28044
Yildiz, B., "Reinforcement learning using fully connected, attention, and transformer models in knapsack problem solving." Concurrency and Computation: Practice and Experience 34, no. 9 (2022): e6509. DOI: 10.1002/cpe.6509 DOI: https://doi.org/10.1002/cpe.6509
Yildiz, B. and Tezgider M. “Improving word embedding quality with innovative automated approaches to hyperparameters,” Concurrency and Computation: Practice and Experience, 33(18), e6091, 2021. DOI: 10.1002/cpe.6091. DOI: https://doi.org/10.1002/cpe.6091
Aktas, M.S., et al. "Information services for dynamically assembled semantic grids", The First International Conference on Semantics Knowledge and Grid (SKG 2005) Beijing China, 2005. DOI: https://doi.org/10.1109/SKG.2005.83
Aktas, M.S. et al., "Information services for grid/web service oriented architecture (soa) based geospatial applications", The First International Conference on Semantics Knowledge and Grid (SKG 2005) Beijing China, 2005
Aktas, M.S., Fox, G.C., Pierce, M., Managing dynamic metadata as context, The 2005 Istanbul International Computational Science and Engineering Conference (ICCSE2005), Istanbul, Turkey, 2005.
Aktas, M.S., et al., Implementing geographical information system grid services to support computational geophysics in a service-oriented environment. NASAEarth-Sun System Technology Conference, University of Maryland, Adelphi, Maryland, 2005.
Baloglu, A., Aktas, M. S., BlogMiner: Web blog mining application for classification of movie reviews, 2010 Fifth International Conference on Internet and Web Applications and Services, 2010. DOI: https://doi.org/10.1109/ICIW.2010.19
Uygun, Y., et al., On the Large-scale Graph Data Processing for User Interface Testing in Big Data Science Projects, 2020 IEEE International Conference on Big Data (Big Data), Atlanta, GA, USA, 2020, pp. 2049-2056, doi: 10.1109/BigData50022.2020.9378153. DOI: https://doi.org/10.1109/BigData50022.2020.9378153
Olmezogullari, E.; Aktas, M. S., Pattern2Vec: Representation of clickstream data sequences for learning user navigational behavior. Concurrency and Computation: Practice and Experience 34 (9), 2022. DOI: https://doi.org/10.1002/cpe.6546
Olmezogullari, E.; Aktas, M. S., Representation of Click-Stream DataSequences for Learning User Navigational Behavior by Using Embeddings. 2020 IEEE International Conference on Big Data (Big Data), 3173-3179, 2020. DOI: https://doi.org/10.1109/BigData50022.2020.9378437
Sahinoglu, M. et al., Mobile Application Verification: A Systematic Mapping Study. In: , et al. Computational Science and Its Applications – ICCSA 2015. ICCSA 2015. Lecture Notes in Computer Science, vol 9159. Springer, Cham. https://doi.org/10.1007/978-3-319-21413-9 11 DOI: https://doi.org/10.1007/978-3-319-21413-9_11
Kapdan, M. et al., On the Structural Code Clone Detection Problem: A Survey and Software Metric Based Approach. In: , et al. Computational Science and Its Applications – ICCSA 2014. ICCSA 2014. Lecture Notes in Computer Science, vol 8583. Springer, Cham. https://doi.org/10.1007/978-3-319-09156-3 35. DOI: https://doi.org/10.1007/978-3-319-09156-3_35
Tufek, A., et al., Provenance Collection Platform for the Weather Research and Forecasting Model, 2018 14th International Conference on Semantics, Knowledge and Grids (SKG), Guangzhou, China, 2018, pp. 17-24, doi: 10.1109/SKG.2018.00009. DOI: https://doi.org/10.1109/SKG.2018.00009
Dundar, B. et al., A Big Data Processing Framework for Self-Healing Internet of Things Applications, 2016 12th International Conference on Semantics, Knowledge and Grids (SKG), Beijing, China, 2016, pp. 62-68, doi: 10.1109/SKG.2016.017. DOI: https://doi.org/10.1109/SKG.2016.017
Baeth, M. J. et al., Detecting Misinformation in Social Networks Using Provenance Data, 2017 13th International Conference on Semantics, Knowledge and Grids (SKG), Beijing, China, 2017, pp. 85-89, doi: 10.1109/SKG.2017.00022. DOI: https://doi.org/10.1109/SKG.2017.00022