Tüketici Tercih ve
Karar Modellemeleri

Tüketicilere bir özelliğin ne kadar önemli olduğu sorulduğunda genellikle tüm özelliklere yüksek puan verilir. Temel Sürücü Analizi (KDA), tüketicinin beyan ettiği bu yanıltıcı önemi (Stated Importance) göz ardı ederek; alt özellik performanslarının, "genel memnuniyet" veya "satın alma niyetini" istatistiksel regresyon üzerinden ne kadar tetiklediğini (Derived Importance) hesaplar. Değişkenler arası çoklu doğrusal bağlantıyı (multicollinearity) çözmek için, Oyun Teorisi'ne dayanan Shapley Value Regresyonu kullanıyoruz. Böylece, modelin toplam açıklayıcılık gücünü (R²), her bir özelliğin nihai karara olan net ve saf katkısına göre ayrıştırırız.

Özellikle endüstriyel satın almalarda (B2B), teknoloji altyapısı seçimlerinde veya gayrimenkul gibi yüksek bilişsel katılım (high-involvement) gerektiren kararlarda tüketici veya komite tek bir kritere göre hareket etmez. Analitik Hiyerarşi Prosesi (AHP), bu karmaşık kararları bir ağaç yapısına bölerek ikili karşılaştırma matrisleri (pairwise comparison matrices) oluşturur ve kriterlerin matematiksel ağırlığını saptar.

Geleneksel Likert tipi anketlerde (1-5 arası puanlama) katılımcıların her şeye "5" verme eğilimi, "Ölçek Kullanım Yanlılığına" (Scale Use Bias) yol açar. MaxDiff modellemesi, tüketicilere algoritmik olarak belirlenmiş spesifik setler göstererek her defasında "En İyi" ve "En Kötü" olanı (Best-Worst) seçmeye zorlar. Bu sayede özellikler arasında 0 ile 100 indeksine kalibre edilmiş, "A özelliği B'den tam 3.2 kat daha önemlidir" diyebileceğimiz metrik mutlak mesafeler (ratio-scaled scores) elde edilir.

Tüketiciler bir ürünü boşlukta (izole olarak) değil, rakiplerin de bulunduğu bir rafta (context) değerlendirir. Ayrık Seçim Deneyleri (DCE), Daniel McFadden'in Nobel ödüllü Rastgele Fayda Teorisi'ne (Random Utility Theory) dayanarak tüketicilere alternatif rekabet paketleri sunar ve rasyonel bir "seçim" yapmalarını ister. Bu modelleme, Multinomial Logit algoritmaları üzerinden tüketici faydasını (utility) matematiksel olarak tahminler.

Bir perakende rafında veya e-ticaret sitesinde tüketici yüzlerce SKU ile karşılaşır. Ancak zihinsel karar süreci lineer (doğrusal) değildir. Tüketici, önce "Formata" (örneğin sıvı vs. toz), sonra "Markaya", ardından "Boyuta" bakarak zihinsel bir dallanma yaratır. Tüketici Karar Ağaçları, bu zihinsel hiyerarşiyi (node & leaf architecture) agglomeratif (bottom-up) kümeleme veya Gini safsızlık algoritmalarıyla tersine mühendislikle deşifre eder.

Klasik ekonomi, tüketicinin fiyat ve değere karşı tam rasyonel olduğunu varsayar. Ancak Nobel ödüllü Daniel Kahneman'ın Davranışsal Ekonomi literatürü (Beklenti Teorisi / Prospect Theory), tüketicilerin "kazanç" algısı ile "kayıp" algısının tamamen asimetrik olduğunu kanıtlamıştır. İnsanlar aynı miktardaki bir kayba (örneğin fiyat zammına), bir kazançtan (indirimden) çok daha şiddetli (ortalama 2.25 kat) tepki verirler.

Tüketicinin bir ürünü sevebilmesi (Tutum) onun o ürünü mutlaka alacağı (Davranış) anlamına gelmez. Satın alma; sosyal çevre baskısı (Subjektif Normlar) ve kişinin o ürünü satın alabilecek gücü/yeteneği olduğuna dair inancının (Algılanan Davranışsal Kontrol) bir kombinasyonudur. Bu soyut ve gizli (latent) yapıları modellemek için Yapısal Eşitlik Modellemesi (SEM) uyguluyoruz.

Standart Logit modelleri tüketicinin bir özellikteki eksikliği (örneğin kameranın kötü olmasını), başka bir özellikteki fazlalıkla (örneğin fiyatın ucuzluğuyla) "telafi ettiğini" (compensatory) varsayar. Oysa gerçek hayatta tüketicilerin telafi edilemez mutlak kırmızı çizgileri vardır (Örn: "Fiyatı ne olursa olsun 5G desteği yoksa o telefonu değerlendirme setime dahi almam"). Sözlükbilimsel (Lexicographic) ve EBA algoritmaları, tüketicilerin alternatifleri acımasızca elediği bu süreci (non-compensatory) modeller.