This thesis is aimed to investigate application potential of big data mining in the automotiveindustry. The most important usage and driving parameters, which effects fuel consumptionand emission level of passenger cars identified and classified by using data mining methods. Adataset created by combining Euro 6 and technical specification data of passenger cars has beenanalyzed using different tools of SPSS, such as, descriptive statistics, correlations, regressionand etc. The results have been compared and effecting parameters have been derived bysegmentation algorithms aiming better results by categorizing variables for upcoming analysis.The importance of each parameter has been evaluated to predict its contribution on fuelconsumption by data analytics technics. Therefore, it will be possible to build optimal controlstrategies for fuel efficiency. Adopted data mining technics in this study are classificationalgorithms, such as, neural networks, Bayesian networks and C5.0 algorithm as well assegmentation algorithms (e.g. K-means and Two-step) targeting foreseeability and simplicity.Application of those technics by Clementine 12.0 has shown that weight and engine capacityof passenger cars were the most important parameters in fuel consumption, respectively.Depending on the evaluation of the performance of those methods by Evaluation Node ofClementine, it has been found that C5.0 was the most efficient method to predict fuelconsumption among others. However, the evaluation charts (Gain, Profit, ROI, etc.) have shownthat neural network could have better prediction results in some conditions.

Bu tez çalışması otomotiv sektöründe big data uygulama potansiyelini araştırmak amacıyla yazılmıştır. Bu amaca yönelik olarak, yakıt tüketimi ve emisyon seviyesini etkileyen en önemli araç kullanım ve sürüş parametreleri belirlenmiş ve veri madenciliği teknikleriyle sınıflandırılmıştır. Euro 6 emisyon sertifikasyon verisi ve kişisel araçların teknik verileri kullanılmıştır. SPSS programının çeşitli araçları kullanılarak veri seti düzenlenmiş ve analiz edilmiştir. Segmentasyon algoritmaları K-means ve Two-Step kullanılarak SPSS sonuçları analiz edilmiş ve etkili değişkenler belirlenmiş ve sonraki analizlerde kullanılmak üzere kategorize edilmiştir. Her bir parametrenin önemi, yakıt tüketimine katkısını tahmin edilmesi amacıyla veri analitik teknikleri ile değerlendirilmiştir. Böylece, yakıt verimliliği için optimal kontrol stratejileri geliştirilmesi mümkün olacaktır. Bu çalışmada öngörü kabiliyeti ve uygulama kolaylığı açısından sınıflandırma tekniklerinden yapay sinir ağları (neural network), bayes ağları ve C5.0 algoritması tercih edilmiştir. Bu teknikler Clementine 12.0 programında uygulandığında genel olarak araç ağırlığının ve motor kapasitesinin yakıt tüketimi, emisyon seviyesi üzerinde en etkili parametreler olduğu bulunmuştur. Yöntemler Clementine'daki Evaluation Node ile değerlendirilmiş ve elde edilen grafikler incelendiğinde en iyi tahmini C5.0 algoritmasının yaptığı bulunmuştur. Fakat, bazı durumlarda sinir ağları daha iyi ve güvenilir sonuçlar vermektedir.