<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Aysenaz Akpinar on Medium]]></title>
        <description><![CDATA[Stories by Aysenaz Akpinar on Medium]]></description>
        <link>https://medium.com/@aysenazakpinar?source=rss-10c571c44e88------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*mmkMxGW2nSzNlGnAvk05WQ.jpeg</url>
            <title>Stories by Aysenaz Akpinar on Medium</title>
            <link>https://medium.com/@aysenazakpinar?source=rss-10c571c44e88------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 15:12:13 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@aysenazakpinar/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Sorting Products]]></title>
            <link>https://medium.com/@aysenazakpinar/sorting-products-4bed0caf3fe2?source=rss-10c571c44e88------2</link>
            <guid isPermaLink="false">https://medium.com/p/4bed0caf3fe2</guid>
            <dc:creator><![CDATA[Aysenaz Akpinar]]></dc:creator>
            <pubDate>Wed, 26 Jul 2023 06:53:58 GMT</pubDate>
            <atom:updated>2023-07-26T06:53:58.452Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/820/0*jdn5EGmcqHR0ubEM.png" /></figure><p>Bu yazımda, ürünlerin nasıl ve neye göre sıralandığını, çeşitli yöntemleri anlatacağım. Puana göre ürün sıralama, yorum ve satın alma sayısına göre ürün sıralama ve son olarak da Bayesian methoduna göre ürün sıralama yöntemlerinin detaylarını bulabilirsiniz.</p><p>Küçük bir örnek vermek istiyorum. Aşağıda gördüğünüz 2 ürün Hepsiburada e-ticaret platformunda satılmakta. Saç düzleştiricisi kategorisinde arama yapıp çıkan sonuçları en çok satanlara göre sıraladığımızda, karşımıza çıkan ilk 2 ürün bunlar. Peki 2.ürünün puanı daha yüksek olmasına rağmen neden 1.sırada müşteriye sunulmuyor? Daha çok kişi değerlendirmiş olmasına rağmen, muhtemelen fiyatı daha ucuz olduğu için 1.ürün daha fazla satılıyor. Eğer biz sıralamayı sadece puana göre yapsaydık, muhtemelen ilk ürünü göremeyecektik ve uygun fiyatlı bir ürünü gözden kaçırmış olacaktık.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/566/1*x5ijaPXu3KY1qqGPFlyZhQ.png" /></figure><p>Daha detaylı bir şekilde ürün sıralama yöntemlerini inceleyelim.</p><h4>Sorting by Rating</h4><p>Ürünleri sadece puanlarına göre sıralama yöntemidir. Bu yöntemin avantajı uygulaması çok basit olmasıyken, dezavantajı sadece rating’e göre sıraladığımızda, satın alma ve yorum sayılarının gözden kaçması, dahil edilmemesidir.</p><h4>Sorting by Comment or Purchase Count</h4><p>Bir e-ticaret platformunda, bir ürünün satın alması çok yüksek olabilir. Ancak sadece buna bakarak ürünleri sıralarsak, puanı düşük ürünleri üste çıkarıp müşteriye sunma ihtimalimiz artar. Bu da marka için olumsuz bir durum yaratır.</p><p>Ya da bir eğitim platformunu düşünelim, satın alma sayısına göre sıralama yaparsak, yorumu ve puanı düşük olan kurslar yukarı çıkabilir, örneğin ücretsiz bir kurssa fazla kişi kayıt olmuş olabilir ama bu kursun iyi olduğu anlamına gelmez.</p><h4>Sorting by Rating, Comment and Purchase Count</h4><p>3 faktörü aynı anda değerlendirmeye çalışıyoruz. Hepsini çarpmak bir çözüm yoludur ancak mantıklı olmayacaktır, çünkü aynı ölçekte değillerdir. Hepsini aynı ölçeğe getirmemiz gerekir. Bu noktada da MinMaxScaler fonksiyonundan yararlanıyoruz.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fcarbon.now.sh%2Fembed%3Fbg%3Drgba%2528171%252C%2B184%252C%2B195%252C%2B1%2529%26t%3Dseti%26wt%3Dnone%26l%3Dpython%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%2525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3D%252523%252520Olusturacak%252520oldugum%252520degisken%2525201le%2525205%252520arasinda%252520olacak%25252C%252520eski%252520purchase%252520count%252520u%252520transform%252520et.%25250Adf%25255B%252522purchase_count_scaled%252522%25255D%252520%25253D%252520MinMaxScaler%2528feature_range%25253D%25281%25252C%2525205%2529%2529.%252520%25255C%25250A%252520%252520%252520%252520fit%2528df%25255B%25255B%252522purchase_count%252522%25255D%25255D%2529.%252520%25255C%25250A%252520%252520%252520%252520transform%2528df%25255B%25255B%252522purchase_count%252522%25255D%25255D%2529%25250A%25250Adf%25255B%252522comment_count_scaled%252522%25255D%252520%25253D%252520MinMaxScaler%2528feature_range%25253D%25281%25252C%2525205%2529%2529.%252520%25255C%25250A%252520%252520%252520%252520fit%2528df%25255B%25255B%252522commment_count%252522%25255D%25255D%2529.%252520%25255C%25250A%252520%252520%252520%252520transform%2528df%25255B%25255B%252522commment_count%252522%25255D%25255D%2529&amp;display_name=Carbon&amp;url=https%3A%2F%2Fcarbon.now.sh%2F%3Fbg%3Drgba%252528171%25252C%2B184%25252C%2B195%25252C%2B1%252529%26t%3Dseti%26wt%3Dnone%26l%3Dpython%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%252525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3D%25252523%25252520Olusturacak%25252520oldugum%25252520degisken%252525201le%252525205%25252520arasinda%25252520olacak%2525252C%25252520eski%25252520purchase%25252520count%25252520u%25252520transform%25252520et.%2525250Adf%2525255B%25252522purchase_count_scaled%25252522%2525255D%25252520%2525253D%25252520MinMaxScaler%252528feature_range%2525253D%2525281%2525252C%252525205%252529%252529.%25252520%2525255C%2525250A%25252520%25252520%25252520%25252520fit%252528df%2525255B%2525255B%25252522purchase_count%25252522%2525255D%2525255D%252529.%25252520%2525255C%2525250A%25252520%25252520%25252520%25252520transform%252528df%2525255B%2525255B%25252522purchase_count%25252522%2525255D%2525255D%252529%2525250A%2525250Adf%2525255B%25252522comment_count_scaled%25252522%2525255D%25252520%2525253D%25252520MinMaxScaler%252528feature_range%2525253D%2525281%2525252C%252525205%252529%252529.%25252520%2525255C%2525250A%25252520%25252520%25252520%25252520fit%252528df%2525255B%2525255B%25252522commment_count%25252522%2525255D%2525255D%252529.%25252520%2525255C%2525250A%25252520%25252520%25252520%25252520transform%252528df%2525255B%2525255B%25252522commment_count%25252522%2525255D%2525255D%252529&amp;image=https%3A%2F%2Fcarbon.now.sh%2Fstatic%2Fbrand%2Fbanner.png&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;scroll=auto&amp;schema=carbon" width="1024" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/38fce9684213a7c32c9df549d43a0edc/href">https://medium.com/media/38fce9684213a7c32c9df549d43a0edc/href</a></iframe><p>3 faktörü de aynı ölçeğe getirdikten sonra test etmek için aşağıdaki gibi bir kod kullanabiliriz. Gördüğünüz üzere, yorum, satın alma ve puan faktörlerine farklı ağırlık verdik, bunlar önem sırasına göre değiştirilebilir.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fcarbon.now.sh%2Fembed%3Fbg%3Drgba%2528171%252C%2B184%252C%2B195%252C%2B1%2529%26t%3Dseti%26wt%3Dnone%26l%3Dpython%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%2525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3D%2528df%25255B%252522comment_count_scaled%252522%25255D%252520%252A%25252032%252520%25252F%252520100%252520%25252B%25250A%252520df%25255B%252522purchase_count_scaled%252522%25255D%252520%252A%25252026%252520%25252F%252520100%252520%25252B%25250A%252520df%25255B%252522rating%252522%25255D%252520%252A%25252042%252520%25252F%252520100%2529%25250A%25250Adef%252520weighted_sorting_score%2528dataframe%25252C%252520w1%25253D32%25252C%252520w2%25253D26%25252C%252520w3%25253D42%2529%25253A%25250A%252520%252520%252520%252520return%252520%2528dataframe%25255B%252522comment_count_scaled%252522%25255D%252520%252A%252520w1%252520%25252F%252520100%252520%25252B%25250A%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520dataframe%25255B%252522purchase_count_scaled%252522%25255D%252520%252A%252520w2%252520%25252F%252520100%252520%25252B%25250A%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520dataframe%25255B%252522rating%252522%25255D%252520%252A%252520w3%252520%25252F%252520100%2529&amp;display_name=Carbon&amp;url=https%3A%2F%2Fcarbon.now.sh%2F%3Fbg%3Drgba%252528171%25252C%2B184%25252C%2B195%25252C%2B1%252529%26t%3Dseti%26wt%3Dnone%26l%3Dpython%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%252525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3D%252528df%2525255B%25252522comment_count_scaled%25252522%2525255D%25252520%25252A%2525252032%25252520%2525252F%25252520100%25252520%2525252B%2525250A%25252520df%2525255B%25252522purchase_count_scaled%25252522%2525255D%25252520%25252A%2525252026%25252520%2525252F%25252520100%25252520%2525252B%2525250A%25252520df%2525255B%25252522rating%25252522%2525255D%25252520%25252A%2525252042%25252520%2525252F%25252520100%252529%2525250A%2525250Adef%25252520weighted_sorting_score%252528dataframe%2525252C%25252520w1%2525253D32%2525252C%25252520w2%2525253D26%2525252C%25252520w3%2525253D42%252529%2525253A%2525250A%25252520%25252520%25252520%25252520return%25252520%252528dataframe%2525255B%25252522comment_count_scaled%25252522%2525255D%25252520%25252A%25252520w1%25252520%2525252F%25252520100%25252520%2525252B%2525250A%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520dataframe%2525255B%25252522purchase_count_scaled%25252522%2525255D%25252520%25252A%25252520w2%25252520%2525252F%25252520100%25252520%2525252B%2525250A%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520dataframe%2525255B%25252522rating%25252522%2525255D%25252520%25252A%25252520w3%25252520%2525252F%25252520100%252529&amp;image=https%3A%2F%2Fcarbon.now.sh%2Fstatic%2Fbrand%2Fbanner.png&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;scroll=auto&amp;schema=carbon" width="1024" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/70deb5b0c3a691268526ba6488f0cf5a/href">https://medium.com/media/70deb5b0c3a691268526ba6488f0cf5a/href</a></iframe><h4>Bayesian Average Rating Score</h4><p>Sadece ratinge odaklanarak bir sıralama yapabilir miyiz ?</p><p>Bayesian average rating, puan dağılımlarının üzerinden ağırlıklı bir şekilde olasılıksal ortalama hesabı yapar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NKDOhPdFlxP8a1lOFsPwtA.png" /></figure><p>Yine eğitim platformunda olduğumuzu düşünelim, bar_score’a göre sorting yaptığımızda, normalde bizim sıralamamıza göre daha yukarıda olması gereken bir kursun daha aşağıda olduğunu görebiliriz. Çünkü bar score bize, sadece ratinglere odaklanarak bir sıralama sağlar. Bu yöntemde social proof, yanı yorum ve satın alma sayıları gözden kaçmış olur.</p><p>Eğer tek odağımız verilen puanlar olacak ise ve bu puanlara göre bir sıralama yapmak istiyor isek bu puanlara göre bar-score yöntemi tek başına kullanılabilir.</p><h4>Hybrid Sorting</h4><p>BAR Score + Diğer Faktörler olarak özetlenebilir.</p><p>Eğitim platformu örneğimizden devam edelim, bar_score yeni olsa da potansiyel vadeden kursları yukarı taşımayı sağlar. Örneğin, Course_1 yeni bir kurstur ve yorum sayısı ve puanı diğerlerine göre daha düşüktür. Ancak bar_score a %60 ağırlık verdiğimiz için bu kursun sıralamada yukarı taşınmasını sağlar.</p><p>Rating sadece ortalama iken, bar_score’da puanlara göre ağırlıklı olasılık hesabı yaparız. Bu da potansiyel kursları yukarı taşımamızı sağlar. Yani sadece rating ve wss score kullanırsak yeni olan ancak potansiyel vadeden bir kursu gözden kaçırmış oluruz.</p><p>Bu yazının devamı olan Sorting Reviews yazıma buradan ulaşabilirsiniz.</p><p>Benimle ve veri bilimindeki yolculuğumla ilgili daha fazla içerik görmek isterseniz, beni aşağıdaki platformlardan da takip edebilirsiniz.</p><p><a href="https://www.linkedin.com/in/aysenazakpinar/">https://www.linkedin.com/in/aysenazakpinar/</a></p><p><a href="https://github.com/aysenazakpinar">https://github.com/aysenazakpinar</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4bed0caf3fe2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Ölçümleme Problemleri & Rating Products]]></title>
            <link>https://medium.com/@aysenazakpinar/%C3%B6l%C3%A7%C3%BCmleme-problemleri-rating-products-8b106addb23e?source=rss-10c571c44e88------2</link>
            <guid isPermaLink="false">https://medium.com/p/8b106addb23e</guid>
            <dc:creator><![CDATA[Aysenaz Akpinar]]></dc:creator>
            <pubDate>Wed, 19 Jul 2023 09:34:02 GMT</pubDate>
            <atom:updated>2023-07-19T09:34:02.701Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/968/1*TOBJ9n2vDNkq1mh9DtdWig.jpeg" /></figure><p>Bir ürünü satın almamızı sağlayan kararı nasıl ve neye göre veririz? Çoğunlukla ürünün, başka insanlar tarafından değerlendirmelerine bakarız.</p><p>Ürünle ilgili yapılan yorumlar, incelemeler ve ürünün puanı gibi etkenler bizim fikrimizi değiştirebilir. Ürünün yorumları kötüyse almaktan vazgeçebiliriz, yani toplumun ürüne olan kanaatine güvenmiş oluruz. Bu duruma <strong>“social proof”</strong> denir. Genel bir yargı, ürünü satın alma kararımızı etkiler.</p><p>Bazen çok popüler olan bir ürünü çok fazla incelemeden satın aldığınız olmuş olabilir. Eğer satın alırken, zaten çok fazla kişi kullanıyor, kötü olsaydı bu kadar kullanan olmazdı yaklaşımıyla aldıysanız, o zaman siz kalabalığın bilgeliğine inanmışsınız. Bu duruma da <strong>“wisdom of crowds”</strong> denir. Kısaca, “herkes yapıyorsa bir bildikleri vardır” demektir.</p><p>Bu yazım ve devamındakilerde,</p><ul><li>Ürün puanlarının hesaplanması</li><li>Ürünlerin sıralanması</li><li>Ürün detay sayfalarındaki kullanıcı yorumlarının sıralanması</li><li>Sayfa, süreç ve etkileşim alanlarının tasarımları</li><li>Özellik denemeleri</li><li>Olası aksiyon ve reaksiyonların test edilmesi gibi konulardan bahsedeceğim.</li></ul><h3>Rating Products</h3><p>Olası faktörleri göz önünde bulundurarak ağırlıklı ürün puanlama yöntemidir.</p><h4>Time-Based Weighted Average</h4><p>Puan zamanlarına göre ağırlıklı ortalama yapmak, sadece bir puan ortalaması almayı engeller. Örneğin bir ürünün ilk 3 ayında çok yüksek puan alması durumu ağırlığını son zamanlarda daha az beğenilme durumuyla aynı oranda hissettirir. Son 30 güne farklı, ilk 30 güne farklı ağırlık vermek daha etkilidir.</p><h4>User-Based Weighted Average</h4><p>Bir online kursun tamamını izleyen kişi ve kursun %10’unu izleyen kişi aynı ağırlığa mı sahip olmalı ? Hayır.</p><p>Kursu izleme oranlarına göre daha farklı bir ağırlık mı olmalı ? Muhtemelen. Ortalama işini hassaslaştırdığımızda ortalama farklılaşır.</p><h4>Weighted Rating</h4><p>İki faktörü ayrı ayrı göz önünde bulundurduk; yorumun ne kadar zaman önce yapıldığı ve yorum yapan kullanıcının kursu ne kadar izlediği.</p><p>Tahmin edilebileceği üzere en mantıklı yol, bu ikisinin kombinasyonunu kullanmaktır. Aşağıda, kodlanmış halini görebilirsiniz.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fcarbon.now.sh%2Fembed%3Fbg%3Drgba%2528171%252C%2B184%252C%2B195%252C%2B1%2529%26t%3Dseti%26wt%3Dnone%26l%3Dpython%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%2525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3Ddef%252520course_weighted_rating%2528dataframe%25252C%252520time_w%25253D50%25252C%252520user_w%25253D50%2529%25253A%25250A%252520%252520%252520%252520return%252520time_based_weighted_average%2528dataframe%2529%252520%252A%252520time_w%25252F100%252520%25252B%252520%25250A%252520%252520%252520%252520%252509%252520%252520%252520%252520user_based_weighted_average%2528dataframe%2529%252A%252520user_w%25252F100%252509%252509%252509%252520%252520%252520%252509%252509%252520%252520%252520%252520%252509%252509%252520%252520%252509%252509&amp;display_name=Carbon&amp;url=https%3A%2F%2Fcarbon.now.sh%2F%3Fbg%3Drgba%252528171%25252C%2B184%25252C%2B195%25252C%2B1%252529%26t%3Dseti%26wt%3Dnone%26l%3Dpython%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%252525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3Ddef%25252520course_weighted_rating%252528dataframe%2525252C%25252520time_w%2525253D50%2525252C%25252520user_w%2525253D50%252529%2525253A%2525250A%25252520%25252520%25252520%25252520return%25252520time_based_weighted_average%252528dataframe%252529%25252520%25252A%25252520time_w%2525252F100%25252520%2525252B%25252520%2525250A%25252520%25252520%25252520%25252520%25252509%25252520%25252520%25252520%25252520user_based_weighted_average%252528dataframe%252529%25252A%25252520user_w%2525252F100%25252509%25252509%25252509%25252520%25252520%25252520%25252509%25252509%25252520%25252520%25252520%25252520%25252509%25252509%25252520%25252520%25252509%25252509&amp;image=https%3A%2F%2Fcarbon.now.sh%2Fstatic%2Fbrand%2Fbanner.png&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;scroll=auto&amp;schema=carbon" width="1024" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/7eddbc07516c532d9c9f2656e35b5c0d/href">https://medium.com/media/7eddbc07516c532d9c9f2656e35b5c0d/href</a></iframe><p>Bu yazımın devamı olan Sorting Products yazıma <a href="https://medium.com/@aysenazakpinar/sorting-products-4bed0caf3fe2">buradan </a>ulaşabilirsiniz.</p><p>Benimle ve veri bilimindeki yolculuğumla ilgili daha fazla içerik görmek isterseniz, beni aşağıdaki platformlardan da takip edebilirsiniz.</p><p><a href="https://www.linkedin.com/in/aysenazakpinar/">https://www.linkedin.com/in/aysenazakpinar/</a></p><p><a href="https://github.com/aysenazakpinar">https://github.com/aysenazakpinar</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8b106addb23e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Customer Lifetime Value (CLTV)]]></title>
            <link>https://medium.com/@aysenazakpinar/customer-lifetime-value-cltv-ddebed2e2f9c?source=rss-10c571c44e88------2</link>
            <guid isPermaLink="false">https://medium.com/p/ddebed2e2f9c</guid>
            <dc:creator><![CDATA[Aysenaz Akpinar]]></dc:creator>
            <pubDate>Thu, 13 Jul 2023 06:34:32 GMT</pubDate>
            <atom:updated>2023-07-13T06:34:32.078Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XLedBeTdCKhqwB0cHbTSyw.jpeg" /></figure><p>Yeniden merhaba, yine CRM’e devam ediyoruz. Benim suçum değil, sektör çok geniş 🙄</p><p>CLTV, yani müşteri yaşam değeri, bir müşterinin şirketle kurduğu ilişki-iletişim süresince bu şirkete kazandıracağı parasal değerdir.</p><p>Önemlidir çünkü, müşterilerin gelecekte de şirkete sağlayacakları fayda belirlenebilirse, buna göre hem müşterilerle olan ilişkiler düzenlenebilir hem de şirkette orta-uzun vadeli, daha müşteri ve katma değer odaklı bir yaklaşım sergilenebilir.</p><p>CLTV,<strong><em> Satın alma başına ortalama kazanç * Satın alma sayısı</em></strong> şeklinde hesaplanır.</p><p>Bu hesaplamayı biraz daha açacak olursak aşağıdaki tabloya göz atabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/414/1*DYsE4U44GnEb-37URgH7ow.png" /></figure><p>Sonuç olarak her bir müşteri için hesaplanacak olan CLTV değerlerine göre bir sıralama yapıldığında ve CLTV değerlerine göre belirli noktalardan bölme işlemi yapılarak gruplar oluşturulduğunda müşterilerimiz segmentlere ayrılmış olacaktır.</p><p>Bir örnekle daha iyi anlamaya çalışalım. Aşağıdaki tabloda, bir oto galeriden toplamda 4 kez alışveriş yapmış bir müşterinin, şu ana kadar aldığı arabaların fiyatlarını görüyoruz.</p><p>Bu verilere göre, müşteri toplam değeri 5.080.000 eden 4 araba almış, ve bu galerinin toplamda 500 müşterisi varmış. Churn Rate ise 0,8 olarak verilmiş, örneğimizin oto galeri olduğunu düşününce yüksek bir churn olması beklenebilir bir durum, çünkü araba alan biri yüksek ihtimalle uzun zaman yeniden gelmeyecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/597/1*PAkHQlQBHjyA8G2FlxCNXw.png" /></figure><p>Hesaplamaları daha detaylı incelersek;</p><ul><li>Average Order Value : 5.080.000 / 4 = 1.270.000</li><li>Purchase Frequency : 4 / 500 = 0,008</li><li>Profit Margin : 5.080.000 * 0,1 = 508.000</li><li>Customer Value : 1.270.000 * 0,008 = 10.160</li><li>CLTV : 10.160 / 0,8 = 12.700</li></ul><p>Yani bu müşterinin, oto galeriyle kurduğu ilişkinin değeri 12.700 TL olarak hesaplanmış olur.</p><h3>CLTV Prediction</h3><p>Eğer CLTV değeri önceden tahmin edilebilirse, buna göre aksiyon alınıp şirkete sağlanacak kazanç artırılabilir.</p><p>Bunun için kullanılabilecek iki yöntem vardır; <strong>BG/NBD</strong> ve <strong>Gamma Gamma Submodel.</strong></p><p><strong>BG/NBD </strong>modeli<strong> “<em>expected number of transaction”</em></strong><em>,</em> yani<em> “</em><strong><em>beklenen işlem sayısını”</em></strong><em> </em>bulmayı amaçlar. Eğer müşterinin ne kadar işlem gerçekleştireceğini, yani ne kadar alışveriş yapacağını tahmin edebilirse, CLTV değerini, yani marka için değerini de tahmin edebileceğini söyler.</p><p><strong>BG/NBD</strong> modeli, <strong>“Buy Till You Die“ </strong>olarak da bilinir. Bu model, <em>Expected Number of Transaction</em> için iki süreci olasılıksal olarak modeller; <strong>Transaction Process (Buy) + Dropout Process (Till you die).</strong></p><p><strong><em>“Buy”</em></strong> kısmı, belirli bir zaman periyodunda, bir müşteri tarafından gerçekleştirilecek işlem sayısını ifade ederken, <strong><em>“Till you die”</em></strong> kısmı, müşterinin drop olmasını, yani alışverişinin bitmesini ifade eder.</p><p>Modelin aşağıdaki formülüne göre, sağ taraftaki 4 değer, kitlemizden öğrenecek olduğumuz olasılık dağılım parametrelerini gösterirken, sol tarafta gördüğümüz 3 değer ise her bir bireyin özelinde özelleştirecek olduğumuz değerleri gösterir ve bu 3 değer, elimizdeki her bir müşterinin kendi içinde değişen değerleridir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/430/1*C330CrbpkbCTDGxUf3EIyg.png" /></figure><ul><li><strong>x :</strong> Bir müşterinin tekrar eden satış sayısı, en az ikinci kez işlem yapma durumu</li><li><strong>t_x :</strong> Recency değeri, bir müşterinin ilk satın almasıyla son satın alması arasında geçen süre, haftalık cinsten, müşteri özelindedir, today date veya analiz tarihine göre değil her bir müşterinin kendi ilk ve son satın alması arasındaki farktır.</li><li><strong>T :</strong> Müşterilerin ilk satın alması üzerinden geçen zamandır, yani müşterinin yaşı denilebilir, haftalık hesaplanır.</li><li><strong>r, alpha :</strong> Gama dağılımı parametreleridir, müşteriler arasındaki işlem oranı farklılığını, transaction rate’i modeller.</li><li><strong>a, b :</strong> İnaktif, drop rate olasılığını modelleyen Beta dağılımı parametrelerdir.</li></ul><p><strong>Gamma Gamma Submodel</strong> ise, bir müşterinin işlem başına ortalama ne kadar kar getirebileceğini tahmin etmek için kullanılır.</p><p>Aşağıdaki formül ile hesaplanır. Gamma Gamma modeli, bir müşterinin işlemlerinin <strong><em>parasal değerinin</em></strong> (monetary),<strong><em> işlem sayılarının</em></strong><em> </em>(transaction value) ortalaması etrafında rastgele dağıldığını, ortalama işlem sayılarının zaman içinde müşteriler arasında değişebildiğini fakat tek bir müşteri için değişmediğini varsayar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/396/1*w1CCmjO7-qoFwzt7p5TKZg.png" /></figure><ul><li><strong>x :</strong> Bir müşterinin tekrar eden satış sayısı, en az ikinci kez işlem yapma durumu</li><li><strong>m_x :</strong> Monetary, gözlemlenen transaction value</li><li><strong>p, q, gama :</strong> Parametreler</li></ul><p>Benimle ve veri bilimindeki yolculuğumla ilgili daha fazla içerik görmek isterseniz, beni aşağıdaki platformlardan da takip edebilirsiniz.</p><p><a href="https://www.linkedin.com/in/aysenazakpinar/">https://www.linkedin.com/in/aysenazakpinar/</a></p><p><a href="https://github.com/aysenazakpinar">https://github.com/aysenazakpinar</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ddebed2e2f9c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RFM ile Müşteri Segmentasyonu]]></title>
            <link>https://medium.com/@aysenazakpinar/rfm-ile-m%C3%BC%C5%9Fteri-segmentasyonu-36f0e9b875cf?source=rss-10c571c44e88------2</link>
            <guid isPermaLink="false">https://medium.com/p/36f0e9b875cf</guid>
            <dc:creator><![CDATA[Aysenaz Akpinar]]></dc:creator>
            <pubDate>Mon, 10 Jul 2023 08:40:52 GMT</pubDate>
            <atom:updated>2023-07-10T08:40:52.429Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir önceki yazımın devamı niteliğinde olan bu metinde size RFM skorları üzerinden nasıl segmentasyon yapıldığını ve bunların nasıl yorumlandığını anlatmaya çalışacağım.</p><p>Recency, Frequency ve Monetary terimlerinin anlamlarını ve RFM skorun nasıl oluştuğunu daha önceden konuşmuştuk. Kısaca hatırlatmak gerekirse, <strong>Recency<em> </em></strong><em>müşterinin markadan en son ne zaman alışveriş yaptığını</em>, <strong>Frequency</strong> <em>müşterinin ne sıklıkla alışveriş yaptığını</em>, Monetary ise <em>müşterinin markaya bıraktığı parasal değeri</em> ifade etmekteydi.</p><p>Bu üç kavramdan Recency ve Frequency değerlerinin bizim için daha önemli olduğundan bahsetmiştim. Daha iyi açıklamak için bir örnek düşünelim; bir müşteri markaya 10 TL kazanç sağlıyor ama ayda sadece 1 kere alışveriş yapıyor, yani Monetary değeri yüksekken Frequency ve Recency değerleri düşük, başka bir müşteri ise markaya 3 TL kazanç sağlıyor ama ayda ortalama 4 kez alışveriş yapıyor, yani Frequency ve Recency değerleri yüksek. Bu müşterilerin bir aydaki ilk alışverişine baktığımızda ilk müşterinin Monetary değeri daha yüksek olduğu için daha önemliymiş gibi gözükebilir, oysa ki ikinci müşteri markanın düzenli müşterisidir ve uzun vadede markaya daha çok kazandıracaktır, ki istenilen de budur. Bu nedenle RFM skorunda Monetary değerinin skorun doğruluğunu etkilememesi adına, sadece Recency ve Frequency değerlerini ele alırız.</p><p>O kadar söyledik ettik tamam da ne işe yarar bu RFM Skoru ?</p><p>RFM Skoru sayesinde müşterilerimizi segmente edebiliriz, ki bu skorları aynı sayısal değer üzerinden oluşturduğumuz için karşılaştırma yapmaktan korkmamıza da gerek yok!</p><p><a href="https://medium.com/@aysenazakpinar/rfm-analytics-4fc2251ff8c5">RFM Analytics</a> yazımda, bu kodların nasıl oluşturulduğundan ve nasıl adlandırıldığından bahsetmiştim, aşağıdaki grafikte de bu segmentlerin görsel halini görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0wAnI3nLIYb1HnMS_hrBWA.png" /></figure><p>Bu segmentleri tek tek inceleyelim.</p><ol><li><strong>Hibernating : </strong><em>“Uykuda” </em>anlamına gelen<em> </em>bu segment<em>, </em>hem Recency hem de Frequency değeri düşük olan müşterilerden oluşur. Bu müşteriler markanın en az değer verdiği müşterilerdir.</li><li><strong>At Risk :</strong> <em>“Riskli”</em> kategorisine dahil müşteriler, Recency değeri düşük ancak Frequency değeri çok da kötü olmayan müşterilerdir. Yani en son alışveriş yaptığı tarih yakın olmasa da öncesinde sıklıkla alışveriş yapmış kişilerdir.</li><li><strong>Can’t Loose Them :</strong> <em>“Kaybedilemeyecekler”</em> segmenti, marka için oldukça önem teşkil eder. Çünkü bu segmentteki müşteriler daha öncesinde çok sıklıkta alışveriş yapıyor olmalarına rağmen, uzun zamandır markayla herhangi bir iletişime geçmemiş kişilerdir. Yani marka, kendisine sadık müşterilerini kaybetmek üzeredir.</li><li><strong>About to sleep :</strong><em> “Uyumak üzere”</em> kategorisindeki müşterilerin Recency değeri ortalama, ancak Frequency değeri düşüktür. Yani bu müşteriler yakın zamanda alışveriş yapmış olsa da, alışveriş yapma sıklıkları düşük olduğu için, her an markanın müşterisi olmaktan düşme potansiyeline sahiptirler.</li><li><strong>Need Attention :</strong> <em>“Dikkat gerektiren”</em> segmenti, adı üstünde markanın kaybetmemek için dikkat etmesi gereken müşterilerdir. Bu kategorideki müşteriler tam olarak ortalama müşterilerdir, yani aslında ortalamanın üstüne geçebilme potansiyeli vadederler.</li><li><strong>Loyal Customers : </strong><em>“Sadık müşteriler”</em> markanın en sevdiği müşteri tipidir. Çünkü bu müşteriler hem markadan sıklıkla alışveriş yapar, hem de markayla arasını çok fazla açmaz, yani Recency değerleri yüksektir. Markanın düzenli müşterileridir.</li><li><strong>Promising :</strong> <em>“Umut vadedenler”</em> kategorisi, yakın zamanda alışveriş yapmış ama daha henüz Frequency değeri yüksek olmayan müşterilerdir. Yani eğer marka bu müşterilere özel iletişim kurarsa, bu müşteriler <em>loyal customers</em> segmentine geçebilir.</li><li><strong>New Customers :</strong><em> “Yeni müşteriler” </em>davranış olarak <em>promising</em> segmentindeki müşterilere benzer, ancak onlara göre daha yüksek bir Receny değerine sahiptir. Bu iki segment markadan ilk alışverişini yapmış kişiler olabilir, ancak <em>promising</em> segmentideki müşterilerin ilk alışverişinden bu yana<em> new customers</em> segmentindeki müşterilere göre daha çok zaman geçmiştir. Yani aralarındaki Recency değerinden kaynaklanır.</li><li><strong>Potential Loyalists : </strong><em>“Potansiyel sadıklar” </em>adından da anlaşılacağı üzere, markanın ciddi önem vermesi gereken müşterilerdir. Çünkü bu müşteriler hem yakın zamanda alışveriş yapmış, hem de birden fazla kez alışveriş yapmıştır.</li><li><strong>Champions :</strong> <em>“Şampiyonlar”</em> segmenti, markanın VIP dediği müşterileridir. Bu müşteriler markayı çok sever, sıklıkla alışveriş yapar ve arasını da çok açmaz, sürekli iletişim halindedir. Bu müşteriler marka için çok önemli olsa da markanın en çok özeni bu segmentteki müşterilere göstermesi gerektiğini söyleyemeyiz. Çünkü bu müşteriler, zaten oturmuş müşterilerdir, yüksek ihtimalle marka onlarla çok bir iletişim kurmasa da zaten alışveriş yapacaklardır. Oysa ki <em>potential loyalists</em> ya da <em>new customers</em> segmenti, markanın en çok kazanç sağlayacağı müşteriler olabilir. E VIP’siniz diye en çok ilgiyi siz mi alacaksınız sandınız. Lütfen, darılmaca yok, iş yapıyoruz burada :)</li></ol><p>Benimle ve veri bilimindeki yolculuğumla ilgili daha fazla içerik görmek isterseniz, beni aşağıdaki platformlardan da takip edebilirsiniz.</p><p><a href="https://www.linkedin.com/in/aysenazakpinar/">https://www.linkedin.com/in/aysenazakpinar/</a></p><p><a href="https://github.com/aysenazakpinar">https://github.com/aysenazakpinar</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=36f0e9b875cf" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RFM Analytics]]></title>
            <link>https://medium.com/@aysenazakpinar/rfm-analytics-4fc2251ff8c5?source=rss-10c571c44e88------2</link>
            <guid isPermaLink="false">https://medium.com/p/4fc2251ff8c5</guid>
            <dc:creator><![CDATA[Aysenaz Akpinar]]></dc:creator>
            <pubDate>Fri, 07 Jul 2023 10:34:16 GMT</pubDate>
            <atom:updated>2023-07-07T10:34:16.203Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*2H2mwRJ7VrD2PSNg.png" /></figure><p>Bir önceki yazımda CRM’e kısa bir giriş yapmıştık. CRM aslında göründüğü kadar basit değildir ve kendi içinde de alt dallara ayrılır. Bunlardan biri de RFM’dir.</p><p>Tamam da nedir bu RFM?</p><p>RFM Recency, Frequency ve Monetary kelimelerinin baş harflerinin birleşmesidir. CRM yazımda müşterilen segmentlere ayrıldığından bahsetmiştim, işte RFM tam olarak bu işe yarar. <strong><em>Müşterileri satın alma alışkanlıkları üzerinden gruplara ayırır ve bu gruplar özelinde stratejiler geliştirilebilmesini sağlar</em></strong>, bu şekilde de <strong><em>müşteri segmentasyon analizi</em></strong> yapmış olur.</p><p>RFM metriklerine ayrıca bakalım.</p><p><strong>Recency (Yenilik) :</strong> Müşterinin bizden en son ne zaman alışveriş yaptığını gösterir. Örneğin, recency değeri 1 olan bir müşteri, recency değeri 10 olan başka bir müşteriye göre daha iyidir, çünkü henüz 1 gün önce alışveriş yapmış demektir. Yani recency metriği için <strong>küçük olan daha iyi demek, küçük olana daha yüksek skor demektir.</strong></p><p><strong>Frequency (Sıklık) :</strong> Müşterinin yaptığı toplam işlem sayısıdır. İşlem / alışveriş yapma sıklığı olarak hesaplanır. Frequency değerinin yüksek olması müşterinin sıklıkla alışveriş yaptığını gösterir. Bu nedenle <strong>büyük olana daha yüksek skor </strong>verilir<strong>.</strong></p><p><strong>Monetary (Parasal Değer):</strong> Müşterilen firmaya bıraktığı parasal değerdir. Basit mantıkla, müşterinin harcama miktarının artması ana amaçlardan biri olduğu için, <strong>büyük olana daha yüksek skor verilir.</strong></p><p>Bu metrikler üzerinden RFM Skorları dediğimiz skorlar oluşturulur. Bu skorun nasıl hesaplandığını aşağıdaki koddan görebilirsiniz.</p><p><strong><em>qcut</em></strong><em> </em>fonksiyonu quantile (çeyrek) değerlere göre bölme işlemi yapar, 5 olarak girilen değer <strong><em>q </em></strong>değeridir ve elimizdeki veriyi kaç parçaya bölmek istediğmizi sorar, <strong><em>label</em></strong><em> </em>argümanı ise her bir parçaya başlık ataması yapar.</p><p>Bu işlemi 3 değeri hesaplarken de kullanmak önemlidir, bu şekilde recency, freguency ve monetary değerlerini sayısal olarak karşılaştırabiliriz.</p><p>Recency değeri için qcut ve label örneklemesi 0–100: 0–20 = 5, 20–40 = 4, 40–60 = 3, 60–80 = 2, 80–100 = 1 şeklindedir. Ancak bu labellar monetary ve frequency de tam tersi olmalıdır, çünkü recency değeri düşük olduğunda daha iyi anlamına gelirken, monetary ve frequency değerleri yüksek olduğunda daha iyidir.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fcarbon.now.sh%2Fembed%3Fbg%3Drgba%2528171%252C%2B184%252C%2B195%252C%2B1%2529%26t%3Dseti%26wt%3Dnone%26l%3Dpython%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%2525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3D%25250A%252523%252520Recency%252520de%2525C4%25259Ferini%252520k%2525C3%2525BC%2525C3%2525A7%2525C3%2525BCkten%252520b%2525C3%2525BCy%2525C3%2525BC%2525C4%25259Fe%252520g%2525C3%2525B6re%252520s%2525C4%2525B1ralar%252520ve%2525205%252520e%2525C5%25259Fit%252520par%2525C3%2525A7aya%252520b%2525C3%2525B6ler.%25250Arfm%25255B%252522recency_score%252522%25255D%252520%25253D%252520pd.qcut%2528rfm%25255B%2527recency%2527%25255D%25252C%2525205%25252C%252520labels%25253D%25255B5%25252C%2525204%25252C%2525203%25252C%2525202%25252C%2525201%25255D%2529%25250A%25250Arfm%25255B%252522frequency_score%252522%25255D%252520%25253D%252520pd.qcut%2528rfm%25255B%2527frequency%2527%25255D.rank%2528method%25253D%252522first%252522%2529%25252C%2525205%25252C%252520labels%25253D%25255B1%25252C%2525202%25252C%2525203%25252C%2525204%25252C%2525205%25255D%2529%25250A%25250Arfm%25255B%252522monetary_score%252522%25255D%252520%25253D%252520pd.qcut%2528rfm%25255B%2527monetary%2527%25255D%25252C%2525205%25252C%252520labels%25253D%25255B1%25252C%2525202%25252C%2525203%25252C%2525204%25252C%2525205%25255D%2529%25250A%25250Arfm%25255B%252522RFM_SCORE%252522%25255D%252520%25253D%252520%2528rfm%25255B%2527recency_score%2527%25255D.astype%2528str%2529%252520%25252B%25250A%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520rfm%25255B%2527frequency_score%2527%25255D.astype%2528str%2529%2529%25250A%25250Arfm%25255Brfm%25255B%252522RFM_SCORE%252522%25255D%252520%25253D%25253D%252520%25252255%252522%25255D%252520%252523%252520en%252520iyi%252520m%2525C3%2525BC%2525C5%25259Fteriler%25252C%252520%2525C5%25259Fampiyon%252520s%2525C4%2525B1n%2525C4%2525B1f%25250Arfm%25255Brfm%25255B%252522RFM_SCORE%252522%25255D%252520%25253D%25253D%252520%25252211%252522%25255D%252520%252523%252520daha%252520az%252520%2525C3%2525B6nemli%252520m%2525C3%2525BC%2525C5%25259Fteriler&amp;display_name=Carbon&amp;url=https%3A%2F%2Fcarbon.now.sh%2F%3Fbg%3Drgba%252528171%25252C%2B184%25252C%2B195%25252C%2B1%252529%26t%3Dseti%26wt%3Dnone%26l%3Dpython%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%252525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3D%2525250A%25252523%25252520Recency%25252520de%252525C4%2525259Ferini%25252520k%252525C3%252525BC%252525C3%252525A7%252525C3%252525BCkten%25252520b%252525C3%252525BCy%252525C3%252525BC%252525C4%2525259Fe%25252520g%252525C3%252525B6re%25252520s%252525C4%252525B1ralar%25252520ve%252525205%25252520e%252525C5%2525259Fit%25252520par%252525C3%252525A7aya%25252520b%252525C3%252525B6ler.%2525250Arfm%2525255B%25252522recency_score%25252522%2525255D%25252520%2525253D%25252520pd.qcut%252528rfm%2525255B%252527recency%252527%2525255D%2525252C%252525205%2525252C%25252520labels%2525253D%2525255B5%2525252C%252525204%2525252C%252525203%2525252C%252525202%2525252C%252525201%2525255D%252529%2525250A%2525250Arfm%2525255B%25252522frequency_score%25252522%2525255D%25252520%2525253D%25252520pd.qcut%252528rfm%2525255B%252527frequency%252527%2525255D.rank%252528method%2525253D%25252522first%25252522%252529%2525252C%252525205%2525252C%25252520labels%2525253D%2525255B1%2525252C%252525202%2525252C%252525203%2525252C%252525204%2525252C%252525205%2525255D%252529%2525250A%2525250Arfm%2525255B%25252522monetary_score%25252522%2525255D%25252520%2525253D%25252520pd.qcut%252528rfm%2525255B%252527monetary%252527%2525255D%2525252C%252525205%2525252C%25252520labels%2525253D%2525255B1%2525252C%252525202%2525252C%252525203%2525252C%252525204%2525252C%252525205%2525255D%252529%2525250A%2525250Arfm%2525255B%25252522RFM_SCORE%25252522%2525255D%25252520%2525253D%25252520%252528rfm%2525255B%252527recency_score%252527%2525255D.astype%252528str%252529%25252520%2525252B%2525250A%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520rfm%2525255B%252527frequency_score%252527%2525255D.astype%252528str%252529%252529%2525250A%2525250Arfm%2525255Brfm%2525255B%25252522RFM_SCORE%25252522%2525255D%25252520%2525253D%2525253D%25252520%2525252255%25252522%2525255D%25252520%25252523%25252520en%25252520iyi%25252520m%252525C3%252525BC%252525C5%2525259Fteriler%2525252C%25252520%252525C5%2525259Fampiyon%25252520s%252525C4%252525B1n%252525C4%252525B1f%2525250Arfm%2525255Brfm%2525255B%25252522RFM_SCORE%25252522%2525255D%25252520%2525253D%2525253D%25252520%2525252211%25252522%2525255D%25252520%25252523%25252520daha%25252520az%25252520%252525C3%252525B6nemli%25252520m%252525C3%252525BC%252525C5%2525259Fteriler&amp;image=https%3A%2F%2Fcarbon.now.sh%2Fstatic%2Fbrand%2Fbanner.png&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;scroll=auto&amp;schema=carbon" width="1024" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/c683d211250fd45ce02339efd98b11bf/href">https://medium.com/media/c683d211250fd45ce02339efd98b11bf/href</a></iframe><p>Frequency kısmında, çok fazla aynı quantileda tekrar eden değer olduğu için, <strong>rank</strong> methodunu kullanarak <strong><em>ilk gördüğünü ilk sınıfa ata</em></strong> şeklinde bir talimat verebiliriz. Örneğin sınıf 1&#39;de frequency değerleri hep 1 iken sınıf 2&#39;de de aynı olabilir, bu da quantile ayırma işleminde hata verir. Rank methodu bu sorunu önler.</p><p>RFM Score hesaplamasında recency ve frequency değerlerini kullanırız, monetary değeri müşterinin bıraktığı parasal değer olduğu için bu değeri hesaplamaya katmayız. Müşterinin şirkete kazandıracağı para daha önemli değil mi derseniz, öyle ancak müşterinin ne kadar sıklıkta ve en son ne zaman alışveriş yaptığı daha önemlidir. Çünkü bunlar müşterinin firmaya ne kadar sadık olup olmadığını, firmanın tek seferlik mi yoksa düzenli müşterisi mi olduğunu gösterir. Önceki yazımda da bahsetmiştim, yeni müşteri bulmak eldeki müşteriyi tutmaktan her zaman daha zor ve daha maliyetlidir diye, işte nedeni de bu aslında.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0wAnI3nLIYb1HnMS_hrBWA.png" /></figure><p>RFM skorlarları 1–5 arasında hesaplandıktan sonra müşteriler bu skorlara göre yukarıdaki grafikteki gibi segmentlere ayrılırlar. Bu noktadan sonra, yapılacak gerekli iletişimler, kampanyalar daha özelleştirilebileceği için marka ciddi anlamda kazanç sağlayabilir.</p><p>Grafiğe bakacak olursak;</p><ul><li>[1–2][1–2]: ‘hibernating’,</li><li>[1–2][3–4]: ‘at_risk’,</li><li>[1–2]5: ‘cant_loose’,</li><li>3[1–2]: ‘about_to_sleep’,</li><li>33: ‘need_attention’,</li><li>[3–4][4–5]: ‘loyal_customers’,</li><li>41: ‘promising’,</li><li>51: ‘new_customers’,</li><li>[4–5][2–3]: ‘potential_loyalists’,</li><li>5[4–5]: ‘champions’ olarak toplamda 10 segment olduğunu görürüz.</li></ul><p>Benimle ve veri bilimindeki yolculuğumla ilgili daha fazla içerik görmek isterseniz, beni aşağıdaki platformlardan da takip edebilirsiniz.</p><p><a href="https://www.linkedin.com/in/aysenazakpinar/">https://www.linkedin.com/in/aysenazakpinar/</a></p><p><a href="https://github.com/aysenazakpinar">https://github.com/aysenazakpinar</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4fc2251ff8c5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CRM mi? Ne o Excel gibi bir şey mi?]]></title>
            <link>https://medium.com/@aysenazakpinar/crm-mi-ne-o-excel-gibi-bir-%C5%9Fey-mi-ef47660c6c05?source=rss-10c571c44e88------2</link>
            <guid isPermaLink="false">https://medium.com/p/ef47660c6c05</guid>
            <dc:creator><![CDATA[Aysenaz Akpinar]]></dc:creator>
            <pubDate>Thu, 06 Jul 2023 06:25:05 GMT</pubDate>
            <atom:updated>2023-07-06T06:55:13.209Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WZnDPlCL9vp0wjH6mGcGyQ.jpeg" /></figure><p>CRM gelişen dünyanın ve endüstrinin en çok öne çıkan başlıklarından biri haline geldi. CRM, <em>Customer Relations Management</em>, yani Müşteri ilişkileri Yönetimi anlamına gelir. Adından da anlaşılacağı üzere, bir firmanın müşterisiyle kurduğu her ilişki, şirketin CRM biriminde oluşur.</p><p>CRM dünyasındaki kavramlara bakacak olursak;</p><ul><li>Customer lifecyle/journey/funnel,</li><li>İletişim (dil, renk, görseller, kampanyalar),</li><li>Müşteri edinme / bulma çalışmaları,</li><li>Müşteri elde tutma (terk) çalışmaları,</li><li>Çapraz - üst satış (cross - up sell)</li><li>Müşteri segmentasyon çalışmaları<em> </em>karşımıza çıkar.</li></ul><p><strong>Customer Journey : </strong>Müşterinin satın alım yapmasa dahi marka ile kurduğu ilişkidir. Buna ilk satın almasıyla bir sonraki satın almasına kadar geçen süre, ya da hiç satın alması yoksa ilk satın almasına kadar geçen süre de örnek verilebilir. Örneğin bir e-ticaret firması için, müşterinin gönderilen bildirime girip satın alma yapması bir journey olarak düşünülebilir, bu journey 1 saat de sürebilir 1 hafta da.</p><p><strong>İletişim : </strong>Markalar müşterilerine ulaşmak ve onları elinde tutmak için bir çok farklı iletişim kanalı kullanır. Bu kanallardan en yaygın olanlar, telefon bildirimi, sms, mail ve televizyondur. Bunun dışında eğer firmanın uygulaması varsa, uygulama içinde de pop-up reklam koyarak müşteriyi uygulamada dolaşırken satın alım yapmaya teşvik eder.</p><p><strong>Müşteri edinme / bulma çalışmaları : </strong>Yeni müşteri bulmak, var olan müşteriyi elde tutmaktan her zaman daha zor ve daha maliyetlidir! Firma müşterisi olan ve olmayan müşteriler ile farklı şekilde iletişim kurar.</p><p><strong>Müşteri elde tutma (terk) çalışmaları : </strong>Aynı başlık altında incelense de, aslında müşteri elde tutma ve müşteri terk farklı kavramlardır.</p><p><strong>Çapraz — üst satış (cross — up sell) : </strong>Para tuzağı bunlar hep deriz ya öyleymiş gerçekten de 🙃<em> Cross-sell</em> tamamlayıcı ürünlerin birlikte satışı anlamına gelir, örneğin hamburger yanında kola satılması gibi. <em>Up-sell</em> ise eğer müşteri hamburgerin yanında satılan kolayı küçük boy aldıysa onu büyük boy satmak şeklinde anlatılabilir.</p><p><strong>Müşteri segmentasyon çalışmaları : </strong>Müşteriler farklı sayıda segmentlere ayrılır, örneğin iki erkek müşteriden bir tanesi spor, diğeri elektronik kategorisine daha ilgiliyse çok yüksek ihtimalle farklı segmentlerde bulunuyorlardır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/295/0*ylNPThUXx_rU2b7v.jpg" /></figure><p>Bunun dışında CRM’den konuşup da KPI’dan bahsetmemek olmaz. Açılımı Key Performance Indicators olan bu kavram, şirketin performansını ölçmek için kullanılan parametrelerdir. Bunlardan bazıları ;</p><ul><li><strong>Customer Acqusition Rate</strong> (Müşteri Kazanma Oranı — Belirli bir zamanda kazanılan müşteri yüzdesi)</li><li><strong>Customer Retention Rate</strong> (Müşteri Elde Tutma Oranı)</li><li><strong>Customer Churn Rate</strong> (Müşteri Terk Oranı)</li><li><strong>Conversion Rate</strong> (Dönüşüm Oranı)</li><li><strong>Growth Rate</strong> (Büyüme Oranı)</li></ul><p>Bunlara ek olarak <strong>Cohort Analizi</strong> de CRM ile haşır neşir olanların sıkça duyduğu bir terimdir. Cohort kelime anlamı olarak <strong><em>ortak özellikler sergileyen bir grup</em></strong> demektir, e haliye Cohort Analizi de <em>b</em><strong><em>u gruptaki insanların davranışlarının analizidir.</em></strong></p><p>Başka bir deyişle Cohort Analizi, <strong><em>belirli bir KPI’ın belirli bir zaman aralığında raporlanması </em></strong>demektir.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fcarbon.now.sh%2Fembed%3Fbg%3Drgba%2528171%252C%2B184%252C%2B195%252C%2B1%2529%26t%3Dseti%26wt%3Dnone%26l%3Dauto%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%2525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3D%2528%252520%252522InvoiceDate%252522%252520%25253D%252520Fatura%252520tarihi%2529%25250A%25250Aimport%252520pandas%252520as%252520pd%25250Adf%252520%25253D%252520pd.read_excel%2528%252522Datasets%25252Fonline_retail.xlsx%252522%2529%25250A%25250Adf%25255B%252522order_month%252522%25255D%252520%25253D%252520df%25255B%252522InvoiceDate%252522%25255D.dt.to_period%2528%252522M%252522%2529&amp;display_name=Carbon&amp;url=https%3A%2F%2Fcarbon.now.sh%2F%3Fbg%3Drgba%252528171%25252C%2B184%25252C%2B195%25252C%2B1%252529%26t%3Dseti%26wt%3Dnone%26l%3Dauto%26width%3D680%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dtrue%26pv%3D56px%26ph%3D56px%26ln%3Dfalse%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%252525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3D%252528%25252520%25252522InvoiceDate%25252522%25252520%2525253D%25252520Fatura%25252520tarihi%252529%2525250A%2525250Aimport%25252520pandas%25252520as%25252520pd%2525250Adf%25252520%2525253D%25252520pd.read_excel%252528%25252522Datasets%2525252Fonline_retail.xlsx%25252522%252529%2525250A%2525250Adf%2525255B%25252522order_month%25252522%2525255D%25252520%2525253D%25252520df%2525255B%25252522InvoiceDate%25252522%2525255D.dt.to_period%252528%25252522M%25252522%252529&amp;image=https%3A%2F%2Fcarbon.now.sh%2Fstatic%2Fbrand%2Fbanner.png&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;scroll=auto&amp;schema=carbon" width="1024" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/595d0e9adff7d2e0445b42a6ef0a3997/href">https://medium.com/media/595d0e9adff7d2e0445b42a6ef0a3997/href</a></iframe><p>Küçük bir örnek vermek gerekirse, yukarıdaki kod perakende satış yapan bir firmanın verileri ile retention(elde tutma) oranının cohort analizi için yapılan işlemlerden biridir ve sipariş aylarını belirler.</p><p>Benimle ve veri bilimindeki yolculuğumla ilgili daha fazla içerik görmek isterseniz, beni aşağıdaki platformlardan da takip edebilirsiniz.</p><p><a href="https://www.linkedin.com/in/aysenazakpinar/">https://www.linkedin.com/in/aysenazakpinar/</a></p><p><a href="https://github.com/aysenazakpinar">https://github.com/aysenazakpinar</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ef47660c6c05" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[IMDb’de Herkesin Oy’u Eşit midir?]]></title>
            <link>https://medium.com/@aysenazakpinar/imdb-a487f8f1b8f6?source=rss-10c571c44e88------2</link>
            <guid isPermaLink="false">https://medium.com/p/a487f8f1b8f6</guid>
            <category><![CDATA[imdb]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[sorting-algorithms]]></category>
            <dc:creator><![CDATA[Aysenaz Akpinar]]></dc:creator>
            <pubDate>Wed, 15 Mar 2023 09:19:08 GMT</pubDate>
            <atom:updated>2023-03-15T09:57:57.259Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/740/1*g_FtJ2rBkxOSbk2dCj0N4g.jpeg" /></figure><p>IMDb; filmler, diziler, televizyon programları, video oyunları ve internet içerikleri hakkında bilgiler barındıran çevrimiçi bir bilgi bankasıdır. Aynı zamanda kullanıcıların filmlere puan verebildiği ve yorum yapabildiği bir platform hizmeti de sağlar.</p><p>Eminim ki birçoğumuz, zamanında izleyecek film bulamayınca IMDb Top 250 film listelerine yönelmişizdir. Peki hiç düşündünüz mü IMDb filmleri neye göre sıralıyor, en üstteki film nasıl oldu da o zirveye yerleşti?</p><p>Bu yazımda size IMDb’nin kullandığı sorting(sıralama) yönteminin arkasındaki istatiksel düşünceyi anlatacağım.</p><p>IMDb’de kullanıcılar filmlere oy verir ancak, herkesin oyu eşit midir derseniz, değildir. Kullanıcılar oy verme ve yorum yapma sıklığına göre değerlendirilir. Örneğin 100 filme oy veren ve yorum yapan bir kullanıcının kanaati, sadece 5 filme oy verip yorum yapmış bir kullanıcıya göre daha değerlidir. Bu durum mantıksız gözükebilir, ancak şu şekilde bakarsak; yeni bir Türk filmi çıkıyor ve IMDb puanının yükselmesi için çok fazla insan izlemeden dahi oy veriyor. Bu durum gerçekten güzel bir film izlemek isteyen ve IMDb listesine bakan bir kişiyi mutsuz etkiler, ve siteye bakışını değiştirir. Bu nedenle bu listelerin özenli ve dikkatli bir şekilde hazırlanması gerekir.</p><p>Öncelikle gerekli kütüphaneleri import edip, veriyi görmek istediğimiz şekilde ayarlamaları yapıyoruz. Veri setinden ihtiyacımız olan 3 değişkeni çekiyoruz.</p><pre>import pandas as pd<br>import math<br>import scipy.stats as st<br>pd.set_option(&#39;display.max_columns&#39;, None)<br>pd.set_option(&#39;display.expand_frame_repr&#39;, False)<br>pd.set_option(&#39;display.float_format&#39;, lambda x: &#39;%.5f&#39; % x)<br><br>df = pd.read_csv(&quot;datasets/movies_metadata.csv&quot;,<br>                 low_memory=False)  # DtypeWarning kapamak icin<br>df = df[[&quot;title&quot;, &quot;vote_average&quot;, &quot;vote_count&quot;]]</pre><p>İlk olarak basit ve hızlı bir şekilde bizden bu listeyi oluşturmamız beklenirse kullanabileceğimiz sıralama yöntemine bakalım. Bu yöntem basitçe oy ortalamasına göre sıralama yapar. Tabii ki sadece oy ortalamasını hesaba katmak yanlış olur, çünkü verilen oy sayısı arttıkça oyların ortalaması da buna bağlı olarak değişecektir. Oy sayılarının dağılım aralığı geniş olduğu için Top 250 listesine girecek kadar oy sayısının hangisi olacağını bilemeyebiliriz. Bu nedenle oy sayılarını 1–10 arasında skorlaştırmak, daha sonrasında puan ortalamasıyla çarpacağımız için de hesaplamalarımızı kolaylaştıracaktır. Bu işlem için sklearn kütüphanesinden faydalanıyoruz. Sonrasında “average_count_score” adında yeni bir değişken oluşturup, punların ortalamasıyla oyların skor değerini çarpıyoruz.</p><p>Bu yöntem sadece puan ortalamasına bağlı kalıp yanlış bir sonuç vermeyi engeller, ve basit bir matematik hesabıyla verilen oyların sayısını da bir faktör olarak değerlendirir. Ancak bu yöntem yeterli midir? Maalesef hayır, keşke her şey bu kadar basit olsa diyebilirsiniz.</p><pre>df.sort_values(&quot;vote_average&quot;, ascending=False).head()<br>from sklearn.preprocessing import MinMaxScaler<br><br>df[&quot;vote_count_score&quot;] = MinMaxScaler(feature_range=(1, 10)). \<br>    fit(df[[&quot;vote_count&quot;]]). \<br>    transform(df[[&quot;vote_count&quot;]])<br>df[&quot;average_count_score&quot;] = df[&quot;vote_average&quot;] * df[&quot;vote_count_score&quot;]<br><br>df.sort_values(&quot;average_count_score&quot;, ascending=False).head(20)</pre><p>Gelelim IMDb’nin 2015&#39;e kadar kullandığı sıralama yöntemine. Aşağıda formülünü görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Smq7q5ZrWnFEYNoEGk_9Rg.png" /></figure><p>WR = Weighted Rating</p><p>v = vote count (oy sayısı)</p><p>m = minimum votes required ( Top 250 listesine girebilmesi için gerekli olan minimum oy sayısı)</p><p>R = vote average (oyların ortalaması)</p><p>C = the mean vote across the whole report (Bütün filmlerin ortalaması)</p><p>Bu hesaplamanın en önemli iki değeri m ve C değerleridir. Formülün sol ve sağ tarafına ayrı ayrı odaklanarak inceleyelim. Sol tarafta görüyoruz ki, eğer bir film gerekli olan minimum oy sayısından (m) daha fazla oy almışsa, yani v &gt; m durumu varsa, düzeltmenin şiddeti az olacaktır. Ancak v &lt; m durumu varsa, yani gerekenden daha az oy almışsa çok ciddi bir düzeltmeye maruz kalacağı için listeye giremeyecektir. Buradaki düzeltmeyi filmin puanıyla (R) çarparak elde ederiz. Daha iyi açıklamak adına;</p><p>Elimizde aynı R değerine sahip 2 tane film olduğunu düşünelim. Listeye girebilmek için gereken oy sayısı bütün filmler için eşit olacağından m değerleri de aynı olur. Bu iki filme verilen oylar birbirinden farklı olsun. Örneğin 1.filme 500 kişi oy vermişken, 2.filme 1000 kişinin oy verdiğini varsayalım. Bu durumda formülün sol tarafını uygularsanız göreceksiniz ki, daha fazla oy sayısına sahip 2.filmin değeri daha yüksektir. Bu sayede oy sayısının etkisini matematiksel bir şekilde yakalamış oluruz.</p><p>Formülün sağ tarafındaki ifade, daha fazla oy sayısına sahip olmanın dezavantaja neden olduğu durumları yakalamaya çalışır. Bu yöntem IMDB tarafından 2015 yılına kadar kullanılmıştır, ondan sonra sıralamalarını hangi yöntemle yaptıklarını bilmiyoruz ancak bir tahmin yürütüp fikir üretmeye çalışacağız.</p><p>Aşağıda formülün fonksiyonlaştırılmış halini görebilirsiniz.</p><pre>m = 2500<br>C = df[&#39;vote_average&#39;].mean()<br><br>def weighted_rating(R, v, m, C):<br>    return (v / (v + m) * R) + (m / (v + m) * C)<br><br>df[&quot;weighted_rating&quot;] = weighted_rating(df[&quot;vote_average&quot;],<br>                                        df[&quot;vote_count&quot;], m, C)<br></pre><p>Size ilk yaptığımız ‘avergae_count_score’ yöntemi ile, IMDb’nin kullandığı ‘weighted_rating’ yönteminin sonuçları arasındaki farkı göstermek istiyorum.</p><pre>df.sort_values(&quot;average_count_score&quot;, ascending=False).head(10)<br><br>&#39;&#39;&#39;<br>                       title  vote_average  vote_count  vote_count_score  average_count_score<br>15480                Inception       8.10000 14075.00000          10.00000             81.00000<br>12481          The Dark Knight       8.30000 12269.00000           8.84519             73.41505<br>22879             Interstellar       8.10000 11187.00000           8.15332             66.04190<br>17818             The Avengers       7.40000 12000.00000           8.67318             64.18153<br>14551                   Avatar       7.20000 12114.00000           8.74607             62.97174<br>26564                 Deadpool       7.40000 11444.00000           8.31766             61.55065<br>2843                Fight Club       8.30000  9678.00000           7.18842             59.66388<br>20051         Django Unchained       7.80000 10297.00000           7.58423             59.15697<br>23753  Guardians of the Galaxy       7.90000 10014.00000           7.40327             58.48582<br>292               Pulp Fiction       8.30000  8670.00000           6.54387             54.31414   <br>                                                                                               &#39;&#39;&#39;</pre><pre>df.sort_values(&quot;weighted_rating&quot;, ascending=False).head(10)<br><br>&#39;&#39;&#39;<br>                                                   title  vote_average  vote_count  vote_count_score  average_count_score  weighted_rating<br>12481                                    The Dark Knight       8.30000 12269.00000           8.84519             73.41505          7.84604<br>314                             The Shawshank Redemption       8.50000  8358.00000           6.34437             53.92714          7.83648<br>2843                                          Fight Club       8.30000  9678.00000           7.18842             59.66388          7.74946<br>15480                                          Inception       8.10000 14075.00000          10.00000             81.00000          7.72567<br>292                                         Pulp Fiction       8.30000  8670.00000           6.54387             54.31414          7.69978<br>834                                        The Godfather       8.50000  6024.00000           4.85194             41.24146          7.65480<br>22879                                       Interstellar       8.10000 11187.00000           8.15332             66.04190          7.64669<br>351                                         Forrest Gump       8.20000  8147.00000           6.20945             50.91748          7.59377<br>7000       The Lord of the Rings: The Return of the King       8.10000  8226.00000           6.25996             50.70571          7.52155<br>4863   The Lord of the Rings: The Fellowship of the Ring       8.00000  8892.00000           6.68583             53.48661          7.47731<br>                                                                                                                                            &#39;&#39;&#39;  </pre><p>İki yöntemi karşılaştırdığımızda, farklılıklar olduğunu ancak yine de IMDb’nin kendi hazırladığı Top 250 listesindeki ilk 10 filmin 5 tanesini yakalayabildiğimizi görüyoruz.</p><p>Bu kadar kural tabanlı matematiksel işlemin üzerine biraz daha yoğunlaşırsak, Bayesian Average Rating Score (BAR Score) ile karşılaşıyoruz. IMDb Top 250 listesini bir de bu şekilde sıralayalım. IMDb’nin ilk yöntemi 2015&#39;e kadar kullandığından bahsetmiştik, peki günümüzde ne kullanıyorlar bunu tahmin etmeye çalışalım. Önce IMDb’nin güncel Top 250 listesine bakalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/483/1*wpSamJo4bv_W-__OrY7ozg.png" /></figure><p>Görüyoruz ki ilk 5 film değişmiş, sıralamada farklılıklar var. IMDb acaba neyi farklı yapıyor olabilir, bunu inceleyelim.</p><p>IMDb’nin user quality score’ları ve bayesian yöntemini kullanarak yeni bir sıralama yöntemi oluşturmuş olması muhtemel. Bizim çalıştığımız veri setinde, user quality score değerleri mevcut değil. BAR skorunu hesaplamak için oluşuturduğumuz fonksiyon aşağıdadır.</p><pre>def bayesian_average_rating(n, confidence=0.95):<br>    if sum(n) == 0:<br>        return 0<br>    K = len(n)<br>    z = st.norm.ppf(1 - (1 - confidence) / 2)<br>    N = sum(n)<br>    first_part = 0.0<br>    second_part = 0.0<br>    for k, n_k in enumerate(n):<br>        first_part += (k + 1) * (n[k] + 1) / (N + K)<br>        second_part += (k + 1) * (k + 1) * (n[k] + 1) / (N + K)<br>    score = first_part - z * math.sqrt((second_part - first_part * first_part) / (N + K + 1))<br>    return score</pre><p>Bayesian average rating yöntemi, tek başına doğru sıralamayı vermez. Bu nedenle bu yaklaşımı elde tutup, bunun üzerine hibrit bir yöntem uygulamamız gerekir. Eklenebilecek bir diğer faktör kullanıcı yorum sayılarını ve kullanıcının platforma olan etkilerini içeren, ‘user quality score’ dediğimiz faktördür.</p><p>Benimle paylaşılan ancak sizinle paylaşamayacağım veri seti, her filmin 1&#39;den 10&#39;a kadar hangi puandan kaçar tane aldığı bilgisini içerir. Bu puanların toplamı oy sayısını verirken, ortalaması filmin ham puanını verir.</p><pre>df[&quot;bar_score&quot;] = df.apply(lambda x: bayesian_average_rating(x[[&quot;one&quot;, &quot;two&quot;, <br>                                                                &quot;three&quot;, &quot;four&quot;, <br>                                                                &quot;five&quot;,&quot;six&quot;, <br>                                                                &quot;seven&quot;, &quot;eight&quot;, <br>                                                                &quot;nine&quot;, &quot;ten&quot;]]), <br>                                                                         axis=1)<br>df.sort_values(&quot;bar_score&quot;, ascending=False).head(10)<br><br>&#39;&#39;&#39;<br>         id                                          movieName  rating      ten    nine   eight   seven    six   five   four  three   two    one  bar_score<br>0    111161           1.       The Shawshank Redemption (1994) 9.20000  1295382  600284  273091   87368  26184  13515   6561   4704  4355  34733    9.14539<br>1     68646                      2.       The Godfather (1972) 9.10000   837932  402527  199440   78541  30016  16603   8419   6268  5879  37128    8.94002<br>3    468569                    4.       The Dark Knight (2008) 9.00000  1034863  649123  354610  137748  49483  23237  11429   8082  7173  30345    8.89596<br>2     71562             3.       The Godfather: Part II (1974) 9.00000   486356  324905  175507   70847  26349  12657   6210   4347  3892  20469    8.81250<br>4     50083                       5.       12 Angry Men (1957) 8.90000   246765  225437  133998   48341  15773   6278   2866   1723  1478   8318    8.76793<br>6    167260  7.       The Lord of the Rings: The Return of ... 8.90000   703093  433087  270113  117411  44760  21818  10873   7987  6554  28990    8.75204<br>5    108052                   6.       Schindler&#39;s List (1993) 8.90000   453906  383584  220586   82367  27219  12922   6234   4572  4289  19328    8.74361<br>11   109830                      12.       Forrest Gump (1994) 8.80000   622104  553654  373644  151284  51140  22720  11692   7647  5941  12110    8.69915<br>12  1375666                         13.       Inception (2010) 8.70000   724798  627987  408686  174229  60668  26910  13436   8703  6932  17621    8.69315<br>10   137523                        11.       Fight Club (1999) 8.80000   637087  572654  371752  152295  53059  24755  12648   8606  6948  17435    8.67448<br>                                                                                                                                                      &#39;&#39;&#39;<br></pre><p>Elimizdeki sıralamaya ve IMDb’nin güncel listesindeki ilk 5 filme baktığımızda, hepsinin aynı olduğunu görüyoruz.</p><p>Bütün işlemler sonucunda, IMDb’nin sadece verilen oylar doğrultusunda sıralama yapmak yerine, ağırlıklı ortalama yöntemiyle sıralama yaptığını görmüş olduk. Yani IMDb herkesin puanlarını kabul ediyor, ancak bazı puanların ağırlığı diğerlerine göre daha fazla oluyor.</p><p>IMDb’nin her kullanıcıya aynı ağırlığı vermediğini ve kullanıcı tabanlı bir sıralama yaptığını anladık, peki ya zaman faktörü? Eğer IMDb zaman tabanlı bir sıralama da yapıyorsa, kesinlikle çok mantıklı; eğer yapmıyorsa buradan çağrı yapıyorum: ‘Eyyy IMDb’…</p><p>Bu konuda düşünmemi sağlayan ve yazdığım her şeyi bana aktaran sevgili Hocam Vahit Keskin’e ve Miuul ekibine, zaman ayırıp okuduğunuz için de size teşekkür ederim.</p><p>Benimle ve veri bilimindeki yolculuğumla ilgili daha fazla içerik görmek isterseniz, beni aşağıdaki platformlardan da takip edebilirsiniz.</p><p><a href="https://www.linkedin.com/in/aysenazakpinar/">https://www.linkedin.com/in/aysenazakpinar/</a></p><p><a href="https://github.com/aysenazakpinar">https://github.com/aysenazakpinar</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a487f8f1b8f6" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>