<?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 Erdi KUS on Medium]]></title>
        <description><![CDATA[Stories by Erdi KUS on Medium]]></description>
        <link>https://medium.com/@erdii.kuss?source=rss-84123a3acaf8------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*ydDshBxft_tpvuNC</url>
            <title>Stories by Erdi KUS on Medium</title>
            <link>https://medium.com/@erdii.kuss?source=rss-84123a3acaf8------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 10:18:29 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@erdii.kuss/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[Python ve Power BI ile CRM Analitiği: RFM, CLTV, BG/NBD, Gamma-Gamma ve Cross-Sell Analizi ile…]]></title>
            <link>https://medium.com/@erdii.kuss/python-ve-power-bi-ile-crm-analiti%C4%9Fi-rfm-cltv-bg-nbd-gamma-gamma-ve-cross-sell-analizi-ile-c20657bb7b7a?source=rss-84123a3acaf8------2</link>
            <guid isPermaLink="false">https://medium.com/p/c20657bb7b7a</guid>
            <category><![CDATA[python-data-science]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[power-bi]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Erdi KUS]]></dc:creator>
            <pubDate>Tue, 21 Jul 2026 10:41:00 GMT</pubDate>
            <atom:updated>2026-07-21T10:41:00.949Z</atom:updated>
            <content:encoded><![CDATA[<h3>Python ve Power BI ile CRM Analitiği: RFM, CLTV, BG/NBD, Gamma-Gamma ve Cross-Sell Analizi ile Veriyi Stratejik Kararlara Dönüştürmek</h3><p>Ham müşteri verilerini analiz ederek, geçmişi anlamak, geleceği tahmin etmek ve işletmeler için uygulanabilir karar destek sistemleri geliştirmek mümkün. Bu projede Python ile veri bilimi modellerini, Power BI ile iş zekâsını bir araya getirerek uçtan uca bir CRM Analitiği ve Tahminleme Panosu geliştirdim.</p><p>Günümüzde e-ticaret şirketleri her gün binlerce satış işlemi gerçekleştiriyor. Ancak bu verilerin büyük bölümü yalnızca raporlanıyor ve gerçek potansiyeli ortaya çıkarılamıyor.</p><p>Asıl soru şudur:</p><ul><li>En değerli müşterilerimiz kimler?</li><li>Hangi müşterileri kaybetme riski taşıyoruz?</li><li>Hangi müşterilere yatırım yapmalıyız?</li><li>Gelecek üç ayda ne kadar satış bekliyoruz?</li><li>Hangi ürünleri birlikte önerirsek sepet tutarını artırabiliriz?</li></ul><p>Bu soruların cevapları yalnızca satış raporlarında değil, <strong>CRM analitiğinde</strong> gizlidir.</p><p>Bu projede, Kaggle üzerinde açık kaynak olarak paylaşılan <a href="https://docs.google.com/spreadsheets/d/1jL9vOpdzE5wG9n_4xpgCeiocgIY7ffJs/edit?usp=sharing&amp;ouid=104006677213691033056&amp;rtpof=true&amp;sd=true"><strong>Online Retail II</strong></a> veri setini kullanarak gerçek bir e-ticaret şirketinin <strong>2009–2011 yılları arasındaki müşteri davranışlarını analiz ettim.</strong></p><p>Amacım yalnızca geçmiş verileri raporlamak değildi.</p><p>Python ile müşteri davranışlarını analiz ederek geleceğe yönelik tahmin modelleri oluşturmak, ardından bu çıktıları Power BI üzerinde etkileşimli bir karar destek sistemi haline getirmekti.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*STQHaB8GsRZtc1rTGDNdlQ.png" /></figure><h3>Projenin Amacı</h3><p>Bu proje, klasik bir veri analizi çalışmasının ötesinde, gerçek bir CRM analitiği sürecini uçtan uca modellemeyi amaçlamaktadır.</p><p>Projede aşağıdaki iş sorularına cevap aranmıştır.</p><ul><li>En değerli müşteriler kimler?</li><li>Sadık müşteriler hangileri?</li><li>Kaybedilme riski taşıyan müşteriler kimler?</li><li>Önümüzdeki dönemde beklenen satış hacmi nedir?</li><li>Hangi müşteriler gelecekte daha fazla gelir sağlayacak?</li><li>Hangi ürünler birlikte satın alınıyor?</li><li>Pazarlama bütçesi hangi müşteri grubuna yönlendirilmeli?</li></ul><p>Bu soruların tamamı Python ile analiz edilmiş, Power BI üzerinde tek bir dashboard içerisinde görselleştirilmiştir.</p><h3>Kullanılan Veri Seti</h3><p>Projede <strong>Kaggle</strong> platformunda açık kaynak olarak yayımlanan <strong>Online Retail II</strong> veri seti kullanılmıştır.</p><p>Bu veri seti, İngiltere merkezli bir e-ticaret şirketinin <strong>2009–2011</strong> yılları arasında gerçekleştirdiği satış işlemlerini içermektedir.</p><p>Veri setinde;</p><ul><li>Müşteri ID</li><li>Fatura Numarası</li><li>Satın Alma Tarihi</li><li>Ürün Kodu</li><li>Ürün Adı</li><li>Satın Alınan Miktar</li><li>Birim Fiyat</li><li>Toplam Tutar</li><li>Ülke</li></ul><p>gibi bilgiler bulunmaktadır.</p><p>Analiz öncesinde veri üzerinde;</p><ul><li>Eksik verilerin temizlenmesi</li><li>İade işlemlerinin ayıklanması</li><li>Yinelenen kayıtların kaldırılması</li><li>Veri tiplerinin düzenlenmesi</li><li>Feature Engineering çalışmaları</li></ul><p>gerçekleştirilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HS93sLBIz2a672xgHGZatQ.png" /></figure><p>Temiz ve doğru hazırlanmış veri, tahmin modellerinin başarısını doğrudan etkilediği için bu aşama projenin en önemli adımlarından biridir.</p><h3>Projede Kullanılan Veri Bilimi Modelleri</h3><p>Bu projede tek bir analiz yöntemi kullanılmadı.</p><p>CRM analitiğinin farklı yönlerini ortaya koyabilmek amacıyla birden fazla yöntem birlikte kullanıldı.</p><ul><li><strong>RFM Analizi</strong> → Müşteri segmentasyonu</li><li><strong>CLTV (Customer Lifetime Value)</strong> → Müşteri yaşam boyu değeri</li><li><strong>BG/NBD Modeli</strong> → Gelecekte beklenen satın alma tahmini</li><li><strong>Gamma-Gamma (GGF)</strong> → Gelecekte beklenen gelir tahmini</li><li><strong>Apriori Algoritması</strong> → Cross-Sell (Çapraz Satış) önerileri</li><li><strong>Power BI</strong> → Karar destek dashboard’ı</li></ul><p>Bu modeller birlikte çalışarak geçmişi analiz ederken aynı zamanda geleceğe yönelik tahminler üretmektedir.<br>RFM Analizi</p><p>CRM analitiğinin temel taşlarından biri RFM analizidir.</p><p>RFM üç temel metriğe dayanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YwKLBXl_SGBpMsUlcT97tg.png" /></figure><h3>Recency</h3><p>Müşterinin son alışverişini ne kadar yakın zamanda yaptığıdır.</p><p>Yakın zamanda alışveriş yapan müşterilerin tekrar alışveriş yapma ihtimali daha yüksektir.</p><h3>Frequency</h3><p>Müşterinin belirli bir dönem içerisinde kaç kez alışveriş yaptığıdır.</p><p>Sık alışveriş yapan müşteriler işletme açısından daha sadık müşteriler olarak değerlendirilir.</p><h3>Monetary</h3><p>Müşterinin toplam harcama miktarını ifade eder.</p><p>Yüksek harcama yapan müşteriler işletmenin en değerli müşteri grubunu oluşturur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*OgG88EjTkw0x6_X3.png" /><figcaption>Segmentasyon Tablosu</figcaption></figure><p>Python ile hesaplanan bu metrikler sonucunda müşteriler aşağıdaki segmentlere ayrılmıştır.</p><ul><li>Champions</li><li>Loyal Customers</li><li>Potential Loyalists</li><li>Need Attention</li><li>At Risk</li><li>Hibernating</li><li>Can’t Lose Them</li><li>Promising</li><li>About To Sleep</li><li>New Customers</li></ul><p>Power BI dashboard’ı üzerinden bu segmentlerin yıllara göre nasıl değiştiği kolayca analiz edilebilmektedir.</p><h3>CLTV (Customer Lifetime Value)</h3><p>RFM analizi mevcut müşteri davranışını analiz ederken, CLTV müşterinin gelecekte işletmeye sağlayacağı ekonomik değeri hesaplamaktadır.</p><p>Bu analiz sayesinde;</p><ul><li>yüksek değerli müşteriler belirlenebilir,</li><li>pazarlama yatırımları optimize edilebilir,</li><li>müşteri kaybı azaltılabilir,</li><li>sadakat kampanyaları oluşturulabilir.</li></ul><p>Projede müşteriler CLTV skorlarına göre A, B, C ve D segmentlerine ayrılmıştır.</p><p>Power BI üzerinde hazırlanan grafikler sayesinde hangi segmentlerin işletmeye daha fazla gelir sağladığı kolayca analiz edilebilmektedir.</p><h3>BG/NBD ve Gamma-Gamma Modelleri</h3><p>Bu projeyi klasik CRM çalışmalarından ayıran en önemli nokta, tahmine dayalı modellerin kullanılmasıdır.</p><p><strong>BG/NBD modeli</strong>, müşterilerin gelecekte kaç kez alışveriş yapacağını tahmin etmektedir.</p><p><strong>Gamma-Gamma modeli</strong> ise bu müşterilerin gelecekte ne kadar gelir oluşturacağını hesaplamaktadır.</p><p>Bu iki model birlikte çalıştırılarak önümüzdeki üç aylık dönem için satış ve gelir tahminleri oluşturulmuştur.</p><p>Böylece dashboard yalnızca geçmişi raporlayan değil, geleceği öngören bir karar destek sistemine dönüşmektedir.</p><h3>Cross-Sell Analizi</h3><p>Müşteri değerini artırmanın en etkili yollarından biri mevcut müşteriye doğru ürünü önermektir.</p><p>Bu nedenle projede <strong>Apriori Algoritması</strong> kullanılarak ürün birliktelikleri analiz edilmiştir.</p><p>Analiz sonucunda birlikte satın alınma olasılığı yüksek ürün çiftleri belirlenmiştir.</p><p>Dashboard üzerinde görülen <strong>Lift</strong> değerleri, ürünler arasındaki ilişkinin gücünü göstermektedir.</p><p>Bu analiz sayesinde;</p><ul><li>“Bu ürünü alanlar bunları da aldı”</li><li>Akıllı ürün önerileri</li><li>Kampanya paketleri</li><li>Dinamik çapraz satış önerileri</li></ul><p>gibi sistemler geliştirilebilir.</p><p>Bu da ortalama sepet tutarını (Average Order Value — AOV) artırmaya yardımcı olur.</p><h3>Dashboard Üzerinden Elde Edilen Bulgular</h3><p>Python ile gerçekleştirilen tüm analizler Power BI üzerinde etkileşimli olarak görselleştirildi.</p><p>Dashboard yıllara göre filtrelenebilir şekilde tasarlandı.</p><p>Böylece her yılın müşteri davranışları ayrı ayrı incelenebilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9NshnAKK5-Iw1hp5_hjhsQ.jpeg" /><figcaption>2009 Yılı Veri Grafiği (PowerBI)</figcaption></figure><h3>2009 — Büyümenin Başlangıcı</h3><p>2009 yılı işletmenin büyüme sürecinin başlangıç dönemini temsil etmektedir.</p><p>Dashboard sonuçlarına göre;</p><ul><li>Toplam Ciro: <strong>678.39 Bin</strong></li><li>Toplam Müşteri: <strong>952</strong></li><li>Customer Health (Probability Alive): <strong>0.79</strong></li></ul><p>Müşterilerin önemli bir kısmı <strong>Champions</strong> ve <strong>Loyal Customers</strong> segmentlerinde yer almaktadır.</p><p>Bu durum gelecekte büyüyebilecek güçlü bir müşteri tabanının oluşmaya başladığını göstermektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WHkJLLn1RwdJsCADf6VFhw.jpeg" /><figcaption>2010 Yılı Veri Grafiği (PowerBI)</figcaption></figure><h3>2010 — Ölçeklenme ve Hızlı Büyüme</h3><p>2010 yılı şirket açısından en büyük büyümenin yaşandığı dönemdir.</p><p>Dashboard sonuçlarına göre;</p><ul><li>Toplam Ciro: <strong>8.23 Milyon</strong></li><li>Toplam Müşteri: <strong>4.207</strong></li><li>Customer Health: <strong>0.81</strong></li></ul><p>Bir önceki yıla göre müşteri sayısında ve satış hacminde ciddi bir sıçrama gerçekleşmiştir.</p><p>Bu büyüme hem yeni müşteri kazanımı hem de mevcut müşterilerin tekrar alışveriş yapmasıyla desteklenmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5ZtcTVORS5lHdZBBjkujgQ.jpeg" /><figcaption>2011 Yılı Veri Grafiği (PowerBI)</figcaption></figure><h3>2011 — Sadakatin Güçlendiği Dönem</h3><p>2011 yılında yeni müşteri kazanımı önceki yıla göre yavaşlamış olsa da şirket gelirini korumayı başarmıştır.</p><p>Dashboard sonuçlarına göre;</p><ul><li>Toplam Ciro: <strong>8.18 Milyon</strong></li><li>Toplam Müşteri: <strong>4.214</strong></li><li>Customer Health: <strong>0.93</strong></li></ul><p>Burada dikkat çeken en önemli gelişme müşteri sayısından çok müşteri kalitesindeki artıştır.</p><p>Probability Alive değerinin 0.93 seviyesine yükselmesi, müşterilerin markaya bağlılığının önemli ölçüde arttığını göstermektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6EvJRKHYZ09CbLERdkyKdw.jpeg" /><figcaption>2009–2011 Yılları Veri Grafiği (PowerBI)</figcaption></figure><h3>Üç Yıllık Genel Değerlendirme</h3><p>2009–2011 dönemi birlikte değerlendirildiğinde işletme önemli bir büyüme göstermiştir.</p><p>Toplam dashboard verilerine göre;</p><ul><li>Toplam Ciro: <strong>17.08 Milyon</strong></li><li>Toplam Müşteri: <strong>5.853</strong></li><li>Ortalama Customer Health: <strong>0.87</strong></li></ul><p>İlk iki yılda agresif büyüme yaşanırken, üçüncü yılda büyümenin temel kaynağı müşteri sadakati olmuştur.</p><p>Bu durum CRM stratejisinin yalnızca yeni müşteri kazanımına değil, mevcut müşterileri elde tutmaya da odaklandığını göstermektedir.</p><h3>Tahmin Modeli Sonuçları</h3><p>Projede geliştirilen BG/NBD ve Gamma-Gamma modellerine göre önümüzdeki <strong>3 aylık dönem</strong> için aşağıdaki tahminler elde edilmiştir.</p><ul><li>Yaklaşık <strong>3.31 milyon yeni sipariş</strong></li><li>Yaklaşık <strong>3.31 milyar</strong> seviyesinde tahmini gelir</li><li>Tahmini gelirin <strong>%95.28’i CLTV A segmentindeki müşterilerden</strong> oluşmaktadır.</li></ul><p>Bu sonuç, şirket gelirinin büyük bölümünün yüksek değerli müşteriler tarafından üretileceğini göstermektedir.</p><p>Dolayısıyla yeni müşteri kazanımı kadar mevcut yüksek değerli müşterilerin korunması da kritik öneme sahiptir.<br>2012 İçin Stratejik Yol Haritası</p><p>Bu proje yalnızca mevcut durumu analiz etmekle kalmıyor, aynı zamanda veriye dayalı stratejik öneriler de sunuyor.</p><p>Elde edilen sonuçlara göre 2012 yılında uygulanabilecek temel aksiyonlar şunlardır:</p><h3>1. Mevcut müşteri sadakati korunmalı.</h3><p>Probability Alive değerinin 0.95 seviyelerine ulaşması şirketin en büyük avantajıdır.</p><p>Sadakat programları ve kişiselleştirilmiş kampanyalarla bu başarı korunmalıdır.</p><h3>2. CLTV A Segmenti önceliklendirilmeli.</h3><p>Tahmini gelirin yaklaşık %95’i bu müşteri grubundan oluşmaktadır.</p><p>Pazarlama yatırımlarının öncelikle bu müşteri segmentine yönlendirilmesi yatırımın geri dönüşünü artıracaktır.</p><h3>3. Yeni müşteri kazanımına yeniden odaklanılmalı.</h3><p>Mevcut müşteri portföyü güçlü bir yapıya ulaştığı için yeni müşteri edinimine yapılacak yatırımlar daha yüksek verim sağlayacaktır.</p><h3>4. Cross-Sell sistemi canlı ortama alınmalı.</h3><p>Apriori algoritmasıyla belirlenen ürün birliktelikleri e-ticaret platformuna entegre edilerek;</p><ul><li>Ortalama sepet tutarı artırılabilir.</li><li>Müşteri deneyimi geliştirilebilir.</li><li>Satış gelirleri yükseltilebilir.</li></ul><p>Bu iki strateji birlikte uygulandığında, tahmin modellerinin öngördüğü gelir seviyelerinin üzerine çıkılması mümkündür.</p><h3>Bu Projede Kullandığım Teknolojiler</h3><p><strong>Programlama ve Veri Analizi</strong></p><ul><li>Python</li><li>Pandas</li><li>NumPy</li><li>Lifetimes</li><li>Mlxtend</li></ul><p><strong>Veri Görselleştirme</strong></p><ul><li>Power BI</li></ul><p><strong>Versiyon Kontrol</strong></p><ul><li>Git</li><li>GitHub</li></ul><h3>Sonuç</h3><p>Bu projede amaç yalnızca Python ile veri analizi yapmak veya Power BI dashboard’ı geliştirmek değildi.</p><p>Asıl hedef, ham işlem verilerini iş kararlarını destekleyen analitik çıktılara dönüştürmekti.</p><p>RFM analizi ile müşteri segmentasyonu gerçekleştirildi.</p><p>CLTV hesaplamaları ile müşterilerin ekonomik değeri belirlendi.</p><p>BG/NBD ve Gamma-Gamma modelleri kullanılarak gelecekteki sipariş ve gelir tahminleri oluşturuldu.</p><p>Apriori algoritması sayesinde Cross-Sell önerileri geliştirildi.</p><p>Son olarak tüm analizler Power BI üzerinde etkileşimli bir CRM Karar Destek Sistemi olarak sunuldu.</p><p>Bu proje, veri bilimi ile iş zekâsını bir araya getirerek gerçek bir e-ticaret senaryosunda verinin stratejik karar mekanizmalarına nasıl dönüştürülebileceğini gösteren uçtan uca bir uygulama örneğidir.</p><h3>Kaynak Kodlar</h3><p>Projede kullanılan Python kodları, Power BI raporu, veri işleme süreçleri ve tüm proje dosyalarına GitHub üzerinden ulaşabilirsiniz.</p><p><strong>GitHub Projesi</strong></p><p><a href="https://github.com/ErdiiKUS/CRM-Tahminleme-Panosu"><strong>https://github.com/ErdiiKUS/CRM-Tahminleme-Panosu</strong></a></p><p>Projeyi inceleyebilir, kendi bilgisayarınıza indirerek farklı veri setleri üzerinde çalıştırabilir, geliştirebilir veya kendi projelerinizde referans olarak kullanabilirsiniz.</p><p>Her türlü geri bildirim, öneri ve katkıya açığım. Eğer projeyi faydalı bulduysanız GitHub deposuna ⭐ vermeniz ve görüşlerinizi paylaşmanız beni memnun eder.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c20657bb7b7a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>