<?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 SeydaOztop on Medium]]></title>
        <description><![CDATA[Stories by SeydaOztop on Medium]]></description>
        <link>https://medium.com/@oztopseyda?source=rss-72e2b09b5cbb------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*ZufucZN895kePysgH_Sewg.png</url>
            <title>Stories by SeydaOztop on Medium</title>
            <link>https://medium.com/@oztopseyda?source=rss-72e2b09b5cbb------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 19:15:54 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@oztopseyda/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[Databricks nedir? Teknik olmayanlar için genel bakış]]></title>
            <link>https://medium.com/@oztopseyda/databricks-nedir-teknik-olmayanlar-i%C3%A7in-genel-bak%C4%B1%C5%9F-38315ddc8693?source=rss-72e2b09b5cbb------2</link>
            <guid isPermaLink="false">https://medium.com/p/38315ddc8693</guid>
            <dc:creator><![CDATA[SeydaOztop]]></dc:creator>
            <pubDate>Wed, 09 Sep 2026 06:02:01 GMT</pubDate>
            <atom:updated>2026-09-09T06:02:01.267Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*-aIxa9AIXdTBRJjoSR2uBg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rTZrCoECi_cC0gzjrxjO8g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6uiUgcmcIuxuBXxkQFDMDQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KGAKFpjtpb77GIMsWxipqw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HB3im6IghlGTM9twICkKlw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IQAt8MHTuhoSPrCgau5rzw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AI667TlT3O2pIGXLMmubwA.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=38315ddc8693" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Klasik İstatistikten Dev Dil Modellerine: Soru-Cevap Sistemlerinden Akıllı Chatbotlara Yolculuk]]></title>
            <link>https://medium.com/@oztopseyda/klasik-i%CC%87statistikten-dev-dil-modellerine-soru-cevap-sistemlerinden-ak%C4%B1ll%C4%B1-chatbotlara-yolculuk-aa711e407887?source=rss-72e2b09b5cbb------2</link>
            <guid isPermaLink="false">https://medium.com/p/aa711e407887</guid>
            <dc:creator><![CDATA[SeydaOztop]]></dc:creator>
            <pubDate>Sun, 11 Jan 2026 17:48:30 GMT</pubDate>
            <atom:updated>2026-01-11T17:50:59.943Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/891/1*l7a-ijGwE-5Z8swUl_fp4g.png" /></figure><p>Dijital dünyada verinin %80&#39;inden fazlasının yapılandırılmamış metinlerden oluştuğu bir dönemdeyiz. Peki, bilgisayarlar bizim konuştuğumuz dili nasıl anlıyor? Bu yazımda, temel NLP kavramlarından başlayarak metinlerin nasıl makine diline dönüştürüldüğüne dair aldığım eğitimlerden kritik durakları ve Python uygulamalarını paylaşacağım.</p><h3>1. Temeller: NLP Nedir ve Neden Önemli?</h3><p>Doğal Dil İşleme (NLP), insan dili ile bilgisayarlar arasındaki etkileşimi konu alan bir disiplindir. Yolculuğumuza NLP’nin temel görevlerini (duygu analizi, metin sınıflandırma, çeviri vb.) ve bir NLP projesinin akış şemasını anlayarak başladık. Başarılı bir modelin sırrı, veriyi doğru anlamaktan geçiyor.</p><h3>2. Metin Ön İşleme (Text Preprocessing): Veriyi Temizleme Sanatı</h3><p>Ham metin verisi gürültülüdür. Modellerin daha iyi performans göstermesi için şu adımlar uygulanır:</p><ul><li><strong>Veri Temizleme:</strong> Noktalama işaretleri, sayılar ve gereksiz karakterlerin ayıklanması.</li><li><strong>Tokenizasyon:</strong> Metni kelime veya cümle birimlerine ayırma.</li><li><strong>Kök ve Gövde Analizi (Stemming &amp; Lemmatization):</strong> Kelimeleri eklerinden arındırarak köklerine inme.</li><li><strong>Durdurma Kelimeleri (Stop Words):</strong> “ve”, “ile”, “ama” gibi anlam taşımayan kelimelerin temizlenmesi.</li></ul><h3>3. Metin Temsili (Text Representation): Kelimeleri Sayılara Dökmek</h3><p>Bilgisayarlar kelimeleri değil, sayıları işler. Bu aşamada metinleri vektörlere dönüştürmek için kullandığımız yöntemleri inceleyelim:</p><h3>Geleneksel Yöntemler (İstatistiksel)</h3><ul><li><strong>Bag of Words (BoW):</strong> Kelimelerin metindeki frekansına odaklanan basit ama etkili bir yöntem.</li><li><strong>TF-IDF:</strong> Bir kelimenin doküman içindeki önemini, tüm külliyat içindeki nadirliğiyle dengeleyen matematiksel bir yaklaşım.</li><li><strong>N-Gram Modelleri:</strong> Kelimeleri tek tek değil, ikili (bigram) veya üçlü (trigram) gruplar halinde analiz ederek bağlamı koruma çabası.</li></ul><h3>Modern Yöntemler (Deep Learning)</h3><ul><li><strong>Word Embeddings (Word2Vec):</strong> Kelimeler arasındaki anlamsal ilişkileri (örneğin: Kral — Erkek + Kadın = Kraliçe) yakalayan yoğun vektör uzayları.</li><li><strong>Transformers Tabanlı Modeller:</strong> Günümüzün popüler teknolojisi (BERT, GPT gibi) olan, metindeki bağlamı “dikkat” (attention) mekanizmasıyla en iyi şekilde temsil eden yapılar.</li></ul><p>Doğal Dil İşleme, sadece metinleri parçalamak değil, onlara bir anlam yükleme sanatıdır. Temel ön işleme adımlarından Transformers gibi devrimsel modellere kadar uzanan bu süreç, yapay zekanın en heyecan verici alanlarından biri.</p><h3>4. Olasılıksal Dil Modelleri: Kelimelerin Tahmin Gücü</h3><p>Metin işlemede bir sonraki adımın ne olacağını tahmin etmek için istatistiksel yaklaşımlardan yararlanmak gerekir. Bu bölümde kullanılan temel modeller şunlardır:</p><ul><li><strong>N-Gram Modelleri:</strong> Bir kelimenin ortaya çıkma olasılığını, kendinden önceki $n-1$ kelimeye bağlı olarak hesaplamak ve metin içindeki kelime dizilerini olasılıksal olarak tahmin etmek.</li><li><strong>Hidden Markov Models (HMM):</strong> Gözlemlenen kelimelerden yola çıkarak, doğrudan görülmeyen “gizli” durumları (örneğin kelimenin türü/POS tag) olasılık hesaplarıyla belirlemek.</li><li><strong>Maximum Entropy Models:</strong> Verili kısıtlamalar altında en az varsayımı yaparak, verideki özelliklere göre en esnek olasılık dağılımını oluşturmak ve sınıflandırma problemlerini çözmek.</li></ul><h3>5. Derin Öğrenme ile NLP’de Yeni Bir Dönem</h3><p>Geleneksel yöntemlerin yetersiz kaldığı “uzun süreli bağımlılıklar” ve bağlamı kaybetme sorunlarını derin öğrenme mimarileriyle aşmak mümkündür.</p><ul><li><strong>RNN ve LSTM:</strong> Metin gibi sıralı verilerde, geçmişteki bilgiyi “hücre belleği” sayesinde uzun süre saklamak ve kelimeler arasındaki uzak mesafeli ilişkileri korumak.</li><li><strong>Word Embeddings (Kelime Gömme):</strong> Kelimeleri sadece birer sayı olarak değil, anlamsal benzerliklerine göre çok boyutlu bir vektör uzayında temsil ederek bilgisayarın kavramsal ilişkileri anlamasını sağlamak.</li><li><strong>Transformers Devrimi:</strong> “Dikkat” (Attention) mekanizmasını kullanarak metnin her bir parçasının birbiriyle olan ilişkisini aynı anda (paralel) işlemek ve çok daha derin bir bağlam analizi yapmak.</li><li><strong>LLM (Büyük Dil Modelleri) Dünyası:</strong> GPT ve LLAMA gibi devasa parametreli modeller aracılığıyla, insan benzeri metinler üretmek, karmaşık akıl yürütme görevlerini yerine getirmek ve diller arası ileri seviye transfer öğrenme gerçekleştirmek.</li></ul><h3>6. Temel NLP Görevleri: Teoriden Pratiğe</h3><p>Karmaşık modelleri somut görevlerde kullanmak:</p><ul><li><strong>Metin Sınıflandırma (Text Classification):</strong> Bir metnin hangi kategoriye ait olduğunu belirleme.</li><li><strong>Varlık İsmi Tanıma (NER):</strong> Metindeki kişi, kurum ve yer adlarını otomatik olarak tespit etme.</li><li><strong>Morfolojik Analiz:</strong> Kelimelerin yapısal ve dilbilgisel incelemesini yapma.</li><li><strong>Metin Parçası Etiketleme (POS Tagging):</strong> İsim, fiil, sıfat gibi öğeleri ayrıştırma.</li><li><strong>Kelime Anlamı Belirsizliği Giderme:</strong> “Yüz” kelimesinin sayı mı, organ mı yoksa fiil mi olduğunu bağlamdan çıkarma.</li><li><strong>Duygu Analizi (Sentiment Analysis):</strong> Python ile kullanıcı yorumlarından duygu durumunu (olumlu/olumsuz) analiz etme.</li></ul><h3>7. Makineler Sorularımıza Yanıt Veriyor: Question Answering (Soru-Cevap)</h3><p>Bir metni analiz edip içinden doğrudan doğru cevabı bulup çıkarmak (Extractive QA) için kullanılan yöntemler şunlardır:</p><ul><li><strong>BERT ile Soru-Cevap:</strong> Google’ın geliştirdiği BERT mimarisi aracılığıyla, kendisine verilen uzun bir paragrafı anlamlandırarak spesifik sorulara metin içerisinden kesin yanıtlar bulmak.</li><li><strong>GPT’nin Gücü:</strong> Üretken yapay zeka (Generative AI) yeteneklerinden faydalanarak, sadece metinden parça seçmekle kalmayıp bağlamı koruyarak doğal ve özgün yanıtlar üretmek.</li></ul><h3>7.1. Bilgi Getirimi ve Öneri Sistemleri</h3><p>Büyük veri yığınları içerisinde manuel arama yapmak yerine, hedeflenen bilgiye hızla ulaşmak ve kişiselleştirilmiş bir deneyim oluşturmak için şu teknikler kullanılır:</p><ul><li><strong>Information Retrieval (Bilgi Getirimi):</strong> BERT gibi gelişmiş modelleri kullanarak devasa döküman koleksiyonları içinde anlamsal olarak en alakalı içeriği tespit etmek ve getirmek.</li><li><strong>Akıllı Öneri Sistemleri:</strong> Kullanıcının geçmiş tercihlerini analiz ederek, Makine Öğrenmesi ve Derin Öğrenme yöntemleriyle kişiye özel metin tabanlı öneriler sunmak.</li></ul><h3>7.2. Dil Bariyerlerini Aşmak ve İçeriği Yoğunlaştırmak</h3><p>Modern NLP’nin günlük hayatta en sık karşımıza çıkan iki temel kullanım alanı şunlardır:</p><ul><li><strong>Makine Çevirisi (Machine Translation):</strong> Transformers mimarisinden yararlanarak, bir dildeki ifadeyi anlam ve dilbilgisi kaybı yaşamadan yüksek doğrulukla başka bir dile dönüştürmek.</li><li><strong>Metin Özetleme (Text Summarization):</strong> Uzun makale veya dökümanları, ana fikri ve kritik bilgileri bozmadan daha kısa ve öz metinler haline getirmek.</li></ul><h3>7.3. Final: Akıllı Chatbot Geliştirme</h3><p>Tüm NLP süreçlerinin nihai birleşme noktası olan bu aşama şu amaca hizmet eder:</p><ul><li><strong>Doğal Dil Anlama:</strong> Sadece önceden belirlenmiş kurallara bağlı kalmadan, kullanıcının gerçek niyetini (intent) anlamak ve tıpkı bir insan gibi doğal dilde yanıt veren akıllı asistanlar kurgulamak.</li></ul><h3>Sonuç: Dilin ve Yapay Zekanın Geleceği</h3><p>Doğal Dil İşleme dünyasındaki bu hızlı dönüşüm, makinelerin dili sadece “işlemesi” değil, onu derinlemesine “anlamlandırması” yolunda dev bir adımdır. İstatistiksel olasılıklardan Transformers mimarisine uzanan bu evrim; sadece chatbotlar üretmekle sınırlı kalmayıp, bilginin analiz edilme şeklini kökten değiştirmektedir. Gelecekte bu modellerin daha az veriyle daha yüksek muhakeme yeteneğine kavuşması ve çok dilli sistemlerin kültürel bağlamları bile kavrayabilmesi, yapay zekanın hayatımızın her alanında çok daha etkin bir rol oynamasını sağlayacaktır. Dil bariyerlerinin tamamen ortadan kalktığı ve insan-bilgisayar etkileşiminin tamamen doğal bir akışa büründüğü bir döneme doğru hızla ilerliyoruz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=aa711e407887" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sepet Birliktelik Analizi nedir?]]></title>
            <link>https://medium.com/@oztopseyda/sepet-birliktelik-analizi-nedir-f96eeb8211d7?source=rss-72e2b09b5cbb------2</link>
            <guid isPermaLink="false">https://medium.com/p/f96eeb8211d7</guid>
            <dc:creator><![CDATA[SeydaOztop]]></dc:creator>
            <pubDate>Sun, 02 Mar 2025 16:58:12 GMT</pubDate>
            <atom:updated>2025-03-02T16:58:12.070Z</atom:updated>
            <content:encoded><![CDATA[<h3>Sepet Birliktelik Analizi (Market Basket Analysis) ile Çapraz Satış Nasıl Geliştirilir?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/654/1*o_IO5MhU7oIZPkNRKexYqQ.png" /><figcaption>Görsel 1. Sepet Birliktelik Analizi</figcaption></figure><p><strong>E-ticaret veya perakende</strong> sektöründe faaliyet gösteriyorsanız, müşterilerinizin hangi ürünleri birlikte satın aldığını anlamak, <strong>çapraz satış (cross-selling)</strong> stratejinizi güçlendirmek için oldukça etkilidir. Bu noktada devreye giren <strong>Sepet Birliktelik Analizi (Market Basket Analysis)</strong>, müşterilerin aynı sepet içerisinde birlikte alma eğiliminde olduğu ürünleri istatistiksel olarak tespit eder. Bu analiz, satışları artırmak ve müşteri memnuniyetini yükseltmek için harika bir fırsat sunar.</p><h3>1. Sepet Birliktelik Analizi Nedir?</h3><p>Sepet birliktelik analizi, temel olarak müşterilerin <strong>“birlikte satın alma”</strong> davranışlarını inceler. Örneğin bir müşteri, marketten <strong>“süt”</strong> ve <strong>“mısır gevreği”</strong> gibi ürünleri aynı anda sepete atıyorsa, bu iki ürün arasında güçlü bir ilişki (birliktelik) olduğu söylenebilir. Bu ilişkiyi keşfeden perakendeciler, raf düzenlemesinden, kampanya tasarımına kadar pek çok alanda bu bilgiyi kullanır.</p><p>Bu analizde en çok kullanılan metotlardan biri <strong>Apriori</strong> algoritmasıdır. Apriori, belirli bir <strong>destek (support)</strong> eşiğini geçen ürün gruplarını (örneğin, iki veya daha fazla ürünün aynı anda satın alınma sıklığını) belirler ve bu gruplar arasındaki <strong>güven (confidence)</strong> ve <strong>kaldırma (lift)</strong> gibi metrikleri hesaplar.</p><ul><li><strong>Destek (support):</strong> İki veya daha fazla ürünün birlikte sepete girme oranıdır.</li><li><strong>Güven (confidence):</strong> Bir ürünü alan müşterilerin, diğer ürünü de alma olasılığıdır.</li><li><strong>Kaldırma (lift):</strong> İki ürünün birlikte alınma ihtimalinin, birbirlerinden bağımsız alınma ihtimaline kıyasla ne kadar yüksek olduğunu gösterir.</li></ul><p><em>Apriori Algoritmasının adı, bilgiler bir önceki adımdan kayıtlı için “önceki” anlamında Apriori’dir (Agrawal ve Srikant, 1994). Bu ücretsiz yinelemeli (tekrarlayan) bir niteliğe sahiptir (Han ve Kamber, 2006) ve hareket bilgilerini içeren veritabanlarında sık geçen öğe kümelerinin keşfedilmesinde kullanılır.</em></p><h3>2. Çapraz Satış (Cross-Selling) Nedir?</h3><p><strong>Çapraz satış</strong>, müşterinin halihazırda satın almayı planladığı bir ürünün yanına, tamamlayıcı veya ilgili başka bir ürünü önermektir. E-ticaret sitelerinde sıkça gördüğümüz <strong>“Bu ürünü alan müşteriler şunları da aldı”</strong> önerileri tam olarak çapraz satış stratejisinin ürünüdür. Örneğin:</p><ul><li>Bir telefon satın alan müşteriye kulaklık veya telefon kılıfı önerilmesi.</li><li>Spor ayakkabı alan birine, spor çorap veya su matarası gösterilmesi.</li><li>Kitap alışverişi yapan birine, aynı yazarın başka bir kitabı veya benzer türdeki kitapların önerilmesi.</li></ul><h3>3. Sepet Birliktelik Analizi ile Çapraz Satış Stratejisini Güçlendirmek</h3><ol><li><strong>Ürün İlişkilerini Keşfedin:</strong><br>Apriori gibi algoritmalarla hangi ürünlerin birlikte alınma olasılığının yüksek olduğunu tespit edin. Örneğin, “Kitap A” ve “Kitap B” birlikte sıkça satın alınıyorsa, ürün sayfasında bu bilgiyi kullanabilirsiniz.</li><li><strong>Öneri Motorları Oluşturun:</strong><br>E-ticaret sitenizde, müşterinin sepetine eklediği bir ürüne göre otomatik öneriler sunan bir sistem kurun. Bu öneriler, sepet birliktelik analizi verilerine dayandığında oldukça isabetli olacaktır.</li><li><strong>Kampanyalar Tasarlayın:</strong><br>Birlikte sık alınan ürünler için paket kampanyaları veya indirimli setler oluşturabilirsiniz. Müşteriler bu tarz paketleri genellikle <strong>“fiyat avantajı”</strong> ve <strong>“zaman tasarrufu”</strong> nedeniyle tercih eder.</li><li><strong>Mağaza Düzeni ve Raf Planlaması:</strong><br>Fiziksel mağazalarda da sepet birliktelik analizi işe yarar. Marketlerde süt ürünlerinin yakınında mısır gevreği veya kuruyemişlerin yanında atıştırmalıkların yerleştirilmesi gibi örnekleri mutlaka görmüşsünüzdür.</li><li><strong>Müşteri Segmentasyonu ve Kişiselleştirme:</strong><br>Birliktelik analizi sonucunda belirli müşteri segmentlerinin <strong>hangi ürün gruplarını</strong> birlikte alma eğiliminde olduğu ortaya çıkabilir. Böylece kampanyalarınızı veya e-posta pazarlama içeriklerinizi segmentlere özel hale getirebilirsiniz.</li></ol><h3>4. Sepet Birliktelik Analizi ile Elde Edebileceğiniz Faydalar</h3><ul><li><strong>Satış Artışı:</strong> Çapraz satış önerileri, müşterilerin sepet ortalamasını artırır. Müşteri zaten bir ürünü satın alıyorsa, tamamlayıcı bir ürünü almak da mantıklı gelebilir.</li><li><strong>Müşteri Memnuniyeti:</strong> Müşteri, “bunu da alabilirim” diyebileceği seçenekler sunulduğunda alışveriş deneyimi kolaylaşır. İhtiyaç duyduğu ama belki de farkında olmadığı bir ürünü keşfetmiş olur.</li><li><strong>Envanter Yönetimi:</strong> Hangi ürünlerin sık birlikte satıldığını bildiğinizde, stok planlamanızı daha doğru yapabilirsiniz. Özellikle mevsimsel veya dönemsel kampanyalarda sürpriz stok sıkıntılarının önüne geçersiniz.</li><li><strong>Veri Odaklı Kararlar:</strong> Elde ettiğiniz veriler, gelecekteki iş kararlarınız için rehber niteliğindedir. Hangi ürünler popüler, hangileri daha fazla ilgi çekiyor, hangi ürünler birlikte satıldığında en yüksek kâr marjına ulaşılıyor vb.</li></ul><h3>5. Uygulamada Dikkat Edilmesi Gerekenler</h3><ol><li><strong>Veri Kalitesi:</strong><br>Sepet birliktelik analizi, satış verilerine dayanır. Eksik veya hatalı veriler, yanıltıcı sonuçlar doğurabilir. Bu nedenle veri temizliği ve ön işleme aşamaları (örneğin hatalı fatura kayıtlarını temizleme, null değerleri ayıklama vb.) çok önemlidir.</li><li><strong>Doğru Metrik Seçimi:</strong><br>Her iş modeli için aynı metrik ön planda olmayabilir. Bazı sektörlerde <strong>destek (support)</strong> değeri önemliyken, bazılarında <strong>kaldırma (lift)</strong> daha kritik olabilir.</li><li><strong>Aşırı Öneriden Kaçınma:</strong><br>Müşteriye çok fazla öneri sunmak, kafa karışıklığı yaratabilir. Doğru sayıda, uygun ürün önerisi sunmak her zaman daha etkilidir.</li><li><strong>Düzenli Güncelleme:</strong><br>Müşteri davranışları zamanla değişebilir. Bu yüzden analizlerinizi belirli periyotlarla güncelleyerek yeni trendleri yakalamaya çalışın.</li></ol><h3>Sonuç</h3><p><strong>Sepet Birliktelik Analizi</strong>, çapraz satış stratejisini güçlendirmek için oldukça etkili ve veriye dayalı bir yöntemdir. Doğru veri toplama, uygun veri temizliği ve iyi seçilmiş metriklerle, müşterilerinize <strong>“tam da ihtiyacınız olan ürün bu!”</strong> diyebileceğiniz öneriler sunabilirsiniz. Bu sayede hem satışlarınızı hem de müşteri memnuniyetini artırabilirsiniz.</p><p>Unutmayın: Müşteriler, kendilerine değer katacak önerileri memnuniyetle karşılar. Analizleriniz ne kadar isabetli olursa, müşterileriniz de o kadar mutlu olur; markanıza bağlılığı artar. <strong>Veri odaklı bir yaklaşımla</strong> sepet birliktelik analizini entegre ettiğinizde, çapraz satışın gerçek potansiyelini keşfedeceksiniz.</p><h3><strong>2.PROJE AŞAMALARI</strong></h3><p><strong>2.1. PROBLEMİN TANIMI</strong></p><p>Bir e-ticaret sitesinde <strong>“Sepet Birliktelik Analizi (Market Basket Analysis)”</strong> uygulanarak bir perakende verisetinde ürünler arasındaki ilişkileri ve müşterilerin birlikte satın alma davranışlarını ortaya çıkartarak satışlar artırılmak istenmiştir.</p><p>Verisetinde bulunan değişkenler aşağıdaki gibidir;</p><ul><li><strong>InvoiceNo:</strong> Fatura numarası (Nominal, her işleme özel olarak atanan 6 haneli tam sayıdır. “c” ile başlayan işlemler iptalleri ifade eder.</li><li><strong>StockCode:</strong> Ürün (ürün) kodu (Nominal, her farklı ürüne benzersiz şekilde atanan 5 haneli tam sayıdır.)</li><li><strong>Description:</strong> Ürün (öğe) adı (Nominal)</li><li><strong>Quantity:</strong> Her bir ürünün (öğenin) işlem başına miktarı (Sayısal)</li><li><strong>InvoiceDate:</strong> Fatura Tarihi ve saati (Sayısal, her işlemin oluşturulduğu gün ve saat.)</li><li><strong>UnitPrice:</strong> Birim fiyatı (Sayısal, Sterlin cinsinden birim başına ürün fiyatı)</li><li><strong>CustomerID:</strong> Müşteri numarası (Nominal, her müşteriye özel olarak atanan 5 haneli tam sayıdır.)</li><li><strong>Country:</strong> Ülke adı (Nominal, her müşterinin ikamet ettiği ülkenin adı)</li><li>Dolayısıyla, bu tabloyla genellikle müşterilerin hangi ürünleri aynı sipariş içerisinde aldığını ölçmeyi hedeflemiştir. Bu veri, kampanyalarda kullanıcı kırılımlı olarak hangi ürünlerin birlikte kullanılması gerektiğini anlamak için kullanılır.</li></ul><p><strong>2.2. KEŞİFSEL VERİ ANALİZİ</strong></p><p>Gerekli kütüphaneler import edilmiş, veriseti okutulmuştur. Öncelikle kullanılacak kütüphaneler ve pd.read_excel metodu yardımıyla KOntrol ve Test verisetlerini okuturuz.Burada kullanılan “head” kod çıktısının ilk 5 satırını getirir. “Tail” metodu da head metodunun tersi olarak kod çıktısının son 5 satırını getirmektedir. Veri ile ilgili genel istatistiksel işlemleri yapmak için pandas, sepet birliktelik kuralları için de apriori ve association rules kütüphanelerini kullanırız.Kodu “Tablo 1 : Kütüphanelerin Yüklenmesive Verisetinin Okutulması” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/929/1*UWwBEJln1NBqtwAjW0a_ag.png" /><figcaption>Tablo 1. Kütüphanelerin Yüklenmesi ve Verisetinin Okutulması</figcaption></figure><p>“shape” fonksiyonu veriseti boyutlarını incelemek amacıyla kullanılır. Aşağıda kod ve çıktısını “Tablo 2: Boyut İncelemesi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/918/1*K5mj52oMPyNWsgE52Oj3nw.png" /><figcaption>Tablo 2. Boyut İncelemesi</figcaption></figure><p>Verisetinin sütun isimleri ve sütun veri tipini görmek için kod ve çıktısını “Tablo 3: Sütun İncelemesi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/922/1*x5eerBovjCH1roTfu50adw.png" /><figcaption>Tablo 3. Sütun İncelemesi</figcaption></figure><p>“isnull()” metodu ile eksik verileri sütun bazında incelemeyi sağlar. Eksik veri varsa bu satırları verisetinden çıkarmamız gerekecektir. Kod ve çıktısını “Tablo 4 : Eksik Veri Analizi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*1RpgUVH_2Paa5P9q1QbWtw.png" /><figcaption>Tablo 4. Eksik Veri Analizi</figcaption></figure><p>Doğruluk ve güvenilirlik açısından yanıltıcı olmaması açısından eksik verileri elememiz gerekir. df.dropna() metodu eksik verileri verisetinden çıkarmamızı sağlar. Verisetimizdeki kalabalıklığı gidermek amacıyla bu işlemi yapmak doğru bir yaklaşımdır. Kod ve çıktısını “Tablo 5 : Eksik Verileri Eleme” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/922/1*CSfJmtkEXkZ8srUEMSGrMQ.png" /><figcaption>Tablo 5. Eksik Verileri Eleme</figcaption></figure><p>“value_counts()” metodu ile ürünlerin verisetinde kaç kez yer aldığını görebiliriz. Kod ve çıktısını “Tablo 6: Ürün Veriseti Satır Adetleri” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/922/1*TITRkKFybqOt_ME2EdD9dg.png" /><figcaption>Tablo 6. Ürün Veriseti Satır Adetleri</figcaption></figure><p>“nunique()” metodu ile verisetinde bir sütun içerisinde eşsiz değer sayısını görebiliriz. Kod ve çıktısını “Tablo 7: Eşsiz Ürün Sayısı” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*q1Gotnbtuu5MPkMEgHGOvw.png" /><figcaption>Tablo 7. Eşsiz Ürün Sayısı</figcaption></figure><p>Her ülke için ne kadar veri olduğunu value_counts() metodu ile inceleyelim. Kod ve çıktısını “Tablo 8: Ülke Veri Adetleri” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/897/1*D3OtJ4F-kyFPL3EIdkdlhA.png" /><figcaption>Tablo 8. Ülke Veri Adetleri</figcaption></figure><p>“sum()” metodu ile verisetinde kullanıldığı sütuna göre değerler toplamını verir. sort_values() metodu da sıralama yapmayı sağlar. Bu metodlar yardımıyla en çok satılan ürünleri inceleyebiliriz. Kod ve çıktısını “Tablo 9: Ürün Sipariş Adetleri” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*4flj_i2Jo3i2fo1-2539tw.png" /><figcaption>Tablo 9. Ürün Sipariş Adetleri</figcaption></figure><p>Sağlıklı veri elde etmek açısından iptal edilen siparişleri silmek gerekir. Faturalardaki ‘C’ iptal edilen işlemleri göstermektedir. Kodu “Tablo 10: İptal Edilen Siparişleri Eleme” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*JfCnBOTtWhHMMPf--VSU5w.png" /><figcaption>Tablo 10. İptal Edilen Siparişleri Eleme</figcaption></figure><p>İçeride varsa satır fazlalığı yaratmaması açısından 0 adetten ve fiyattan fazla satılan ürünleri almamız gerekir. Kodu “Tablo 11: Adet ve Fiyat Olarak 0&#39;dan Büyük Değerleri Filtreleme” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/920/1*kdbB0ZGHIA8awt5tbbx0lw.png" /><figcaption>Tablo 11. Adet ve Fiyat Olarak 0&#39;dan Büyük Değerleri Filtreleme</figcaption></figure><p>DataFrame’deki tüm sütunlar arasında, veri tipi (dtype) “O” (object) olmayan sütunlar seçilerek <strong>sayısal sütunlar</strong> (numeric columns) listesi oluşturulur. Kodu “Tablo 12: Sayısal Sütunlar” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*EiYc93KTO2Mgy4wsY-1QQg.png" /><figcaption>Tablo 12. Sayısal Sütunlar</figcaption></figure><p>Yanlış yoruma sebebiyet vermemesi için sayısal sütunlardaki aykırı değerler (outlier), Interquartile Range (IQR) yöntemiyle alt ve üst eşiklerle sınırlandırılır. Sütun değeri alt eşikten küçükse, o değeri alt eşikle (low_limit) değiştirir. Sütun değeri <strong>ü</strong>st eşikten büyükse, o değeri üst eşikle (up_limit) değiştirir. Böylece aşırı düşük veya aşırı yüksek değerler makul bir aralığa çekilir. Kod ve çıktısını “Tablo 13: Aykırı Değer Analizi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*4t7rioK-x6wXmG5RFohYXg.png" /><figcaption>Tablo 13. Aykırı Değer Analizi</figcaption></figure><p>Elimizdeki ölçüm ihtiyacı olan şeyleri ölçmek için öncelikle bunları matematiksel forma dönüştürmek gerekir. Verinin gelmesini istediğimiz durum: Bizim istediğimiz formda faturalara sepet muamelesi yapıyoruz. Elde etmek istediğimiz sonuç: Sütunlara bütün olası ürünleri koyup, bir sepette bu ürünlerden varsa 1 yoksa 0 yazdıracağız. Germany müşterileri üzerinden birliktelik kuralları üretelim. Kodu “Tablo 14: Germany Ülkesi Filtreleme” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*tmy2ZmqT25fbVATeFnTkvA.png" /><figcaption>Tablo 14. Germany Ülkesi Filtreleme</figcaption></figure><p>groupby([&quot;Invoice&quot;, &quot;Description&quot;])Veri setini, her bir fatura (Invoice) ve ürün tanımı (Description) kombinasyonuna göre gruplar. Yani aynı faturadaki aynı ürüne ait kayıtlar tek bir grupta toplanır..agg({&quot;Quantity&quot;: &quot;sum&quot;})Gruplanmış verilerde Quantity sütunu için toplama (sum) işlemi yapılır. Örneğin, aynı faturada aynı üründen birden fazla satır varsa, bunların Quantity değerleri toplanır. Yani birleştirildiğinde hangi siparişte üründen kaç adet satıldığını verir. Kod ve çıktısını “Tablo 15: Siparişe Göre Toplam Ürün Satışları” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*lWHRQuF6zq9ZVQWO0eevmw.png" /><figcaption>Tablo 15. Siparişe Göre Toplam Ürün Satışları</figcaption></figure><p>unstack() metodu; hiyerarşik (çok seviyeli) indeksin son seviyesini sütunlara taşır. Yani, description değerleri sütun başlıkları haline gelir. Kod ve çıktısını “Tablo 16: Satırları Sütun Yapma” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*uqJmNT-7PONOHlJ3BVU8bg.png" /><figcaption>Tablo 16. Satırları Sütun Yapma</figcaption></figure><p>StockCode Post olan ürünleri eleyeceğiz. Önce bu ürünleri inceleyelim. Kod ve çıktısını “Tablo 17: Stock Code’u POST Olan Ürünler” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*KGIOGtwlO8a7Eq6itdtbtQ.png" /><figcaption>Tablo 17. Stock Code’u POST Olan Ürünler</figcaption></figure><p>StockCode Post olan ürünleri eleyelim ve içeride veri kalmış mı kontrol edelim. Kod ve çıktısını “Tablo 18: Stock Code’u POST Olan Ürünleri Eleme” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/924/1*6mc7NBj0vAEiwUbjDwY5Aw.png" /><figcaption>Tablo 18. Stock Code’u POST Olan Ürünleri Eleme</figcaption></figure><p>Hangi faturada hangi ürünlerin birlikte alındığını 1–0 şeklinde temsil etmek için pivot şekline çevirerek sayıları yazdıralım. Kod ve çıktısını “Tablo 19: Ürün Sipariş Eşleşmesi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/919/1*W1PRJ9PbayoN9lv2v2vn1A.png" /><figcaption>Tablo 19. Ürün Sipariş Eşleşmesi</figcaption></figure><p>association_rules kütüphanesi yardımı ile birliktelik analizini oluşturalım. Kod ve çıktısını “Tablo 20: Birliktelik Analizinin Oluşturulması” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*rEME_OC27oWu2vYFJQr9xQ.png" /><figcaption>Tablo 20. Birliktelik Analizinin Oluşturulması</figcaption></figure><p>En çok hangilerinin birlikte satıldığını görmek için lift sütununa göre büyükten küçüğe sıralama yapmamız gerekir. Kod ve çıktısını “Tablo 21: En Çok Birlikte Satılanlar” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/922/1*ORoyGw9C5kmbbhCY6N32DA.png" /><figcaption>Tablo 21. En Çok Birlikte Satılanlar</figcaption></figure><p>Birliktelik analiziyle oluşturduğumuz sütunların anlamları aşağıdaki gibidir;</p><p>antecedent : X</p><p>consequent : Y</p><p>antecedent support: Tek başına X olasılığı</p><p>consequent support: Tek başına Y olasılığı</p><p>support: İkisinin birlikte görülme olasılığı</p><p>confidence: X alındığında Y alınma olasılığı.</p><p>lift: X alındığında Y alınma olasılığı .. kat artar.</p><p>conviction: Y olmadan X’in beklenen frekansı</p><p>leverage : Kaldıraç demek lift’e benzer. Lift kullanılır. Çünkü leverage supportu yüksek değerlere öncelik verme eğilimi vardır.</p><p>Eticarette ürün çiftlerinde çok sık iki ürün birlikte alındığında diğerini önermek mantıklı olacaktır.</p><p>Burada daha güvenli diye düşünülebilecek confidence’ a odaklanılabilir. Ama aslında bu metriklerin kesişimi kullanılır.</p><p>Örneğin support’u A dan büyük lift’i B’den büyük olanları filtrele gibi her birinden bir çiftte yakalanabilir. Kullanıcı online olup sepetine bir ürün eklediğinde bizim o ürünün id sini alıp support, confidence ve lift değerlerine göre ona tavsiye edilecek ürün/ürünleri bulup karşısına getirmemiz lazım. Kod ve çıktısını “Tablo 22: Ürün Koduna Göre Müşteriye Önerilebilecek Diğer Ürünler” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/1*u_Niwhsu-NYUJ5yx6VLMng.png" /><figcaption>Tablo 22. Ürün Koduna Göre Müşteriye Önerilebilecek Diğer Ürünler</figcaption></figure><p><strong>NOTLAR:</strong> Apriori algoritmasının varsayılan destek değeri %10, güven değeri ise %80&#39;dir ve parametre değeri verilmediği takdirde kurallar bu değerlerle oluşturulacaktır.</p><p>Basket analizinde, müşterilerin birlikte satın aldıkları ürünler arasındaki ilişkileri ve trendleri belirlemek amacıyla yapıldı .Bu bağlamda müşteri alışveriş alışkanlıklarını anlamak ve bu bilgileri pazarlama stratejilerini ve stok yönetimini optimize etmek için kullanılabilir.</p><p>Birliktelik analizinde , özellikle pazarlama ve satış stratejilerini belirlemek, ürün yerleşimini optimize etmek, öneri sistemleri geliştirmek ve çapraz satış fırsatlarını belirlemek için kullanılır.</p><p>Bu ürünleri markette raf dizilimi açısından yan yana koymak bir alternatif olabilecekken, birbirlerinden uzak farklı koridorlara koymak da diğer ürünlerin de satın alma etkisini arttırabilcektir. Müşteriyi tanımak, sosyo — ekonomik şartlarının bilgisi , farklı ülkelerdeki yeme-içme kültürü farklı aksiyonlar alınmasında daha doğru bir yol olacaktır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f96eeb8211d7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile A/B Testi]]></title>
            <link>https://medium.com/@oztopseyda/python-ile-a-b-testi-6b1ecae823d7?source=rss-72e2b09b5cbb------2</link>
            <guid isPermaLink="false">https://medium.com/p/6b1ecae823d7</guid>
            <dc:creator><![CDATA[SeydaOztop]]></dc:creator>
            <pubDate>Mon, 17 Feb 2025 08:50:50 GMT</pubDate>
            <atom:updated>2025-02-17T08:50:50.859Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Ölçümleme Problemleri</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*b5kHac_XiPzGaWQQnpBlJg.jpeg" /><figcaption>AB Testi</figcaption></figure><p>A/B testi, bir ürün veya hizmetin iki farklı versiyonunun (A ve B) kullanıcılar üzerindeki etkisini ölçerek hangi versiyonun daha başarılı olduğunu belirlemeye yarayan güçlü bir yöntemdir. Veri bilimi alanında giderek yaygınlaşan bu yaklaşım, hem hızlı hem de veriye dayalı kararlar almayı kolaylaştırır.</p><p>Örneğin, web sitenizde veya uygulamanızda bir değişiklik yapmak istediğinizde, bu değişikliğin gerçekten olumlu bir etki yaratıp yaratmayacağını önceden kestirmek zor olabilir. Yeni tasarımı veya özelliği tüm kullanıcılara uygulamak, başarısız bir deneme olduğunda büyük kayıplara neden olabilir. Tam da bu noktada A/B testi devreye girer.</p><p>A/B testi, kullanıcılarınızı iki gruba ayırarak bir gruba eski tasarımı (A), diğer gruba ise yeni tasarımı (B) göstermeyi içerir. Böylece, her iki grubun davranışlarını (örneğin, satın alma, tıklama, üyelik gibi dönüşüm oranlarını) ölçüp karşılaştırabilir, hangi versiyonun daha iyi performans gösterdiğini istatistiksel olarak ortaya koyabilirsiniz.</p><p>Bir veri bilimcinin rolü de tam olarak burada başlar: eldeki mevcut verileri toplar, istatistiksel analizlerle bu verileri inceler ve son olarak anlamlılık testlerini kullanarak hangi seçeneğin gerçekten daha iyi olduğunu kanıtlar. Bu süreçte Python’un sunduğu kütüphaneler (pandas, NumPy, SciPy, statsmodels vb.) veri işleme ve analiz adımlarını son derece kolaylaştırır.</p><p>Bu makalede, A/B testinin temel prensiplerini, nasıl çalıştığını ve veri bilimi projelerin<strong>de</strong> nasıl uygulanabileceğini ayrıntılı şekilde ele alacağız. Ayrıca, Python üzerinden A/B testi gerçekleştirirken hangi istatistiksel yöntemlerin kullanıldığını, neden bu yöntemleri tercih ettiğimizi ve sonuçları nasıl yorumlayacağımızı örneklerle inceleyeceğiz.</p><p>A/B testi konusunda bilgi sahibi olmak, web sitesi optimizasyonundan reklam kampanyalarına, ürün geliştirmeden kullanıcı deneyimi tasarımına kadar birçok alanda <strong>veriye dayalı</strong> ve <strong>hızlı</strong> kararlar almanıza yardımcı olacaktır. Böylece, veri bilimi uzmanları olarak hem işletmenizin hem de kullanıcılarınızın deneyimini daha da ileriye taşıyacak güçlü içgörüler üretebilirsiniz.</p><h3>A/B testi nedir?</h3><p>A/B testi, bir ürünün veya hizmetin iki farklı versiyonunu (A ve B) belirli bir süre boyunca gerçek kullanıcılara sunarak, hangi versiyonun daha iyi performans gösterdiğini ölçmeye yarayan temel bir deneysel yöntemdir. Aslında, bir tür rastgele kontrollü deney olan A/B testi, değişikliklerin etkisini net bir şekilde ortaya koyabilmek için grupların rastgele seçilmesini sağlar.</p><p>Örneğin, şirketinizde satışları artırmak istediğinizde, ürününüzün rengi gibi bir özelliğinde önemli bir değişiklik yapmayı planlayabilirsiniz. Bu durumda, kullanıcılarınızı iki gruba ayırırsınız:</p><ul><li><strong>Grup A:</strong> Mevcut (orijinal) beyaz rengi kullanmaya devam eden grup,</li><li><strong>Grup B:</strong> Yeni mavi renkli ürünü deneyen grup.</li></ul><p>Belirli bir süre sonunda, her iki gruptan toplanan verileri (örneğin, satın alma oranları, müşteri memnuniyeti gibi metrikleri) karşılaştırarak hangi versiyonun daha iyi performans gösterdiğini istatistiksel olarak analiz edersiniz. Eğer değişiklik gerçekten etkiliyse, Grup B’nin sonuçlarının Grup A’ya kıyasla anlamlı ölçüde daha iyi olduğu ortaya çıkacaktır.</p><p>A/B testi, sadece ambalajı , renk değişikliği gibi fiziksel ürünlerle sınırlı kalmaz; web sitesi tasarımı, reklam metinleri, e-posta pazarlama kampanyaları gibi pek çok alanda da kullanılabilir. Önemli olan, tek bir değişken üzerinde çalışarak (örneğin, ürün rengi) farklı versiyonların etkisini ölçmek ve bu verilerle en iyi kararı vermektir.</p><p><strong>Veri Bilimi Katılımı:</strong></p><p>Veri bilimcileri, A/B testinin çeşitli aşamalarında önemli bir rol oynar:</p><ul><li><strong>Testin Tasarlanması:</strong></li><li>Net bir hipotez formüle etmeye ve başarının ölçütünü tanımlamaya yardımcı olurlar.</li><li>İstatistiksel anlamlılık için gereken örneklem büyüklüğünü belirlerler.</li><li><strong>Deneyin İnşası:</strong></li><li>Veri bilimcileri, kullanıcıları rastgele gruplara atayarak varyasyonların doğru şekilde iletilmesini sağlayacak araçlar geliştirebilirler.</li><li><strong>Veri Analizi:</strong></li><li>Toplanan verileri analiz etmek ve sonuçların geçerliliğini değerlendirmek için istatistiksel yöntemler kullanırlar. Bu, gözlemlenen farkın şansa mı yoksa varyasyonun gerçek bir etkisine mi bağlı olduğunu belirlemek için hipotez testi ve p-değeri hesaplamaları gibi teknikleri içerir.</li></ul><h3><strong>Kullanım Alanları</strong></h3><p><strong>1. Web Sitesi ve Uygulama Tasarımı</strong></p><ul><li><strong>Örnek Uygulama:</strong></li><li>E-ticaret sitelerinde “Sepete Ekle” butonunun renginin değiştirilmesi.</li><li>Web sayfalarında farklı düzen veya içerik varyantlarının sunulması.</li><li><strong>Ölçümleme Problemleri:</strong></li><li><strong>Örneklem Büyüklüğü:</strong> Yeterli kullanıcı sayısı olmadan sonuçların istatistiksel güvenilirliği azalır.</li><li><strong>Kontrol Dışı Etkenler:</strong> Mevsimsel trendler, kampanyalar veya trafik kaynaklarındaki değişiklikler sonucu etkileyebilir.</li></ul><p><strong>2. E-posta Pazarlama Kampanyaları</strong></p><ul><li><strong>Örnek Uygulama:</strong></li><li>Farklı konu satırları veya içerik varyantlarının kullanılmasıyla açılma ve tıklanma oranlarının ölçülmesi.</li><li><strong>Ölçümleme Problemleri:</strong></li><li><strong>Zamanlama Etkisi:</strong> Gönderim saatleri, kullanıcıların e-postayı açma ve etkileşimde bulunma oranlarını etkileyebilir.</li><li><strong>Segmentasyon:</strong> Farklı demografik özelliklere sahip grupların tepkilerinde oluşabilecek farklılıklar, genel sonuçları yanıltabilir.</li></ul><p><strong>3. Reklam ve Dönüşüm Optimizasyonu</strong></p><ul><li><strong>Örnek Uygulama:</strong></li><li>Online reklam kampanyalarında farklı görseller, mesajlar veya yerleşimlerin test edilmesi.</li><li>Reklam metinlerinin veya hedef kitle seçeneklerinin değiştirilerek dönüşüm oranlarının karşılaştırılması.</li><li><strong>Ölçümleme Problemleri:</strong></li><li><strong>Çoklu Hipotez Testi:</strong> Aynı anda birden fazla değişkenin test edilmesi, yanlış pozitif sonuçlara yol açabilir.</li><li><strong>Kanal Farklılıkları:</strong> Reklamların gösterildiği platformlar arasında oluşan farklılıklar sonuçların yorumlanmasını zorlaştırabilir.</li></ul><p><strong>4. Ürün Fiyatlandırması</strong></p><ul><li><strong>Örnek Uygulama:</strong></li><li>Bir ürünün farklı fiyatlandırma stratejilerinin test edilmesi (örneğin, indirimli fiyat vs. normal fiyat).</li><li>Abonelik modellerinde (aylık, yıllık) farklı paket seçeneklerinin karşılaştırılması.</li><li><strong>Ölçümleme Problemleri:</strong></li><li><strong>Fiyat Duyarlılığı:</strong> Kullanıcıların fiyat değişikliklerine tepkisi, diğer pazarlama aktiviteleriyle birlikte değerlendirilmeli.</li><li><strong>Uzun Vadeli Etki:</strong> Kısa vadeli satış artışları, uzun vadeli müşteri bağlılığı üzerinde olumsuz etkiler yaratabilir.</li></ul><p><strong>5. Mobil Uygulama Optimizasyonu</strong></p><ul><li><strong>Örnek Uygulama:</strong></li><li>Uygulama içi navigasyon, bildirim butonları veya arayüz düzenlerinin test edilmesi.</li><li>Kullanıcı deneyimini artırmak için farklı tasarım ve işlevsellik seçeneklerinin karşılaştırılması.</li><li><strong>Ölçümleme Problemleri:</strong></li><li><strong>Kullanıcı Segmentasyonu:</strong> Farklı cihaz, işletim sistemi veya kullanım alışkanlıkları olan kullanıcıların tepkileri farklı olabilir.</li><li><strong>Hızlı Karar Mekanizması:</strong> Mobil kullanıcıların kısa sürede karar veriyor olmaları, test sonuçlarını kısa vadeli etkilerle sınırlayabilir.</li></ul><p><strong>6. Onboarding Süreçleri</strong></p><ul><li><strong>Örnek Uygulama:</strong></li><li>Yeni kullanıcılar için sunulan karşılama, eğitim veya tanıtım adımlarının farklı varyantlarının test edilmesi.</li><li>Kullanıcıların uygulamaya adaptasyon sürecindeki farklı versiyonların etkisinin ölçülmesi.</li><li><strong>Ölçümleme Problemleri:</strong></li><li><strong>İlk İzlenim Etkisi:</strong> İlk deneyim, kullanıcının uzun vadeli davranışını etkileyebilir; bu nedenle sonuçların zaman içinde izlenmesi gerekir.</li><li><strong>Çıkış Oranı:</strong> Onboarding sürecinde hemen çıkma oranları dikkate alınmalı.</li></ul><p><strong>7. İçerik ve Mesajlaşma Stratejileri</strong></p><ul><li><strong>Örnek Uygulama:</strong></li><li>Web sitelerinde veya uygulamalarda farklı başlık, açıklama veya CTA (Call-to-Action) metinlerinin test edilmesi.</li><li>Kişiselleştirilmiş içerik önerilerinin ve mesajların kullanıcı etkileşimini nasıl etkilediğinin ölçülmesi.</li><li><strong>Ölçümleme Problemleri:</strong></li><li><strong>Dil ve Üslup:</strong> Hedef kitlenin demografik özelliklerine göre dil ve üslubun farklı tepkiler oluşturması.</li><li><strong>Duygusal Tepki:</strong> Mesajların tonunun, kullanıcıların davranışları üzerindeki etkisinin karmaşık ve ölçülmesinin zor olması.</li></ul><p><strong>8. Kişiselleştirilmiş Öneri Sistemleri</strong></p><ul><li><strong>Örnek Uygulama:</strong></li><li>Kullanıcılara sunulan farklı öneri algoritmalarının test edilmesi (örneğin, alışveriş veya içerik önerileri).</li><li>Hangi algoritmanın kullanıcı başına daha fazla etkileşim veya satış getirdiğinin belirlenmesi.</li><li><strong>Ölçümleme Problemleri:</strong></li><li><strong>Algoritma Karmaşıklığı:</strong> Farklı algoritmaların performanslarının, kullanıcı segmentlerine göre ayrı ayrı değerlendirilmesi gerekebilir.</li><li><strong>Gerçek Zamanlı Değişiklikler:</strong> Kullanıcı tercihlerinin zamanla değişmesi, test sonuçlarını etkileyebilir.</li></ul><p><strong>2.1. PROBLEMİN TANIMI</strong></p><p>Bir e-ticaret şirketi kazancı üzerinde etkili olan metrikleri belirlemek istemektedir.</p><p>Yapılan çalışmada ab_testing veriseti kullanılarak Python kodlama dilinde yazılmış Ölçümleme Problemi — AB Testi işlemi gerçekleştirilmiştir.</p><p>Verisetinde bulunan değişkenler aşağıdaki gibidir;</p><ul><li><strong>Impression (Gösterim):</strong> İçeriğin kaç kez görüntülendiğini (örneğin, bir reklamın toplam gösterim sayısı) ifade eder.</li><li><strong>Click (Tıklama):</strong> Kullanıcıların bu içerik/ilan üzerine kaç kez tıkladığını belirtir.</li><li><strong>Purchase (Satın Alma):</strong> Tıklama sonrasında gerçekleşen satın alma sayısını gösterir.</li><li><strong>Earning (Kazanç/Gelir):</strong> Yapılan satış veya başka bir hedeflenen aksiyon sonrasında elde edilen toplam geliri ifade eder.</li></ul><p>Dolayısıyla, bu tabloyla genellikle bir pazarlama veya reklam stratejisinin performansını ölçmeye hedflemiştir. “Earning” (kazanç), reklam veya ürün satışlarından elde edilen toplam geliri temsil eder. Bu veri, A/B testinde hangi stratejinin daha yüksek gelir getirdiğini anlamak için kullanılır.</p><p><strong>2.2. KEŞİFSEL VERİ ANALİZİ</strong></p><p>Gerekli kütüphaneler import edilmiştir. Kodu “Tablo 1 : Kütüphanelerin Yüklenmesi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/931/1*ZylbeouX_ENTfJZDFy2bfQ.png" /><figcaption>Tablo 1. Kütüphanelerin Yüklenmesi</figcaption></figure><p>Öncelikle kullanılacak kütüphaneler ve pd.read_excel metodu yardımıyla KOntrol ve Test verisetlerini okuturuz.Burada kullanılan “head” kod çıktısının ilk 5 satırını getirir. “Tail” metodu da head metodunun tersi olarak kod çıktısının son 5 satırını getirmektedir. Veri ile ilgili genel istatistiksel işlemleri yapmak için pandas, recency bulmak amacıyla zaman farkını almak için de datetime kütüphanelerini kullanırız. “Kod ve çıktısını Tablo 2 : Kontrol Verisetinin Python ile okutulması” ve “Tablo 3: Test Verisetinin Python ile okutulması” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/928/1*Uju47osWLIagJpEpJC2eRA.png" /><figcaption>Tablo 2. Kontrol Verisetinin Python kodu ile okutulması</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/931/1*2ewpnvOnk9tBU3Gztlg1eg.png" /><figcaption>Tablo 3. Test Verisetinin Python kodu ile okutulması</figcaption></figure><p>T pandas DataFrame’inin transpozisyonunu verir. Yani satırlarla sütunların yer değiştirmesini sağlar. Bu işlem türü yalnızca sayısal sütunların dağılımı hakkında bilgi vermektedir. Aşağıda kod ve çıktısını “Tablo 4: Kontrol Verisi İstatistiksel Analiz” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/929/1*JlMGHJ_WEjMAw1jyaI0kzw.png" /><figcaption>Tablo 4. Kontrol Verisetinin İstatistiksel Analizi</figcaption></figure><p>“shape” fonksiyonu veriseti boyutlarını incelemek amacıyla kullanılır. Aşağıda kod ve çıktısını “Tablo 5: Kontrol Verisi Boyut İncelemesi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/962/1*QmOovJsgGtzRCkFn8M458g.png" /><figcaption>Tablo 5. Kontrol Verisetinin Boyut İncelemesi</figcaption></figure><p>Kontrol verisi sütun isimleri ve sütun veri tipini görmek için kod ve çıktısını “Tablo 6 : Kontrol Verisi Sütun İncelemesi” tablosundan inceleyebilirsiniz. Veriseti içindeki bütün sütunlar object türündedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/1*kwRcgH6D4E9kR_Zhast52Q.png" /><figcaption>Tablo 6 : Kontrol Verisi Sütun İncelemesi</figcaption></figure><p>df_control.corr() komutu, veri setindeki değişkenlerin (sütunların) kendi aralarındaki korelasyon katsayılarını hesaplayarak bir korelasyon matrisi döndürür. Bu matriste her hücre, satırdaki değişken ile sütundaki değişken arasındaki istatistiksel korelasyonun derecesini gösterir.</p><p>Tablodaki korelasyon değerlerine baktığımızda Earning (kazanç) sütunuyla en yüksek mutlak korelasyon değerine sahip değişkenin <strong>Click</strong> olduğunu görüyoruz (yaklaşık -0.35689). Dolayısıyla korelasyon açısından Earning’i en çok etkileyen (ilişki düzeyi en yüksek olan) değişken <strong>Click</strong> olarak görünüyor.</p><p>Ancak unutmayın ki korelasyon tek başına nedensellik (causation) anlamına gelmez; yani bir değişkenin diğeri üzerinde doğrudan sebep-sonuç ilişkisi yarattığını bu veriden kesin olarak çıkaramayız. Sadece iki değişkenin birlikte değişme derecesini gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/928/1*unvUFYWRxAOr_M8RM2yMKw.png" /><figcaption>Tablo 7 : Test Verisi Korelasyon Analizi</figcaption></figure><p>Bütün bu veri analizi işlemlerini test veriseti için de gerçekleştirelim. Aşağıda kod ve çıktısını “Tablo 8 : Test Verisi İstatistiksel Analiz” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/929/1*50t5FoSLmnoNCBfkM6oRkw.png" /><figcaption>Tablo 8. Test Verisetinin İstatistiksel Analizi</figcaption></figure><p>Genel olarak bakıldığında:</p><ul><li>40 satırlık (gözlem) bir veri seti var.</li><li>Impression değeri oldukça yüksek (on binler — yüz binler düzeyinde), buna bağlı olarak Click sayısı da birkaç bin civarında.</li><li>Purchase ve Earning değerleri ise Click’ten çok daha düşük bir aralıkta (yüzler ve birkaç bin). Bu da genelde pazarlama/analitik senaryolarında beklenen bir dönüşüm hiyerarşisine (Impression → Click → Purchase) uygun görünüyor.</li><li>Verilerde uç değer (min–max) ile ortalama arasındaki farklar makul görünüyor; çok aşırı bir uç değer (outlier) yok gibi.</li></ul><p>“shape” komutu yardımıyla Test verisetinin de boyutlarını kontrol edelim. Aşağıda kod ve çıktısını “Tablo 9 : Test Verisi Boyut İncelemesi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*z0fgUDffZM-znBfVDr3iOw.png" /><figcaption>Tablo 9. Test Verisetinin Boyut İncelemesi</figcaption></figure><p>Test verisi sütun isimleri ve sütun veri tipini görmek için kod ve çıktısını “Tablo 10: Test Verisi Sütun İncelemesi” tablosundan inceleyebilirsiniz. Veriseti içindeki bütün sütunlar object türündedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/927/1*eHXo_947zNJO6xTZ4Rwapg.png" /><figcaption>Tablo 10: Test Verisi Sütun İncelemesi</figcaption></figure><p>Test ve kontrol gruplarının korelasyonuna bakmak; deneyin tasarımından, veri kalitesinden ve sonuçların geçerliliğinden emin olmak için önemli bir adımdır. Eğer korelasyon çok düşükse veya beklenenden sapma varsa, deney tasarımının gözden geçirilmesi ve olası hata kaynaklarının araştırılması gerekir. “Tablo 11 : Test Verisi Korelasyon Analizi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*3Rrm0P-TInaHob_mCTczpQ.png" /><figcaption>Tablo 11 : Test Verisi Korelasyon Analizi</figcaption></figure><p>A/B testlerinde <strong>güven aralığı (confidence interval)</strong> hesaplamasının temel amacı, deney ve kontrol gruplarından elde ettiğimiz <strong>örnek ortalamalarına</strong> dair belirsizliği yansıtmaktır. Başka bir deyişle, <strong>ölçtüğümüz metrik (örneğin satın alma değeri)</strong> gerçek ortalamaya ne kadar yakın ve bu tahmin ne kadar güvenilir, bunu göstermek için kullanılır. Kısacası, A/B testi yaparken güven aralıklarını hesaplamak, test sonuçlarına dair belirsizliği sayısal olarak ortaya koyarak daha sağlıklı ve güvenilir kararlar almayı sağlar. “Tablo 12 : Kontrol ve Test Verisi Güven Aralıkları” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/927/1*Bf-n5luAx8hrb_gIF552nA.png" /><figcaption>Tablo 12 : Kontrol ve Test Verisi Güven Aralıkları</figcaption></figure><p>Bu çıktılar, A/B testi kapsamında iki farklı grubun (“control” ve “test” gruplarının) ortalama satın alma değerlerine (Purchase) ait %95 güven aralıklarını göstermektedir.</p><ul><li>Kontrol grubunun ortalama satın alma değeri için hesaplanan %95 güven aralığı: <strong>[508.08, 593.78]</strong></li><li>Test grubunun ortalama satın alma değeri için hesaplanan %95 güven aralığı: <strong>[530.57, 633.65]</strong></li></ul><p>Bu güven aralıkları, ilgili grubun gerçek ortalamasının bu aralıklar içinde bulunma olasılığının %95 olduğunu ifade eder. Yani kontrol grubunun ortalama satın alma değerinin 508 ile 594 arasında, test grubunun ortalama satın alma değerinin ise 531 ile 634 arasında olması beklenir (yaklaşık değerler).</p><ol><li><strong>Ortalama Değerler ve Güven Aralıkları</strong></li></ol><ul><li>Kontrol grubu ortalamasının tahmini (point estimate) 508 ile 594 arasında.</li><li>Test grubu ortalamasının tahmini 531 ile 634 arasında.</li></ul><ol><li><strong>Güven Aralıklarının Örtüşmesi (Overlap)</strong><br>Güven aralıklarında yaklaşık 531 ile 594 arasında bir örtüşme söz konusudur. Bu, iki ortalama arasında istatistiksel olarak anlamlı bir fark olup olmadığını net biçimde söylemek için tek başına yeterli değildir. Güven aralıkları örtüşse de veya çok yakın olsa da, gerçek farkın anlamlılığı için ek olarak p-değeri veya iki grup arasındaki farkın güven aralığı gibi metriklere bakmak gerekir.</li><li><strong>İstatistiksel Karar</strong></li></ol><ul><li>Eğer iki grup arasındaki farkın (Test — Kontrol) <strong>güven aralığı</strong> 0’ı içermiyorsa veya bir <strong>t-testi</strong> sonucunda p-değeri belirlenen anlamlılık düzeyinden (örneğin 0.05) küçük çıkıyorsa, test grubunun ortalamasının kontrol grubundan istatistiksel olarak farklı (daha yüksek veya daha düşük) olduğu söylenebilir.</li><li>Eğer farkın güven aralığı 0 değerini içeriyorsa ya da p-değeri anlamlılık düzeyinden büyükse, aradaki fark istatistiksel olarak anlamlı kabul edilmez.</li></ul><p>Korelasyon analizine göre kazancı en fazla etkileyenin click olduğunu görmüştük. Buna göre plot scatter yardımıyla click ve earning dağılımını kontrol verisetine göre hazırlayalım. “Tablo 13 : Kontrol Verisi Click Earning Dağılım” tablosundan inceleyebilirsiniz. Bu grafikteki veriye bakarak “tıklama sayısı artınca mutlaka satın alma da artar” gibi bir yargıya varmak doğru değildir. Grafiğin bize anlattığı, farklı tıklama ve satın alma değerlerinin nasıl dağıldığıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*tlEtynLmH7tIbBGWLJg6Pg.png" /><figcaption>Tablo 13 : Kontrol Verisi Click Earning Dağılım</figcaption></figure><ul><li>Hesaplanan korelasyon değeri ≈0.057\approx 0.057≈0.057. Bu, “Click” (tıklama sayısı) ile “Purchase” (satın alma sayısı) arasında <strong>neredeyse yok denecek kadar düşük</strong> bir <strong>pozitif</strong> korelasyon olduğunu gösterir.</li><li>0’a çok yakın bu değer, tıklama ve satın alma arasında <strong>lineer</strong> bir ilişki olmadığını veya çok zayıf bir ilişki olduğunu düşündürür.</li></ul><p>Test verisinin click değiştikçe aerning değişimine bakalım. Grafikteki nokta kümelenmesi, test grubunda “Click” arttıkça “Purchase”ın düştüğünü gösteren net bir tablo sunuyor. Bu görsel, <strong>güçlü negatif korelasyon</strong> (r ≈\approx≈ −0.8744–0.8744−0.8744) bulgusunu destekliyor. AB testi açısından, bu dağılım test varyantının kullanıcı davranışı üzerinde istenmeyen bir etki yarattığını düşündürebilir; ancak nihai kararı vermek için dönüşüm oranları, istatistiksel anlamlılık analizleri ve ek metrikler de mutlaka değerlendirilmelidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*fo2WwfRn3E3EjSzF0rsZ1A.png" /><figcaption>Tablo 14 : Test Verisi Click Earning Dağılım</figcaption></figure><p>AB testinde kontrol ve test grubuna ait verileri <strong>tek bir DataFrame</strong> içerisinde birleştirerek, veriler üzerinde ortak bir analiz veya modelleme yapmak istediğimizde bu <strong>concat</strong> (birleştirme) işlemini kullanırız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*0t4_7Zy4ZhnvWA31J-1eEQ.png" /><figcaption>Tablo 15 : Kontrol ve Test Verilerinin Birleştirilmesi</figcaption></figure><p><strong>A/B Test Hipotezinin Tanımlanması</strong></p><p>1) Hipotezi kur</p><p>adım 1 : Hipotezi tanımlayınız. H0 : M1 = M2</p><p>Aralarında istatistiki bir farklılık yoktur H1 : M1 != M2 Aralarında istatistiki bir farklılık vardır.</p><p>Aşağıda kontrol ve test grubu için purchase ( kazanç) ortalamaları analiz edilmiştir. AB testinde, her iki grubun (kontrol ve test) <strong>ortalama satın alma değerlerini</strong> (Purchase mean) hesaplamak, iki grup arasında performans açısından bir fark olup olmadığını hızlıca görmeyi sağlar. test grubunda ortalama satın alma değeri kontrol grubuna kıyasla <strong>biraz daha yüksek</strong>. Bu, test varyantının daha iyi performans gösteriyor olabileceğine dair bir ilk işarettir. AB testinin temel amacı da bu farkın <strong>tesadüfen mi</strong> yoksa <strong>gerçek bir iyileştirmeden mi</strong> kaynaklandığını anlamaktır. Bu nedenle, bir p-değeri, güven aralığı (confidence interval) ya da uygun bir istatistiksel test (t-testi, z-testi vb.) ile bu farkın anlamlılığını test etmek gerekir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/1*ZHfuXDxEH7hoK1QeQAZ8Pw.png" /><figcaption>Tablo 16 : Kontrol ve Test Verileri Kazanç Ortalamaları</figcaption></figure><p><strong>Hipotez testinin gerçekleşmesi</strong></p><p>Hipotez testi yapılmadan önce varsayım kontrollerini yapılır. Bunlar Normallik Varsayımı ve Varyans Homojenliğidir. Kontrol ve test grubunun normallik varsayımına uyup uymadığını Purchase değişkeni üzerinden ayrı ayrı test edelim.</p><ol><li>Varsayım Kontrolü</li></ol><ul><li>Normallik Varsayımı</li><li>Varyans Homojenliği</li></ul><p>2. Hipotezin Uygulanması</p><ul><li>Varsayımlar sağlanıyorsa bağımsız iki örneklem t testi (parametrik test)</li><li>Varsayımlar sağlanmıyorsa mannwhitneyu testi (non-parametrik test)</li></ul><p>3. p-value değerine göre sonuçları yorumlama</p><ul><li>Normallik sağlanmıyorsa direk 2 numara. Varyans homojenliği sağlanmıyorsa 1 numaraya arguman girilir.</li><li>Normallik incelemesi öncesi aykırı değer incelemesi ve düzeltmesi yapmak faydalı olabilir.</li></ul><p><strong>Normallik varsayımına bakalım;</strong></p><p>H0: Normal dağılım varsayımı sağlanmaktadır.</p><p>H1:..sağlanmamaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/928/1*Hhec0D96UnCwAE6HloADWg.png" /><figcaption>Tablo 17 : Kontrol Verisi t-Testi</figcaption></figure><p>p_value_c(0.5891) değeri 0.05&#39;ten büyük. Bu nedenle H0 kabul edilir(Reddedilemez). Yani normal dağılım varsayımı sağlanmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/1*BXqSd7jfFNUBMWJeBf4X5A.png" /><figcaption>Tablo 18 : Test Verisi t-Testi</figcaption></figure><p>p_value_c(0.1541) değeri 0.05&#39;ten büyük. Bu nedenle H0 kabul edilir(Reddedilemez). Yani normal dağılım varsayımını sağlanmaktadır.</p><p><strong>Varyans Homojenliğine bakalım;</strong></p><p>HO : Varyanslar homojendir. H1 : Varyanslar homojen değildir.</p><p>p-value &lt; ise 0.05 ‘ten HO RED. p-value &gt; 0.05 H0 REDDEDILEMEZ. Varyans homojenliği sağlanmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/928/1*_Yqx4pLf76-pDJZq_z6DzA.png" /><figcaption>Tablo 20: Varyans Homojenliği</figcaption></figure><p>p-value (0.1083) değeri 0.05&#39;ten büyük. Bu nedenle HO reddedilemez. Yani varyans homojenliği sağlanmaktadır.</p><p><strong>Normallik Varsayımı ve Varyans Homojenliği sonuçlarına göre uygun testi seçelim;</strong></p><ol><li>Varsayımlar sağlanıyorsa bağımsız iki örneklem t testi (parametrik test)</li><li>Varsayımlar sağlanmıyorsa mannwhitneyu testi (non-parametrik test)</li></ol><p>Normallik ve varyans homojenliği sağlanıyor. Bu nedenle paramedik test yapılmalıdır.</p><p>Varsayımlar sağlanıyorsa bağımsız iki örneklem t testi (parametrik test)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*zHlZF7t9Azs6PHfRsWV4hg.png" /><figcaption>Tablo 21 : İki Örneklem t-Testi</figcaption></figure><p>p-value = 0.3493 &gt; 0.05 , HO reddedilemez.</p><p>p-value &lt; ise 0.05 ‘ten HO RED.</p><p>p-value &lt; değil ise 0.05 H0 REDDEDILEMEZ.</p><p><strong>Yorum</strong></p><ul><li><strong>Test Stat = -0.9401</strong>: Negatif bir t istatistiği, test grubunun ortalamasının kontrol grubundan (kısmen) düşük olduğu anlamına gelebilir. Ancak tek başına bu değerin işaretinden çok büyüklüğü önemlidir.</li><li><strong>p-value = 0.3493</strong>: Bu değer, genelde 0.05 veya 0.01 eşiğinin <strong>üzerinde</strong> olduğu için, iki grubun ortalamaları arasında <strong>istatistiksel olarak anlamlı</strong> bir fark <strong>bulunmadığını</strong> gösterir. Başka bir deyişle, gözlemlenen fark büyük ihtimalle tesadüfi dalgalanmadan ibarettir. Dolayısıyla ortalamalar arasındaki farkın istatistiksel olarak anlamlı olmadığını söylenebilir. Yani 2 grup arasında kazancı etkileyen önemli bir farklılık olduğu söylenemez.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6b1ecae823d7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RFM ANALİZİ İLE]]></title>
            <link>https://medium.com/@oztopseyda/rfm-anali%CC%87zi%CC%87-i%CC%87le-6383381c50f2?source=rss-72e2b09b5cbb------2</link>
            <guid isPermaLink="false">https://medium.com/p/6383381c50f2</guid>
            <dc:creator><![CDATA[SeydaOztop]]></dc:creator>
            <pubDate>Mon, 10 Feb 2025 08:37:27 GMT</pubDate>
            <atom:updated>2025-02-12T10:23:14.679Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>MÜŞTERİ SEGMENTASYONU</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*al2ZM4HJk6GyrPqDD5s7Bg.png" /></figure><p>Yüksek maliyet ve yoğun rekabet ortamlarında şirketlerin mevcut müşterilerinden tam olarak yararlanmaları ve toplam satışların boyutlarını arttırmaları büyük önem kazanmaktadır. Ayrıca, müşteriler ve şirket arasındaki ilişkinin gelecekteki olası süresi risk altında olduğunda, şirkete sadakatlerini azaltan müşterilerin tespit edilmesi önemlidir. Bu tür durumlarda, müşteriyi elde tutma ve sadakatlerini yeniden artırmaya yönelik kampanyalar etkili olacaktır. Pazarlama uzmanları kampanyalara olumlu dönüş verecek müşterileri seçmeye özen göstermektedir. Hizmet ve ürünlerin, müşteri ihtiyaçlarını dikkate almadan ve bu beklentilerin müşteriden müşteriye değiştiğinin farkına varmadan üretilmesi ve satılması neredeyse imkansızdır. Pazarlama karmasında karşılaşılan en temel sorunlardan birisi tüm müşterilerin farklı özelliklere sahip olmasıdır. Hem potansiyel hem de gerçek müşteriler hizmet ve ürün tercihlerinde birbirlerinden çok farklı seçimler yapmaktadır. Müşterilerin tümüne benzer indirim ve promosyon seçeneklerinin sunulması, farklı özelliklere sahip müşterilere aynı şekilde davranıldığı için önemli bir etki yaratmadığı gözlemlenmiştir. İhtiyaçları ve beklentileri son derece heterojen olması nedeniyle tüm mevcut müşterilere hitap eden ürünler sunmak mümkün olmamaktadır. Günümüz pazarlarında, müşterilerin özel taleplerine uygun farklı ürünler sunmak için şirketler önceden belirlenmiş değişkenler çerçevesinde, müşterilerini benzer özelliklere sahip gruplara ayırmaya çalışmaktadırlar (Paker ve Vural, 2016).</p><p>Bu doğrultuda, müşteri gruplarının özel ihtiyaçlarını belirleyebilen şirketler bir veya daha fazla alt pazar grupları için doğru ürün sunumları geliştirerek rekabet avantajı elde etmektedirler. Pazar odaklı düşüncenin şirketler içinde gelişme göstermesiyle, segmentasyon kavramı ortaya çıkmıştır. Her şirket kendi kapasitesi dahilinde ve müşteri ile iletişiminde kurmuş oldukları samimiyet düzeyi oranında müşterilerine odaklanmak istemektedir. Bunun nedeni ise mevcut pazarın, farklı ihtiyaç ve isteklere sahip tüketici gruplarından oluşmasıdır. Piyasayı homojen bir gruba bölme stratejisi, segmentasyon olarak bilinir. Kitlesel pazarlama odaklı olan şirketler bile günümüzde bu yeni pazarlama dünyası stratejisini, yani segmentasyonu benimsemektedir.</p><p><strong>PROJENİN AMACI</strong></p><p>İş dünyası arasındaki yüksek rekabet ortamı nedeniyle, müşteri merkezli şirketlerin yöneticileri daha fazla müşteri çekmeye ve kârlı müşterilerle kalıcı ilişkiler geliştirmeye çalışmaktadır. Yöneticilerin değerli ya da potansiyeli yüksek müşterileri tanımasına yardımcı olmak için bir sistem geliştirilmesi şarttır (Khalili-Damghani, Abdi ve Abolmakarem, 2018). Segmentasyonun amacı genel olarak rekabet açısından pazarı bölmektir.</p><p>Müşteri tabanlı pazarlamanın en temel amacı hedef müşteri grubunun belirlenmesidir. Fark yaratan yaklaşım karlı olan ya da potansiyel anlamda karlı olabilecek müşteriye odaklanmaktır. Müşteri odaklı şirketler için en önemli başarı unsuru sadık, kar getiren, uzun vadeli müşteriyi tespit etmek, bu müşterilerle iletişimi geliştirmek ve elde tutmaktır. Şirkete kattıkları değerler göz önüne alındığında bir şirket her müşterinin ihtiyacı için çabalamak yerine kar getirecek müşterilere odaklanmayı amaçlar.</p><p>Bu çalışmanın temel amacı RFM analizi yardımı ile müşteri segmentasyonunu daha iyi bir biçimde yapılabileceğini ve ortaya çıkan müşteri segmentlerinin satın aldıkları ürünlerle nasıl bir ilişki içerisinde olduklarını ortaya çıkarmaktır.</p><p>RFM Analizi projesi ile ilk amaç kar getirecek olan müşterileri kesin sayısal sonuçlara göre seçmektir. Sonrasında pazarlama kampanya bütçeleri müşteri segmentlerine göre kendi içinde bölünerek harcamalar kontrol altına almak amaçlanır. Kampanyalardan alınan sonuçlara göre hangi segment için yapılan kampanyanın daha etkili olduğuna odaklanmak da yeni bir strateji amacıdır. Düşük etkileşimli müşterilerin kaybedilme ihtimaline karşılık yeni aksiyonlar alınmak istenmektedir. Zira yeni müşteri çekmek, hazırda bulunan müşteriyi elde tutmaktan 5 kat daha maliyetlidir.</p><p><strong>PROJENİN ÖNEMİ</strong></p><p>Segmentlere ait bilgilere göre, şirketler çeşitli müşteri ihtiyaçlarına uygun yeni ürün türleri geliştirebilir veya en potansiyel segment için bir ürün üretmek adına kaynakları etkin bir şekilde dağıtabilirler. Bu nedenle piyasaların segmente edilmesi, şirketlerin daha fazla piyasa başarı fırsatları elde etmelerine ve zorlu piyasa mücadeleleri altında rekabet gücünü artırmalarına olanak tanır (Wang, Miao, Zhao, Jin ve Chen, 2016).</p><p>Pazarlamacılar müşteri değerini ele alırken genellikle 80/20 kuralına başvurur: Kârların %80&#39;i müşterilerin %20&#39;si tarafından üretilir. Ancak sadece yüksek hacimli satın alım yapan müşterilerin kârlı müşteriler olacağı düşüncesi yanıltıcı da olabilmektedir. Bu açıdan, kârlı müşterileri tanımlamak için en güçlü ve en basit model RFM modelidir (Tsao, Raj ve Yu, 2019).</p><p>En etkili segmentasyon stratejisi, hedeflenen alt müşterilerin davranış dinamikleri arasındaki farklılıkları en iyi yakalayan stratejidir.</p><p>Projede müşteriler olabildiğince küçük segmentlere ayrılmış, her bir segment için yapılabilecekler saptanmıştır.</p><p><strong>PROJENİN YÖNTEMİ</strong></p><p>Müşteri analitiği yolculuğu müşteriyle ilk temas sonrasında müşteriyi tanımakla başlar. Daha sonra müşteriler hakkında gerekli veriler toplanmaya başlanır. Online ya da mağaza kanalıyla satış yapan bir markayı ele alırsak; mağaza verileri, web sitesi verileri, sosyal medya verileri, iletişim verileri, diğer reklam verileri toplanacak verilere örnek gösterilebilir. Bu Müşteri İlişkileri Yönetim Sürecinin sonucu ise müşteri davranış segmentasyonlarıdır.</p><p>Projede müşterilerin satış verileri ele alınarak Python kodlama diliyle veri analizi sonrasında belirli metrikler bir araya getirilerek farklı müşteri skorları ve segmentleri oluşturulmuştur. Sonrasında müşteri gruplarının ne anlama geldiği belirtilerek alınabilecek aksiyonlar konusunda tavsiyeler verilmiştir.</p><p><strong>BÖLÜM 1 : RFM ANALİZİ NEDİR?</strong></p><p><strong>1.1.KAVRAMSAL OLARAK RFM ANALİZİ</strong></p><p>İlk olarak 1994 yılında Huges tarafından geliştirilen en basit ve en güçlü CRM’i uygulamaya yönelik olan RFM (Recency Frequency Monetary Value, Güncellik Sıklık Para) analizi yöntemidir. RFM Modeli, mevcut veritabanında bulunan verileri analiz eden, sonrasında sonuçlara dayalı çıkarımlar yaparak gelecekteki müşteri ilişkilerini önceden öngörmeye ve tahminlerde bulunmaya çalışan davranışsal bir modeldir. Son yıllarda şirketlerin pazarlama bölümleri tarafından aktif olarak kullanılmaktadır.</p><p><strong>1.2. RFM ANALİZİ METRİKLERİ</strong></p><p>İsminden de anlaşılacağı gibi müşteri satın alma davranışlarını yansıtan 3 adet metriğin (Recency, Frequency, Monetary) ilk harflerinin yan yana getirilmesiyle oluşturulmuştur. Ele alınan metrikler aşağıdaki gibi açıklanabilir;</p><p>Recency : “Bir müşteri en son ne zaman alışveriş yapmış?” sorusunun cevabıdır. RFM Modeli, müşterinin mağazadan en son ne zaman satın alma yaptığının ölçüsü olan <em>recency (yenilik) </em>ile başlar. <strong>Son satın almasından bugüne kadar ki geçen süredir. </strong>Müşteri yakın zamanda satın almayı gerçekleştirdiği işletme ve markayı bir sonraki alışverişlerinde de aklında tutacağı için çok önce alışveriş yapmış müşteriye göre gelecek satın alma işlemlerinde bulunma olasılığı daha yüksektir. Recency göreceli bir kavramdır. Her bir şirket bazında skorlar, gün aralığına göre değişebilir.</p><p>Genel formül: ( Bugünün tarihi — Son satın alma tarihi)</p><p>Frequency : “Müşteri ne sıklıkla alışveriş yapıyor?” sorusunun cevabıdır. <strong>Toplam satın alma sayısıdır</strong>. Bir müşteri 30 kere alışveriş yaptıysa müşterinin sıklığı 30&#39;dur. Receny gibi <em>frequency (sıklık)</em> terimi de şirkete göre değişiklik gösterir.</p><p>Monetary : “Müşteri her bir alışverişinde toplam ne kadar para bırakmış?” sorusunun cevabıdır. Müşterinin yaptığı harcamaların toplamıdır. Şirkete bıraktığı parasal büyüklüktür.</p><p>RFM analizi elde edilen veriler ile doğru ve yeni pazarlama stratejileri oluşturulmasında büyük önem kazanmaktadır. Wu ve Lin’e göre R ( Recently, Güncellik) F(Frequency, Sıklık) M (Monetary, Parasal) ne kadar yüksek ise müşterinin yeniden gelip alışveriş yapma olasılığının o kadar yüksek olması beklenir. F (Frequency, Sıklık) değeri ne kadar yüksekse o müşterinin firma için sadık bir müşteri olma olasılığı o kadar yüksektir.</p><p><strong>1.3.RFM ANALİZİ AVANTAJLARI</strong></p><p>1) RFM Modeli, müşteri davranışlarını anlamak ve analiz etmek için son yıllarda oldukça aktif bir şekilde kullanılmaktadır. Segmentasyon ve müşteri analizinde popüler olarak kullanılmasının nedeni basit ve uygulanmasının kolay olmasıdır. Bu tür modellerden önce şirketler Pazar segmentasyonunda genellikle müşterilerin demografik bilgilerini kullanarak çıkarımlar yapmaktaydı. Yapılan araştırmalar müşterilerin satın alma davranışlarını açıkça gösteren sayısal verilere dayalı analizlerin, demografik analizlere göre çok daha etkili olduğunu göstermektedir. Kesin sayısal sonuçlara dayalı analizler yapılması analize duyulan güven oranını artırmaktadır.</p><p>2) RFM analizi, müşteri değerini ölçmekte ve müşterilerin satın alma davranışlarının zaman içinde devamlılık gösterdiğini varsaymaktadır. Başka bir deyişle RFM analizi, gelecekteki satın alma davranışlarının geçmiştekilere çok benzer olduğunu kabul eder (Zhou, Zhai ve Pantelous, 2020). Müşterilerle ilgili gelecekteki ilişki hakkında ipucu verir.</p><p>3) RFM doğru müşterilere doğru zamanda ulaşarak kitlesel pazarlamanın yarattığı yüksek maliyetlerden kurtulmaya yardımcı olur. Müşterilerinizin geçmişteki satın alma davranışlarını incelemek ve onları segmentlere ayırmak müşterilerinizi yakından tanımaya ve satışlarınızı artırmaya yardımcı olur. RFM ile kişiselleştirilmiş pazarlama kampanyalarında her müşteri grubu için farklı kampanya hazırlanması, kampanyalar için harcama bütçelerinin bölünmesi sayesinde, şirketlerin yatırım getirisi artar, müşteri bağlılığı ve dönüşüm oranları yükselir.</p><p>4) RFM sonuçlarına göre aksiyon alınmasıyla kitlesel pazarlamadan çıkılıp bireysel pazarlamaya geçiş yapılmış olur. Mevcut müşterilerle iki yönlü bireysel iletişim gerçekleşir. Müşteri grubuna özel iletişim sağlanarak ilgili müşteri grubunun ihtiyacını sağlamaya çalışmak müşterilerin güveninin kazanılmasına katkı sağlar. İş birliği geliştirilerek uzun dönemli şirket-müşteri birlikteliklerinin temeli atılır.</p><p>5) RFM Analizi sayesinde artan değer ve tatmin yoluyla kayıplar azaltılır. Mevcut ürün ve hizmetlerin kullanımı artmakla birlikte müşteri talepleri anlaşılarak yeni ürün ve hizmetlerin geliştirilmesine katkı sağlar. Kaybedilen müşterilerin geri kazanımını ve gruplara dayalı ilişki hiyerarşisinde müşterilerin yukarıya doğru hareket ettirilmesini sağlar.</p><p>6) RFM Analizi sonuçlarına bakılarak sadakat programları geliştirilir. En değerli müşterilere yönelik sadakat programları oluşturarak bu müşterilerin markaya olan bağlılıklarını artırmanın ve marka elçisi olmalarının yolu açılır. Aynı zamanda Müşteri Kaybı Analizi de yapılmış olur. Uzun zamandır satın alma yapmayan müşterileri belirlenir ve bu müşterileri geri kazanmaya yönelik stratejiler geliştirilir.</p><p>7) Müşteri taleplerini daha iyi anlayarak stok yönetimi ve tedarik zinciri planlamaları optimize edilir. Ödeme sıklığı ve tutarı düşük olan müşterileri tespit edilerek kredi riski engellenir. Müşteri harcama eğilimlerine göre fiyatlandırma stratejileri geliştirilir.</p><p>8) Müşteri ihtiyaçlarının daha yakından hedeflenmesi, uzun vadede rakiplerle daha az riskli karşılaşmalara ve daha memnun bir müşteri tabanına yol açabilir.</p><p>9) Açık bir segmentasyon planına sahip olmak, yöneticilerin farklı segmentteki müşterilerinin özel ihtiyaçlarını karşılamak için pazarlama programları geliştirmelerine yardımcı olmaktadır.</p><p><strong>1.4. RFM ANALİZİ KULLANIM ALANLARI</strong></p><p>RFM; müşterilerin Müşteri İlişkileri Yönetimi açısından gruplara ayrılması, kar getiren ve gelecekte de getirmesi olası müşterilerin ayırt edilmesi, farklı müşteri gruplarının ihtiyaçlarından yola çıkarak yeni hizmet ya da ürünler ortaya çıkarılması, müşteri yaşam boyu değeri hesaplanması, müşteri kazanma, müşteri tutundurma ve dönüştürme, deneyimi zenginleştirme, müşteri terk analizi gibi birçok farklı alanda kullanılır.</p><p>RFM Analizinin en çok kullanıldığı sektörler ise; perakende ve e-ticaret, bankacılık ve finans hizmetleri, telekomünikasyon, seyahat ve konaklama, sağlık hizmetleri, sigorta, yazılım ve teknoloji, otomotiv, gayrimenkul, eğlence ve medya sektörleridir.</p><p><strong>BÖLÜM 2 : RFM ANALİZİ UYGULAMASI</strong></p><p><strong>2.1. PROBLEMİN TANIMI</strong></p><p>Bir e-ticaret şirketi müşterilerini segmentlere ayırıp bu segmentlere göre pazarlama stratejileri belirlemek istemektedir.</p><p>Şirket, ortak davranışlar sergileyen müşteri segmentleri özelinde pazarlama çalışmaları yapmanın gelir artışı sağlayacağını düşünmektedir. Örneğin; şirket için çok kazançlı olan müşterileri elde tutmak için farklı kampanyalar, yeni müşteriler için farklı kampanyalar düzenlenmek istenmektedir.</p><p>Yapılan çalışmada Online Retail II veriseti kullanılarak Python kodlama dilinde yazılmış RFM analizi ile müşteri segmentasyonu işlemi gerçekleştirilmiştir.</p><p>Verisetinde bulunan değişkenler aşağıdaki gibidir;</p><ul><li>InvoiceNo — Fatura Numarası (Eğer bu kod C ile başlıyorsa işlemin iptal edildiğini ifade eder.)</li><li>StockCode — Ürün kodu (Her bir ürün için eşsiz ürün kodu bulunmaktadır.)</li><li>Description — Ürün ismi</li><li>Quantity — Ürün adedi (Faturalardaki ürünlerden kaçar tane satıldığını ifade etmektedir.)</li><li>InvoiceDate — Fatura tarihi</li><li>UnitPrice — Fatura fiyatı (Sterlin cinsinden)</li><li>CustomerID — Müşteri numarası (Her bir müşteri için eşsiz numaradır.)</li><li>Country — Ülke ismi (Müşterinin yaşadığı ülkeyi ifade eder.)</li></ul><p><strong>2.2. KEŞİFSEL VERİ ANALİZİ</strong></p><p>Öncelikle kullanılacak kütüphaneler ve pd.read_excel metodu yardımıyla verisetini okuturuz.Burada kullanılan “head” kod çıktısının ilk 5 satırını getirir. “Tail” metodu da head metodunun tersi olarak kod çıktısının son 5 satırını getirmektedir. Veri ile ilgili genel istatistiksel işlemleri yapmak için pandas, recency bulmak amacıyla zaman farkını almak için de datetime kütüphanelerini kullanırız. “Kod ve çıktısını Tablo 1 : Verisetinin Python ile okutulması” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/859/1*Kq6csFkNe9ZJDiZja03xkw.png" /><figcaption><strong>Tablo 1.</strong> Verisetinin Python kodu ile okutulması</figcaption></figure><p>Verisetinin kapladığı alanı ve sütun tiplerini görmak amacıyla pandas kütüphanesi içindeki “info” fonksiyonunu kullanırız. Verimiz 541910 satır, 8 sütundan oluşmaktadır. Veri tipleri integer, float, datetime ve objecttir. Kod ve çıktısını “Tablo2 : Sütunların İncelenmesi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/861/1*ydLqtJDvlOpSBtLiXMMjSA.png" /><figcaption><strong>Tablo 2.</strong> Sütunların İncelenmesi</figcaption></figure><p>df.describe().T fonksiyonu, pandas kütüphanesinde bulunan bir veri analizi metodunun bir uygulamasıdır. Bu fonksiyon, bir pandas DataFrame’in istatistiksel özetini transpoze ederek sunar. Bu sayısal sütunlar için ölçüler aşağıdaki gibidir;</p><p>count : Boş olmayan değerlerin sayısı</p><p>mean : ortalama değer</p><p>std : standart sapma</p><p>min : minimum değer</p><p>25 % : alt çeyrek (25. Yüzdelik)</p><p>50 % : medyan</p><p>75 % : üst çeyrek (75. Yüzdelik)</p><p>max : maximum değer</p><p>Bu ölçüler verisetinin genel dağılımı hakkında bilgi verir. T ise pandas DataFrame’inin transpozisyonunu verir. Yani satırlarla sütunların yer değiştirmesini sağlar. Bu işlem türü yalnızca sayısal sütunların dağılımı hakkında bilgi vermektedir. Kod ve çıktısını “Tablo 3 : İstatistiksel Analiz” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/864/1*UF2OTeHKYRDvSDRzMXi4Og.png" /><figcaption><strong>Tablo 3.</strong> İstatistiksel Analiz</figcaption></figure><p>“isnull()” metodu ile eksik verileri sütun bazında incelemeyi sağlar. Eksik veri varsa bu satırları verisetinden çıkarmamız gerekecektir. Kod ve çıktısını “Tablo 4 : Eksik Veri Analizi” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/847/1*qdKSvZdMuLIpXPC0jZGXKQ.png" /><figcaption><strong>Tablo 4.</strong> Eksik Veri Analizi</figcaption></figure><p>Doğruluk ve güvenilirlik açısından yanıltıcı olmaması açısından eksik verileri elememiz gerekir. df.dropna() metodu eksik verileri verisetinden çıkarmamızı sağlar. Verisetimizdeki kalabalıklığı gidermek amacıyla bu işlemi yapmak doğru bir yaklaşımdır. Kod ve çıktısını “Tablo 5 : Eksik Verileri Eleme” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/852/1*SljrGyeqDTO8AIsD7-N5Ug.png" /><figcaption><strong>Tablo 5.</strong> Eksik Verileri Eleme</figcaption></figure><p>Her bir sütun için eşsiz değer sayısını görmek için df.nunique() kodunu kullanırız. Kod ve çıktısını “Tablo 6 : Eşsiz Değer Sayıları” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/858/1*NE6A0M6qeEp3YHUxFqZtfQ.png" /><figcaption><strong>Tablo 6. </strong>Eşsiz Değer Sayıları</figcaption></figure><p>df.value_counts() metodu bir sütundaki değerlerden kaç adet olduğunu gösterir. İlk 5 üründen kaç adet satıldığını “Tablo 7 : Satılan Ürün Adetleri” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/858/1*WD_BYyY36etqAzFAiHNcjA.png" /><figcaption><strong>Tablo 7.</strong> Satılan Ürün Adetleri</figcaption></figure><p>“sort” metodu tablolarda sıralama yapmak için kullanılır. Kodun sonuna eklenen “ascending=False” bölümü sayısal sıralamalarda büyükten küçüğe, string ifade sıralamalarında Z’den A’ya sıralama yapar. Bu ekleme yapılmadığı taktirde küçükten büyüğe veya A’dan Z’ye sıralama gerçekleşecektir. En çok sipariş edilen 5 ürünü bulduğumuz kod ve çıktısını “Tablo 8 : En Çok Sipariş Edilen 5 Ürün” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/859/1*TuLzJnXaY6b5KopVABPZYQ.png" /><figcaption><strong>Tablo 8.</strong> En Çok Sipariş Edilen 5 Ürün</figcaption></figure><p>Faturalardaki “C” ile başlayan fatura numaraları iptal edilen işlemleri göstermektedir. Analizin segmentasyon hatasına sebebiyet vermemesi amacıyla iptal olan faturaları verisetinden çıkartmamız gerekir. “startswith” metodu string ifadenin başını, “endswith” metodu string ifadenin sonunu yakalamamızı sağlar. Fatura numaralarını string ifadeye çevirerek “C” ile başlayanları elediğimiz kod ve çıktısını “Tablo 9 : İptal Olan Faturaları Eleme” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/864/1*pvKKm2mdji51jJ2bBlI4hg.png" /><figcaption><strong>Tablo 9.</strong> İptal Olan Faturaları Eleme</figcaption></figure><p>Faturalardaki ürün adetlerini ürün birim fiyatlarıyla çarparak ürünlerin toplam fiyatını buluruz. Kod ve çıktısını “Tablo 10 : Ürün Toplam Fiyatları” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*_UQlkBY8BZ_4jEor_KAl4A.png" /><figcaption><strong>Tablo 10.</strong> Ürün Toplam Fiyatları</figcaption></figure><p>Verisetinde fazlalık yaratmaması adına toplam ücreti 0’dan büyük olanları dikkate alırız. Kod ve çıktısını “Tablo 11 : Toplam Ücreti 0’dan Büyük Olanlar” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/884/1*72FurIOJxOYGt93p83lXQg.png" /><figcaption><strong>Tablo 11.</strong> Toplam Ücreti 0’dan Büyük Olanlar</figcaption></figure><p><strong>2.3. RFM UYGULAMASI</strong></p><p>Her müşteriye özel Recency, Frequency, Monetary metriklerini bulmak için groupby, aggregation ve lambda metodlarını kullanarak gruplama işlemi gerçekleştiririz. “Groupby” Customer ID’ye göre Recency, Frequency, Monetary değerlerini bir araya getirebilmek amacıyla kullanılır. “Aggregation” metodu groupby metodunun yardımcısıdır, belirlenen sütunlara göre toplama, ortalama alma, maksimum ve minimum değerleri bulma gibi matematiksel işlemler için kullanılmaktadır. Kod ve çıktısını “Tablo 12 : Müşteriye Göre Recency Frequency Monetary Gruplama” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/873/1*4KFX3YZMxzD4vH9nGJTc7Q.png" /><figcaption><strong>Tablo 12.</strong> Müşteriye Göre Recency, Frequency, Monetary Gruplama</figcaption></figure><p>Oluşturduğumuz metrikleri büyüklüklerine göre 1 ve 5 arasında değişen skorlara çevirmemiz gerekir. Burada önemli olan alışveriş sıklığı ve bırakılan parasal değer büyüdükçe skorlamaya doğrusal oranda katkı sağlarken son alışveriş tarihinden bugüne kadar geçen sürenin düşük olması daha iyi bir sonuç vereceğinden Recency skorlarının 5, 4, 3, 2, 1 olarak tersten sıralanmasıdır. Yani bu orantı en yakın zamanda alışveriş yapan müşterinin diğerlerine oranla daha değerli olduğunu gösterebilmek amacıyla yapılmaktadır. Buna karşılık Frequency ve Monetary skorları 1, 2, 3, 4, 5 olarak küçükten büyüğe oluşturulur. Çünkü mantıksal olarak daha sık alışveriş yapan ve büyük harcamalar yapan müşterilerin bu metriklerden aldığı puanların daha büyük olması beklenir. Kod ve çıktısını “Tablo 13 : Metriklere Göre Skorlar” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/872/1*COFKlilVHDVvSx_GKlehSA.png" /><figcaption><strong>Tablo 13.</strong> Metriklere Göre Skorlar</figcaption></figure><p>Metriklerin bir araya getirilmesi için sayısal skorlar string ifadeye çevrilerek birleştirme işlemi yapılır. Pythonda veri tipi dönüşümleri için “astype” metodu kullanılır. Böylece her müşterinin RFM skoru oluşturulmuş olur. Sonuçları “Tablo 14 : RFM Skorları” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/873/1*YyntPh4vnLOlONXrdy1qJg.png" /><figcaption><strong>Tablo 14.</strong> RFM Skorları</figcaption></figure><p>Segmentasyon haritası müşterileri belli özelliklere göre gruplara ayırmak ve bu grupların her birini tanımlamak için kullanılan bir yapıdır.</p><p>RFM skorlarının segmentasyon haritasında denk geleceği yerleri bulduktan sonra müşterilerimizin segment karşılıklarını tablomuza ekleriz. Kod ve çıktısını “Tablo 15 : Müşteri Segmentleri” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/1*ge_ZlyfbP4ywbTeofDySxg.png" /><figcaption><strong>Tablo 15.</strong> Müşteri Segmentleri</figcaption></figure><p>Segment gruplarına göre recency, frequency ve monetary değerlerinin ortalamalarını ve kaç adet olduklarını “mean” ve “count” yardımıyla buluruz. “Tablo 16 : Segment İstatistikleri” tablosundan inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/886/1*fbzjiakS0qGAlbDR9_LEMg.png" /><figcaption><strong>Tablo 16.</strong> Segment İstatistikleri</figcaption></figure><p>Analiz kodları ve verisetine aşağıdaki linkten ulaşabilirsiniz.</p><p><a href="https://www.kaggle.com/code/seydaaoztop/online-retail-rfm-analysis">Online_Retail_RFM_Analysis</a></p><p><strong>BÖLÜM 3.SEGMENTASYON GRUPLARININ İNCELENMESİ</strong></p><p><strong>3.1. SEGMENTASYON HARİTASINA GENEL BAKIŞ</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/873/1*RJ_LKonz68EP40bmhJRjsQ.png" /><figcaption><strong>Şekil 1.</strong> Segmentasyon Haritası</figcaption></figure><p>Segment haritasının genel gösterimini “Şekil 1 : Segmentasyon Haritası” ekinden inceleyebilirsiniz. Segmentasyon haritasında Hibernating grubundan Champions grubuna doğru gidildikçe skor büyüklüklerinin artmasıyla birlikte müşteri değer oranları da artmaktadır. Her ne kadar tablo olarak 2 boyutlu olarak görünse de monetary değeri ile birlikte boyut sayısı 3’tür. Örneğin “Şekil 2 : Monetary Etkisi” ekindeki monetary değerleri tablodaki balonların büyüklükleriyle doğru orantılıdır. Sayısal olarak Recency ve Frequency değeri düşük sayılara denk gelen müşteri gruplarından yüksek olan müşteri gruplarına doğru gidildikçe müşterinin sadakat değeri artar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/870/1*MynOYXjCiSJT57emiv9wNA.png" /><figcaption><strong>Şekil 2.</strong> Monetary Etkisi</figcaption></figure><p><strong>3.2. MÜŞTERİ SEGMENTLERİNİN AÇIKLAMALARI VE GRUPLARA ÖZEL TAVSİYELER</strong></p><p>Kayıp Müşteriler (Hibernating) : Düşük aktivite, düşük parasal değer, düşü sadakat, ilgisizlik ve az etkileşime sahip müşterilerdir. Uzun süredir alışveriş yapmamış ve aktif değillerdir. Müşterilerin bu tür e-ticaret sitelerinden ne gibi beklentileri olduğu anlaşıldıktan sonra alınan aksiyonlar alınarak yeniden şirket hatırlatılabilir.</p><p>Kaybedilmek Üzere (About to Sleep) : Düşen alışveriş sıklığı, düşen tutarlar, azalan ilgi ile tanımlanır. Müşteriye özel kampanyalar, indirimler ve yeniden etkileşime geçmelerini sağlayacak iletişimler kanalları ile müşterilerin aktifliği ve sadakati yeniden kazanılabilir.</p><p>Riskli (At Risk) : Bu müşteriler daha önce işletmeyle etkileşimde bulunmuş olmalarına rağmen son zamanlarda alışveriş sıklıklarında veya harcamalarında azalma göstermiş olabilirler. Özel indirimler veya sadakat programları ile müşterileri tekrar aktif hale getirmeye çalışılabilir. Yeniden aktif olduklarında geri bildirim almak, müşteri deneyimini iyileştirmek ve memnuniyeti artırmak önemlidir.</p><p>Dikkat Gerekli (Need Attention) : Müşterilerin dikkat ve ilgiye ihtiyacı vardır. Daha fazla ilgi ve çaba ile memnuniyet artırılarak sadakat kazanılabilir. Bu müşterilere özel kampanyalar, indirimler, çözüm odaklı yaklaşımlarla işletme-müşteri ilişkisi güçlendirilebilir.</p><p>Kaybedilemez (Can’t Loose) : Alışveriş sıklığı yüksek, sağladığı gelir yüksek ancak uzun süredir alışveriş yapmamış olan müşteri grubudur. Eskiden sık sık alışveriş yaptıkları için geri döndürmek önemlidir. İndirim teklifleri geri dönmelerinde etkili olabilir. Önerilen ürünleri onlara göre kişileştirmek işe yarayabilir. Önceki zamanlarda yaptığı alışverişlerle yüksek sadakat, olumlu ürün deneyimi, özel tekliflere verdiği cevaplarla son derece değerli ve istikrarlı gelir kaynağı olarak kabul edilir. Sadakatlerini ödüllendiren programlar veya teklifler geliştirerek bu ilişkiyi güçlendirebilir ve müşteri değerini artırabiliriz.</p><p>Gelecek Vadeden (Promising) : Yakın zamanda alışveriş yapmış, düşük alışveriş sıklığı ve düşük parasal değerleri vardır. Bu müşteriler potansiyel olarak daha sık alışveriş yapabilirler. Gelecek vadeden müşteriler çevrelerine ürün veya hizmet önerme ya da tavsiye etme eğilimi gösteren müşteri gruplarıdır. Bu şekilde müşteri ağı genişleyebilir. Gelecek vadeden müşteriler işletmeler için gelecekte büyüme ve gelir artışı sağlama potansiyeline sahip önemli bir müşteri segmentini ifade eder.</p><p>Yeni Müşteriler (New Customers) : Son alışverişinin üstünden kısa bir süre geçmiş ve henüz diğer müşteriler kadar alışveriş yapmamış olan müşteri grubudur. Bu müşteri grubu henüz yüksek harcama yapmamış olabilir. Hoş geldin kampanyaları ve yeni ürünler hakkında bilgilendirmeler ile müşterileri daha fazla alışveriş yapmaya teşvik edebilirsiniz.</p><p>Sadık Müşteriler (Loyal Customers) : Düzenli olarak geri dönen, yüksek tutarlarda ve sık alışveriş yapan, ürünleri iyi bilen, referans olan ve uzun süreli ilişkiler kuran müşterileri ifade eder. Ortalama parasal değerleri ve alışveriş yapma sıklığı yüksek. Ürünlerle ilgili geri dönüş alınabilir, memnuniyetlerine göre kaybedilip kaybedilmeme durumu gözlenir ve olumsuz dönüşler için çözüm bulunabilir. İşletme için büyük değer taşır çünkü sürekli gelir sağlarlar, sadakatleri yüksektir ve genellikle işletmenin ürün veya hizmetlerini diğer alternatiflere tercih ederler. Bu müşterilerin değerli olduğunu onlara hissettirmek gerekir. Hediyeler gönderilebilir.</p><p>Potansiyel Sadıklar (Potential Loyalists) : Yakın zamanda alışveriş yapmış, orta seviyede alışveriş sıklığı ve parasal değere sahiptirler. Düzenli alışveriş, olumlu ilgilenme, ürün ve hizmetleri başkalarına önerme potansiyeli, marka bağlılığı, olumlu alışveriş deneyimleri bulunabilir. İyi yönetildiklerinde sadık ve değerli müşterilere dönüşebilirler..</p><p>Şampiyonlar (Champions) : Recency si en düşük olan yani en son satın alma sürelerinin ortalaması en düşük olan müşteri grubudur. Alışveriş sıklığı en fazla olan müşteri grubudur. En fazla geliri sağlayan müşteri grubudur. Yeni ürün tanıtımında bu grup odak olabilir. Ödemeye isteklidirler, bu yüzden satışları artırmak için indirimli fiyatları bu gruba sunmayabiliriz. Ödeme konusunda çekinmiyorlardır, KDV değeri yüksek ürünleri önerebiliriz. Bir ürünün en iyisini almak isteyeceklerdir. Yüksek gelir getirirken aynı zamanda pozitif marka elçileri olarak işlev görebilirler. Bu segmenti anlamak ve yönetmek işletmelerin pazar stratejilerini ve müşteri ilişkilerini daha etkili bir şekilde biçimlendirmeye yardımcı olabilir.</p><p><strong>SONUÇLAR VER ÖNERİLER</strong></p><p>Bu projede veri bilimi çalışmalarında sıkça kullanılan RFM analizinin tanımı, nasıl çalıştığı, uygulandığı alanlara yer verilmiştir. Kodlar Python ile yazılmış ve tüm aşamaları detaylı bir şekilde anlatılmıştır.</p><p>Bir e-ticaret şirketinde mevcut müşteriyi elde tutma probleminden bahsedilmiş. Şirket müşterilerinin satın alma verilerine bakılarak Python üzerinde RFM analizi metrikleri kullanılarak yazılan kodlarda firmanın segmentleri gözlemlenmiştir. Segment sonuçları sayesinde mevcut problem daha iyi gözlenmiştir. RFM analizi ve veri madenciliğini kullanarak, RFM analizinin müşteri sınıflandırılmasında sadık müşteri tespitinde ve firmaların müşteri sadakatini arttırmak için yararlı bir analiz modeli olduğundan bahsedilmiştir. Sonuçlara göre her segment grubu için ayrı önerilerden bahsedilmiştir.</p><p>Çıkan sonuçlara göre her grup için ayrı kampanya üretilmesi, kampanya bütçe planlaması yapılması ve segment gruplarıyla bireysel iletişim kurulması tavsiye edilmektedir. Yapılan çalışmalar müşteri segmentasyonuna göre alınan aksiyonların sayısal verilere dayanarak çok daha iyi sonuç ve güven verdiğini göstermiştir.</p><p>Analiz sonuçlarına bakılarak gelecek zamanlarda da sadakat analizleri, talep tahminleri, müşteri yaşam boyu değer tahminleri, segmentlere göre talep edilen ürün ve hizmet analizleri yapılabilecektir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6383381c50f2" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>