<?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 Senol YILDIZ on Medium]]></title>
        <description><![CDATA[Stories by Senol YILDIZ on Medium]]></description>
        <link>https://medium.com/@senoll.yldzz?source=rss-226ce6e56c75------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*53AaIX42GbbQRUH2AEPDTg.jpeg</url>
            <title>Stories by Senol YILDIZ on Medium</title>
            <link>https://medium.com/@senoll.yldzz?source=rss-226ce6e56c75------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 20:18:36 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@senoll.yldzz/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[İş Analistinin Pusulası: İş ve Teknik Gereksinimler Arasındaki Kritik Farklar (BRD, FRD, SRS)]]></title>
            <link>https://medium.com/@senoll.yldzz/i%CC%87%C5%9F-analistinin-pusulas%C4%B1-i%CC%87%C5%9F-ve-teknik-gereksinimler-aras%C4%B1ndaki-kritik-farklar-brd-frd-srs-a8d7ab4d383e?source=rss-226ce6e56c75------2</link>
            <guid isPermaLink="false">https://medium.com/p/a8d7ab4d383e</guid>
            <category><![CDATA[business-analysis]]></category>
            <category><![CDATA[agile-methodology]]></category>
            <category><![CDATA[fintech]]></category>
            <category><![CDATA[sdlc]]></category>
            <category><![CDATA[requirements-management]]></category>
            <dc:creator><![CDATA[Senol YILDIZ]]></dc:creator>
            <pubDate>Sat, 07 Feb 2026 11:40:54 GMT</pubDate>
            <atom:updated>2026-02-07T11:40:54.175Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qdryRzsqfFvHb7QOU8onaw.png" /><figcaption>Şekil 1.1 Yazar tarafından AI aracılığıyla üretilmiştir</figcaption></figure><p>Yazılım geliştirme süreçlerinde bir fikri başarılı bir ürüne dönüşmesi, iş ihtiyaçları ile teknik uygulama arasındaki köprünün ne kadar sağlam kurulduğuna bağlıdır. Bu yazımda, İş Analistlerinin en önemli araçları olan BRD, FRD ve SRS dokümanlarını inceleyerek, her birinin projenin yaşam döngüsündeki (SDLC) kritik rolünü, aralarındaki farkları detaylandıracağız.</p><h3>Business Requirements Document (BRD)</h3><p>BRD, bir projenin “neden” yapıldığını ve işletmenin bu projeden ne beklediğini üst düzeyde tanımlayan belgedir. Müşteri veya paydaşların (Stakeholders) iş ihtiyaçlarına odaklanır aynı zamanda teknik detaylardan arındırılmıştır.</p><h4><strong>Anahtar Bileşenleri:</strong></h4><ul><li><strong>Proje Arka Planı ve Amaç: </strong>Projenin neden gerekli olduğunu açıklamalıdır. (Örnek “Müşteri kaybını azaltmak için yeni bir mobil sadakat sistemi”)</li><li><strong>İş Hedefleri: </strong>Ölçülebilir bir başarı kriterlerini içermelidir. (Örnek: “Kredi başvuru süresini %30 kısaltmak”)</li><li><strong>Kapsam (Scope): </strong>Projeye nelerin dahil olduğunu ve nelerin dahil olmadığı (In-Scope / Out of Scope) netleştirilmelidir.</li><li><strong>Paydaşlar (Stakeholders): </strong>Projeden etkilenen veya projeyi etkileyen birimler, ekiplerdir.</li></ul><h4><strong>Önemi ve Projeye Katkıları</strong></h4><p>BRD, proje sponsoru ve geliştirme ekibi arasında bir sözleşme niteliği taşır. Finansal kaynakların doğru yere harcandığını garanti altına alır ve projenin iş stratejisiyle uyumlu kalmasını sağlar.</p><h3>Functional Requirements Document (FRD)</h3><p>FRD, BRD de belirtilen iş ihtiyaçlarını karşılamak için sistemin “nasıl” davranması gerektiğini açıklar. Kullanıcının sistemle etkileşimini ve sistemin girdilere vereceği yanıtları detaylandırır.</p><h4><strong>Anahtar Bileşenleri:</strong></h4><ul><li><strong>Kullanıcı Senaryoları (Use Cases): </strong>Kullanıcının bir hedefe ulaşmak için attığı adımlardır.</li><li><strong>İş Kuralları:</strong> Sistemin karar mekanizmalarıdır (Örnek: “Kredi skoru 1000’in altındaysa başvuru reddedilir.”)</li><li><strong>Veri Girdileri ve Çıktıları:</strong> Hangi verilerin girileceği ve sistemin ne üreteceği diyebiliriz.</li></ul><h4><strong>Önemi ve Projeye Katkıları</strong></h4><p>Yazılımcılar için kodlamaya başlamadan önceki rehberdir. İş mantığındaki boşlukların erken fark edilmesini sağlar. Özellikle yazılım sektörleri projelerinde mevzuat uyumluluğu genellikle bu aşamada iş kuralları olarak sisteme entegre edilir.</p><h3>Software Requirements Specification (SRS)</h3><p>SRS, hem fonksiyonel (FRD’den gelen) hem de fonksiyonel olmayan (Non-functional) gereksinimleri içeren en kapsamlı teknik dokümandır. Sistemin mimarisi, performansı ve güvenlik standartlarını belirler.</p><h4><strong>Anahtar Bileşenleri:</strong></h4><ul><li><strong>Sistem Arayüzleri: </strong>API Entegrasyonları ve veri tabanı şemaları.</li><li><strong>Performans Kriterleri:</strong> Sistemin hız ve yük altındaki davranışları (Örnek: “Sistem saniyede 10.000 işlem desteklemelidir.”)</li><li><strong>Güvenlik Gereksinimleri:</strong> Veri şifreleme ve yetkilendirme standartları.</li><li><strong>Hata Yönetimi:</strong> Sistemin hatalara karşı nasıl tepki vereceği.</li></ul><h4><strong>Önemi ve Projeye Katkıları</strong></h4><p>SRS, test mühendisleri için test senaryolarını oluşturma temelidir. Sistemin teknik kalitesini ve sürdürebilirliğini garanti etmesini sağlar.</p><h3>Karşılaştırma ve Özet Tablo</h3><p>Aşağıdaki tablo, üç doküman arasındaki temel farkları özetlemektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*01YeUbHxeP_UJIF0CxX2RA.png" /><figcaption>Şekil 1.2 Word tablosundan görüntü</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a8d7ab4d383e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Dijital Bankacılıkta Müşteri Edinimi ve Kredi Tahsis Süreçleri (Case Study)]]></title>
            <link>https://medium.com/@senoll.yldzz/dijital-bankac%C4%B1l%C4%B1kta-m%C3%BC%C5%9Fteri-edinimi-ve-kredi-tahsis-s%C3%BCre%C3%A7leri-case-study-888641d00558?source=rss-226ce6e56c75------2</link>
            <guid isPermaLink="false">https://medium.com/p/888641d00558</guid>
            <category><![CDATA[business-analytics]]></category>
            <category><![CDATA[banking-technology]]></category>
            <category><![CDATA[jira-agile]]></category>
            <category><![CDATA[uml-diagrams]]></category>
            <category><![CDATA[design-process]]></category>
            <dc:creator><![CDATA[Senol YILDIZ]]></dc:creator>
            <pubDate>Mon, 26 Jan 2026 16:42:54 GMT</pubDate>
            <atom:updated>2026-01-26T16:44:41.774Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ERkmDRVBMVn6M2uy-l_zSg.png" /></figure><p>Bu çalışma, dijital bankacılık sektöründe müşteri edinimi ve kredi tahsis süreçlerine odaklanıyor. Uçtan uca dijitalleştirme ile operasyonel verimliliği maksimize etmeyi hedefleyen kapsamlı bir İş Analizi (Business Analysis) portföy serisidir. Çalışma, modern bir bankacılık çözümünün analiz, tasarım ve dokümantasyon aşamalarını teknik perspektifle sunar. Tasarım, regülatif uyumluluk (<em>BDDK, KVKK</em>) çerçevesindedir.</p><h4><strong>Proje Vizyonu ve Stratejik Hedefler</strong></h4><p>Dijital Müşteri Edinimi ve Anında Kredi Sistemi (<em>FlashCredit &amp; Onboarding</em>), tamamen dijital bir deneyim sunuyor. Kullanıcılar şubeye gitmeden mobil uygulama üzerinden hesap açabilir ve dakikalar içinde kredi kullanabilir. Bu süreç, endüstri mühendisliği altyapısı ve BT iş analizi metodolojileriyle kurgulanmıştır. Hedef: operasyonel maliyetleri düşürmek ve müşteri edinim hızını artırmak.</p><ul><li><strong>Tam Otomasyon (Full Automation) —</strong> Kredi kararlarının %90 oranında insan müdahalesi olmadan karar motorları (<em>Decision Engine</em>) tarafından verilmesi.</li><li><strong>Hibrit Doğrulama (Hybrid Verification) —</strong> Biyometrik veya NFC doğrulamanın başarısız olduğu durumlarda görüntülü görüşme (<em>Video Call</em>) desteğiyle müşteri kaybını (<em>Drop-off Rate</em>) %10&#39;un altına indirmek.</li><li><strong>Hız ve Verimlilik —</strong> Tüm sürecin (<em>Happy Path</em>) 5 dakikanın altında tamamlanması ve saniyede 1.000+ anlık başvuru kapasitesi.</li></ul><h4><strong>Teknolojik Altyapı ve Regülatif Uyumluluk (Tech Stack &amp; Compliance)</strong></h4><p>Proje tasarımı, BDDK’nın Uzaktan Kimlik Tespiti Yönetmeliği ve KVKK standartlarına tam uyumludur. Modern bankacılık mimarisine uygun olarak aşağıdaki teknolojiler kullanılmıştır:</p><ul><li><strong>Kimlik Doğrulama — </strong>Optik Karakter Tanıma (<em>OCR</em>) ile kimlik taraması ve Yakın Alan İletişimi (<em>NFC</em>) ile çip verilerinin okunması.</li><li><strong>Biyometrik Kontrol — </strong>Canlılık (<em>Liveness</em>) kontrolü ve NFC üzerinden alınan fotoğraf ile canlı görüntünün karşılaştırılması.</li><li><strong>Dış Entegrasyonlar —</strong> KKB (<em>Kredi Kayıt Bürosu</em>), NVI (<em>Nüfus ve Vatandaşlık İşleri</em>) ve Core Banking servisleri ile gerçek zamanlı veri alışverişi.</li><li><strong>İletişim — </strong>Düşük gecikmeli (<em>Latency</em>) ses ve görüntü aktarımı için WebRTC optimizasyonu.</li></ul><h4><strong>Proje Çıktıları ve Dokümantasyon Yapısı (Project Deliverables)</strong></h4><p>Bu çalışma, bir iş analistinin bir projenin yaşam döngüsü (<em>SDLC</em>) boyunca ürettiği temel çıktılar yansıtmak amacıyla altı ana başlıkta toplanmıştır.</p><ul><li><strong>Gereksinimler (Requirements) — </strong>İş Gereksinim Belgesi (<em>BRD</em>) ve Yazılım Gereksinim Spesifikasyonu (<em>SRS</em>) dokümanı.</li><li><strong>Süreç Tasarımı (Process Design) —</strong> İş akış (<em>Swimlane</em>) diyagramları ve Balsamiq ile kullanıcı arayüzü (UI) prototipleri</li><li><strong>Veri Mimarisi (Data Architecture) —</strong> Varlık-İlişki Diyagramı (<em>ERD</em>) ve Veri Sözlüğü (<em>Data Dictionary</em>)</li><li><strong>Entegrasyon (Integration) — </strong>API yönetişimi (<em>API Governance</em>) ve servis detayları.</li><li><strong>Kalite Güvence (Quality Assurance) —</strong> Kullanıcı Kabul Testi (<em>UAT</em>) senaryoları.</li><li><strong>Proje Yönetimi (Project Management) —</strong> Jira üzerine kurgulanmış ürün iş listesi (<em>Product Backlog</em>).</li></ul><h4><strong>GitHub Repozituvarı (GitHub Repository)</strong></h4><p>Projenin tüm teknik detaylarına, diyagramlarına ve dokümantasyonuna aşağıdaki bağlantı üzerinden ulaşabilirsiniz.</p><p><strong><em>GitHub Linki:👇🏼</em></strong><a href="https://github.com/senolyldz20/Digital_Customer_Onboarding_and_Instant_Credit_System"><em>https://github.com/senolyldz20/Digital_Customer_Onboarding_and_Instant_Credit_System</em></a></p><p>💡<strong><em>Bir sonraki paylaşımda, projenin temelini oluşturan İş Gereksinim Belgesi (BRD) ve Yazılım Gereksinim Spesifikasyonu (SRS) detaylarını inceleyeceğiz.</em></strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=888641d00558" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modern Yazılım Geliştirmede Scrum: Takım Yapısı ve Roller — 2.Bölüm]]></title>
            <link>https://medium.com/@senoll.yldzz/modern-yaz%C4%B1l%C4%B1m-geli%C5%9Ftirmede-scrum-tak%C4%B1m-yap%C4%B1s%C4%B1-ve-roller-2-b%C3%B6l%C3%BCm-0e870523039c?source=rss-226ce6e56c75------2</link>
            <guid isPermaLink="false">https://medium.com/p/0e870523039c</guid>
            <category><![CDATA[agile]]></category>
            <category><![CDATA[business-analysis]]></category>
            <category><![CDATA[scrum]]></category>
            <category><![CDATA[business-strategy]]></category>
            <dc:creator><![CDATA[Senol YILDIZ]]></dc:creator>
            <pubDate>Fri, 05 Dec 2025 16:17:43 GMT</pubDate>
            <atom:updated>2026-02-07T15:04:08.992Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Modern Yazılım Geliştirmede Scrum: Takım Yapısı ve Roller — 2.Bölüm</strong></h3><p>Yazılım geliştirme dünyası, sürekli değişen müşteri talepleri ve hızla evrilen teknoloji ile başa çıkabilmek için çevik (Agile) yöntemlere yöneliyor. Bu çevik yöntemlerin en popüler ve yaygın kullanılanı ise Scrum çerçevesidir. Scrum, karmaşık projeleri yönetmek ve ürün geliştirmek için kullanılan, ekiplerin daha etkin ve verimli çalışmasını sağlayan yapılandırılmış bir çerçevedir. Bu blog yazımda, bir Scrum takımının yapısını, her bir rolün sorumluluk alanlarını inceleyeceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/939/1*KidwNcq4sOZB8nFD0jFQxg.png" /><figcaption>Scrum Takımı</figcaption></figure><h3><strong>2.1 Scrum Takımı Nedir?</strong></h3><p>Scrum takımı, tipik olarak 10 veya daha az kişiden oluşan, kendi kendini organize edebilen ve çapraz fonksiyonlu bir birimdir. Geleneksel hiyerarşik yapıların aksine, Scrum takımlarında tüm üyeler eşit öneme sahiptir ve birlikte çalışarak ürünü teslim etmek için gerekli tüm beceri ve bilgiye sahip olurlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*HY2JV5EZzDIdZjzQnJGtYw.png" /><figcaption><strong>Scrum Takımının Temel Özellikleri</strong></figcaption></figure><h3><strong>2.2 Product Owner: Ürün Değerinin Koruyucusu</strong></h3><p>Product Owner (PO), projenin <strong>“Ne?”</strong> sorusundan sorumlu kişidir. Takımın pusulasıdır. Müşterinin sesini takıma, takımın yeteneklerini ise paydaşlara tercüme eder.</p><h4><strong>Temel Sorumlulukları:</strong></h4><ul><li><strong>Ürün İş Listesini (Product Backlog) Yönetmek:</strong> Yapılacak işleri belirler, detaylandırır ve en önemlisi <strong>önceliklendirir.</strong></li><li><strong>Değeri Maksimize Etmek:</strong> Takımın harcadığı eforun, iş değeri (business value) en yüksek özelliklere gitmesini sağlar.</li><li><strong>Vizyonu Korumak:</strong> Herkesin “Nereye gidiyoruz?” sorusunun cevabını bildiğinden emin olur.</li></ul><h3><strong>2.3 Scrum Master: Süreç ve Metodoloji Lideri</strong></h3><p>Scrum Master, takımın koçu, koruyucusu ve hizmetkar lideridir (servant leader). O bir proje yöneticisi değildir; kimseye ne yapması gerektiğini söylemez. Onun görevi, Scrum’ın teorisini ve kurallarını takımın benimsemesini sağlamaktır.</p><h4><strong>Temel Sorumlulukları:</strong></h4><ul><li><strong>Engelleri Kaldırmak:</strong> Takımın önündeki teknik, idari veya kişisel engelleri (impediments) temizler.</li><li><strong>Etkinlikleri Kolaylaştırmak:</strong> Daily Scrum, Sprint Planning veya Retrospective gibi toplantıların verimli geçmesini sağlar.</li><li><strong>Takımı Korumak:</strong> Geliştirme takımını dışarıdan gelen plansız işlerden ve baskılardan korur.</li></ul><h3><strong>2.4 Developers (Geliştiriciler): Ürün Geliştirme Ekibi</strong></h3><p>Scrum’da “Developer” denildiğinde sadece kod yazan kişiler kastedilmez. Analist, test mühendisi, tasarımcı, mimar… Ürünü ortaya çıkarmak için gerekli yetkinliğe sahip olan herkes “Geliştirici” şapkası altındadır.</p><h4><strong>Temel Sorumlulukları:</strong></h4><ul><li><strong>Kaliteyi Sağlamak:</strong> “Bitti” (Definition of Done) tanımına uygun, çalışan bir ürün parçası (Increment) teslim etmek.</li><li><strong>Planlama:</strong> Sprint Backlog’u oluşturmak ve o sprint içinde ne kadar iş alabileceklerine <strong>kendileri karar vermek</strong>.</li><li><strong>Dayanışma:</strong> Birbirlerine yardım ederek sprint hedefine ulaşmak.</li></ul><p>Unutmayın, Scrum kağıt üzerindeki kurallardan ibaret değil; güven ve şeffaflıkla beslenen bir zihniyettir. Mükemmel takım bir günde kurulmaz, her Sprint’te ilmek ilmek işlenir. Rolünüz ne olursa olsun, bu kültürü benimsediğinizde sadece kodun değil, başarının da kalitesinin arttığını göreceksiniz. Çevik kalın!</p><p><em>Bilgilendirme: Bu yazı, size daha akıcı ve anlaşılır bir bilgi akışı sağlamak adına yapay zeka araçları kullanılarak sadeleştirilmiştir.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0e870523039c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modern Yazılım Geliştirmede Scrum: Scrum’ın Felsefesi ve Temelleri — 1.Bölüm]]></title>
            <link>https://medium.com/@senoll.yldzz/modern-yaz%C4%B1l%C4%B1m-geli%C5%9Ftirmede-scrum-scrum%C4%B1n-felsefesi-ve-temelleri-1-b%C3%B6l%C3%BCm-90fb160b7859?source=rss-226ce6e56c75------2</link>
            <guid isPermaLink="false">https://medium.com/p/90fb160b7859</guid>
            <category><![CDATA[business-analytics]]></category>
            <category><![CDATA[scrum]]></category>
            <category><![CDATA[agile]]></category>
            <dc:creator><![CDATA[Senol YILDIZ]]></dc:creator>
            <pubDate>Mon, 15 Sep 2025 15:16:12 GMT</pubDate>
            <atom:updated>2025-09-15T15:19:10.284Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Modern Yazılım Geliştirmede Scrum: </strong>Scrum’ın Felsefesi ve Temelleri — 1.Bölüm</h3><p>Günümüzün hızla değişen iş dünyasında, başarılı yazılım projeleri için geleneksel proje yönetim yaklaşımları artık yeterli olmamaktadır. Scrum metodolojisi, Ken Schwaber ve Jeff Sutherland tarafından 1990&#39;larda geliştirilen ve deneysellik ile yalın düşünce üzerine kurulan, takımların karmaşık problemler için adapte edilebilir çözümler üretmesine olanak tanıyan basit bir çerçevedir. Bu metodoloji, şeffaflık, gözlem ve adaptasyon ilkeleri etrafında şekillenerek, organizasyonlara sürdürülebilir değer yaratma imkânı sunar. Scrum’ın başarısı, belirlenen rollerin net sorumlulukları, düzenli etkinlik yapısı ve sürekli iyileştirme odaklı yaklaşımında yatmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/1*6mdLpc1nxbqgGnAP2qErWg.png" /><figcaption>Scrum metodolojisinin 5 temel değerinin önemi ve etki skorları</figcaption></figure><h3><strong>1. Scrum’un Teorik Temelleri ve Temel İlkeleri</strong></h3><p><strong>1.1 Deneysellik ve Yalın Düşünce Felsefesi</strong></p><p>Scrum’un çekirdeğinde deneysellik ve yalın düşünce prensipleri bulunur. Deneysellik, bilginin deneyimden ve gözleme dayalı karar vermekten geldiğini ileri sürer ve belirsizlik ortamlarında daha etkili sonuçlar elde edilmesini sağlar. Yalın düşünce ise israfı azaltır ve temel unsurlara odaklanarak, gereksiz karmaşıklıkları ortadan kaldırır. Bu iki temel ilke, Scrum’ın öngörülebilirliği en üst seviyeye çıkarma ve riski kontrol etme amacını destekler.</p><p>Scrum,<strong><em> yinelemeli (iterative)</em></strong> ve <strong><em>artımlı (incremental)</em></strong> bir yaklaşım kullanarak, sürekli gözlem ve adaptasyonu mümkün kılar. Bu yaklaşım, geleneksel şelale modelinin aksine, değişen gereksinimlere hızlı adapte olma yeteneği sağlar ve proje risklerini minimize eder. Metodolojinin bu esnek yapısı, özellikle yazılım geliştirme alanında büyük avantajlar sunmaktadır.</p><p><strong>1.2 Şeffaflık, Gözlem ve Adaptasyon Döngüsü</strong></p><p>Scrum’un deneyselliğinin dayandığı üç temel sütun bulunmaktadır: şeffaflık, gözlem ve adaptasyon. Şeffaflık, ortaya çıkan süreç ve işin, işi yapanların yanı sıra işten yararlananlar için de görünür olmasını gerektirir. Bu şeffaflık olmadığında yapılan gözlemler yanıltıcı olur ve israfa yol açar.</p><p>Gözlem aşamasında, Scrum eserleri ve üzerinde anlaşılan hedeflere yönelik ilerleme, potansiyel olarak istenmeyen sapmalar veya sorunları tespit etmek için sık sık ve özenle incelenir. Scrum, bu gözlemi kolaylaştırmak için beş etkinlikle düzenli bir ritim oluşturur. Son olarak adaptasyon aşamasında, sürecin herhangi bir yönü kabul edilebilir sınırların dışına çıkarsa veya sonuçta çıkan ürün kabul edilemezse, uygulanan süreç veya üretilmekte olan şeyler düzeltilir.</p><h3><strong>2. Scrum Eserleri ve Değer Yaratma Araçları</strong></h3><p><strong>2.1 Beş Temel Değer</strong></p><p>Scrum’un başarıyla uygulanması, insanların beş temel değeri ustalıkla yaşatma becerisine bağlıdır: <strong><em>Taahhüt (Commitment), Odak (Focus), Açıklık (Openness), Saygı (Respect) ve Cesaret (Courage)</em>.</strong> Bu değerler, Scrum Team’e çalışmaları, eylemleri ve davranışları ile ilgili yön verir.</p><p>Taahhüt değeri, Scrum Team’in hedeflerine ulaşmayı ve birbirini desteklemeyi taahhüt etmesini ifade eder. Odak değeri, takımın birincil odak noktasının hedeflerine doğru mümkün olan en iyi ilerlemeyi sağlamak için o Sprint’te aldıkları işler olmasını vurgular. Açıklık değeri, Scrum Team ve paydaşların yapılacak işler ve bu işleri yaparken karşılaşılan zorluklar hakkında açık olmasını gerektirir.</p><p>Saygı değeri, Scrum Team’in her bir üyesinin diğer üyelere yetkin ve bağımsız insanlar olarak saygı duymasını ve çalıştıkları insanlar tarafından da bu şekilde saygı görmesini kapsar. Cesaret değeri ise Scrum Team üyelerinin doğru olanı yapma ve zor problemler üzerinde çalışma cesaretine sahip olmasını ifade eder.</p><p><strong>2.2 Değerlerin Pratikteki Uygulanması</strong></p><p>Bu değerler, Scrum Team ve birlikte çalıştıkları kişiler tarafından içselleştirildiğinde, Scrum’un deneyselliğinin taşıyıcı kolonları olan şeffaflık, gözlem ve adaptasyon canlanır ve herkes için güven oluşturur. Alınan kararlar, atılan adımlar ve Scrum’un kullanılma biçimi bu değerleri azaltmamalı veya zayıflatmamalı, güçlendirmelidir.</p><p>Scrum Team üyeleri, Scrum etkinlikleri ve eserleri ile çalışırken bu değerleri öğrenir ve keşfeder. Bu değerlerin günlük uygulamaya entegrasyonu, takımın performansını artırır ve sürdürülebilir başarı için gerekli kültürü oluşturur.</p><p><strong><em>“Bir sonraki bölümde, Scrum takımının yapısını ve her bir rolün bu kültürdeki yerini detaylarıyla inceleyeceğiz.”</em></strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=90fb160b7859" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[SQL ile RFM Analizi ve Müşteri Segmentasyonu: Adım Adım Rehber (FLO Veri seti ile hazırlanmıştır)]]></title>
            <link>https://medium.com/@senoll.yldzz/sql-ile-rfm-analizi-ve-m%C3%BC%C5%9Fteri-segmentasyonu-ad%C4%B1m-ad%C4%B1m-rehber-flo-veri-seti-ile-haz%C4%B1rlanm%C4%B1%C5%9Ft%C4%B1r-2b58e850b96a?source=rss-226ce6e56c75------2</link>
            <guid isPermaLink="false">https://medium.com/p/2b58e850b96a</guid>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[crm]]></category>
            <category><![CDATA[segmentation]]></category>
            <category><![CDATA[rfm-analysis]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Senol YILDIZ]]></dc:creator>
            <pubDate>Tue, 23 Jul 2024 22:15:05 GMT</pubDate>
            <atom:updated>2024-07-23T22:30:08.294Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>İçindekiler:</strong></p><ol><li><strong>Giriş</strong></li><li><strong>Veri Seti Hikayesi</strong></li><li><strong>Veriyi Hazırlama ve Anlama</strong></li><li><strong>RFM metriklerinin hesaplanması</strong></li><li><strong>RFM metriklerinin hesaplanması</strong></li><li><strong>Müşteri Segmentleri ve Tanımları</strong></li><li><strong>Segment derecelendirme tablosu</strong></li><li><strong>Segment SQL sorgu kodların oluşturulması</strong></li></ol><h4>1. Giriş:</h4><p>Merhaba değerli okurlar, bu blog yazımda SQL kullanarak nasıl etkili bir RFM analizi yapabileceğinizi ve müşteri segmentasyonunu nasıl iyileştirebileceğinizi adım adım inceleyeceğiz. Müşteri segmentasyonu, işletmelerin pazarlama stratejilerini kişiselleştirmelerine ve müşteri ilişkilerini güçlendirmelerine yardımcı olan kritik bir süreçtir. RFM analizi, müşterilerin satın alma davranışlarını değerlendirerek bu segmentasyonu daha da anlamlı kılar. SQL ise bu analizi gerçekleştirmek için kullanacağımız güçlü bir araçtır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/946/1*0Xv6iK986Ix8HSmkJDt9Bw.png" /></figure><h4>2. Veri Seti Hikayesi:</h4><p>FLO veri seti son alışverişlerini 2020–2021 yıllarında OmniChannel (Hem online hem offline) olarak yapılan müşterilerin geçmiş alışverişi davranışlarında elde edilen bilgilerden oluşmaktadır. Bu veri setimizde 20.000 gözlem, 13 değişken bulunur.</p><p><strong>Değişken tanımları:</strong></p><ul><li><strong>master_id</strong>: Eşsiz müşteri numarası</li><li><strong>order_channel :</strong> Alışveriş yapılan platforma ait hangi kanalın kullanıldığı (Android, iOS, Desktop, Mobile, Offline)</li><li><strong>last_order_channel:</strong> En son alışverişin yapıldığı kanal</li><li><strong>first_order_date: </strong>Müşterinin yaptığı ilk alışveriş tarihi.</li><li><strong>last_order_date: </strong>Müşterinin yaptığı son alışveriş tarihi.</li><li><strong>last_order_date_online:</strong> Müşterinin online platformda yaptığı son alışveriş tarihi</li><li><strong>last_order_date_offline: </strong>Müşterinin offline platformda yaptığı son alışveriş tarihi</li><li><strong>order_num_total_ever_online:</strong> Müşterinin online platformda yaptığı toplam alışveriş sayısı</li><li><strong>order_num_total_ever_offline: </strong>Müşterinin offline’da yaptığı toplam alışveriş sayısı</li><li><strong>customer_value_total_ever_offline:</strong> Müşterinin offline alışverişlerinde ödediği toplam ücret</li><li><strong>customer_value_total_ever_online: </strong>Müşterinin online alışverişlerinde ödediği toplam ücret</li><li><strong>interested_in_categories:</strong> Müşterinin son 12 ayda alışveriş yaptığı kategorilerin listesi</li><li><strong>store_type:</strong> 3 farklı companyi ifade eder. A company’sinden alışveriş yapan kişi B’dende yaptı ise A,B şeklinde yazılmıştır.</li></ul><h4>3.Veriyi hazırlama ve Anlama:</h4><pre>-- Flo verisine SQL databaseden ulaşın.<br>SELECT * FROM FLO<br><br>-- İlk 10 gözlem<br>SELECT TOP 10 *<br>FROM FLO<br><br>--Değişken isimleri<br>SELECT COLUMN_ME AS DEGISKEN_ISIMLERI<br>FROM INFORMATION_SCHEMA.COLUMNS<br>WHERE TABLE_NAME = &#39;FLO&#39;<br><br>-- Boyut<br>SELECT COUNT(*) AS SATIR_SAYISI,<br>    (SELECT<br>        COUNT(COLUMN_NAME) AS DEGISKEN_ISIMLERI<br>    FROM INFORMATION_SCHEMA.COLUMNS<br>    WHERE TABLE_NAME = &#39;FLO&#39;) KOLON_SAYISI<br>FROM FLO<br><br><br>-- Boş değerler gözden geçirme<br>SELECT * FROM FLO WHERE master_id IS NULL<br>SELECT * FROM FLO WHERE order_channel IS NULL<br>SELECT * FROM FLO WHERE last_order_channel IS NULL;<br>SELECT * FROM FLO WHERE first_order_date IS NULL;<br>SELECT * FROM FLO WHERE last_order_date IS NULL;<br>SELECT * FROM FLO WHERE last_order_date_online IS NULL;<br>SELECT * FROM FLO WHERE last_order_date_offline IS NULL;<br>SELECT * FROM FLO WHERE order_num_total_ever_online IS NULL;<br>SELECT * FROM FLO WHERE order_num_total_ever_offline IS NULL;<br>SELECT * FROM FLO WHERE customer_value_total_ever_offline IS NULL;<br>SELECT * FROM FLO WHERE customer_value_total_ever_online IS NULL;<br>SELECT * FROM FLO WHERE interested_in_categories IS NULL<br>SELECT * FROM FLO WHERE store_type IS NULL<br><br><br>-- Değişken tipleri incelenmesi<br>SELECT<br>    COLUMN_NAME,<br>    DATA_TYPE<br>FROM INFORMATION_SCHEMA.COLUMNS<br>WHERE TABLE_NAME = &#39;FLO&#39;<br><br>--Omichannel müşterilerin hem online&#39;dan hemde offline platformlardan alışveriş yaptığını ifade etmekdir. Herbir müşterinin toplamı<br>ALTER TABLE FLO ADD order_num_total AS (order_num_total_ever_online + order_num_total_ever_offline)<br>SELECT * FROM FLO<br><br>ALTER TABLE FLO ADD customer_value_total AS (customer_value_total_ever_online + FLO.customer_value_total_ever_offline)<br>SELECT * FROM FLO<br><br>-- Alışveriş kanallarındaki müşteri sayısının, ortlama alınan ürün sayısının ve ortalama harcamaların dağılımına bakınız.<br>SELECT<br>    order_channel,<br>    COUNT(Master_id) AS COUNT_MASTER_ID,<br>    ROUND(AVG(order_num_total),0) AS AVG_ORDER_NUM_TOTAL,<br>    ROUND(AVG(customer_value_total),0) AVG_CUSTOMER_NUM_TOTAL<br>FROM FLO<br>GROUP BY order_channel<br><br>-- En fazla kazancı getiren ilk 10 müşteriyi sıralayınız<br>SELECT TOP 10<br>    *<br>FROM FLO<br>ORDER BY customer_value_total DESC<br></pre><h4>4. RFM matrislerine bakış:</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*o25ugBhUjfm7d_qvzqd10A.png" /></figure><p><strong>RFM analizi</strong> müşterilerin davranışlarını üç temel metrik üzerinden değerlendirir:</p><ul><li><strong>Recency (Yakınlık):</strong> Müşterinin en son ne zaman alışveriş yaptığını gösterir. (Müşterilerin en son alışveriş tarihlerinin yakın olması, işletme ile ilgilerini koruduklarını gösterir.)</li><li><strong>Frequency (Sıklık):</strong> Müşterinin belirli bir zaman diliminde ne sıklıkta alışveriş yaptığını belirtir. (Daha sık alışveriş yapan müşteriler, işletmeye daha bağlıdır.)</li><li><strong>Monetary (Parasal Değer):</strong> Müşterinin toplamda ne kadar harcama yaptığını ifade eder. (Daha fazla harcama yapan müşteriler, işletme için daha değerlidir.)</li></ul><h4>5. <strong>RFM metriklerinin hesaplanması</strong>:</h4><pre>-- # Veri setindeki en son alışverişin yapıldığı tarihten 2 gün sonrasını analiz tarihi olarak alınacaktır.<br>-- 2021-05-30 max tarihtir.<br>SELECT MAX(last_order_date) AS MAX_SON_ALISVERIS_TARIHI FROM FLO<br><br><br>-- Analysis_date = (2024,07,22)<br>-- customer_id, recency, frequency ve monetary değerlerinin yer aldığı yeni bir RFM adında tablo oluşturun<br>SELECT<br>    master_id AS CUSTOMER_ID,<br>    DATEDIFF(DAY,last_order_date, &#39;20240722&#39;) AS RECENCY,<br>    order_num_total AS FREQUENCY,<br>    customer_value_total AS MONETARY,<br>    NULL RECENCY_SCORE,<br>    NULL FREQUENCY_SCORE,<br>    NULL MONETARY_SCORE<br>INTO RFM<br>FROM FLO<br><br><br>-- Recency, Frequency ve Monetary değerlerinin incelenmesi<br>SELECT * FROM RFM<br><br><br>--RF ve RFM Skorlarının Hesaplanması (Calculating RF and RFM Scores)<br>--RECENCY_SCORE Oluşturulması<br>UPDATE RFM SET RECENCY_SCORE =<br>    (SELECT SCORE FROM<br>        (SELECT<br>            A.*,<br>            NTILE(5) over (ORDER BY RECENCY DESC) SCORE<br>        FROM RFM AS A<br>    ) T<br>    WHERE T.CUSTOMER_ID = RFM.Customer_ID )<br>    <br>--FREQUENCY_SCORE Oluşturulması<br>UPDATE RFM SET FREQUENCY_SCORE =<br>    (SELECT SCORE FROM<br>        (SELECT<br>            A.*,<br>            NTILE(5) over (ORDER BY FREQUENCY) AS SCORE<br>        FROM RFM AS A )T<br>    WHERE T.CUSTOMER_ID = RFM.CUSTOMER_ID)<br><br>-- MONETARY_SCORE Oluşturulması<br>UPDATE RFM SET MONETARY_SCORE =<br>    (SELECT SCORE FROM<br>        (SELECT<br>            A.*,<br>            NTILE(5) over (ORDER BY MONETARY) AS SCORE<br>    FROM RFM AS A )T<br>    WHERE T.CUSTOMER_ID = RFM.CUSTOMER_ID)<br><br>-- Oluşan skorların incellenmesi<br>SELECT * FROM RFM<br><br>-- # RECENCY_SCORE ve FREQUENCY_SCORE’u tek bir değişken olarak ifade edilmesi ve RF_SCORE olarak kaydedilmesi<br>ALTER TABLE RFM ADD RF_SCORE AS (CONVERT(VARCHAR, RECENCY_SCORE) + CONVERT(VARCHAR, FREQUENCY_SCORE))<br><br>-- # RECENCY_SCORE ve FREQUENCY_SCORE ve MONETARY_SCORE&#39;u tek bir değişken olarak ifade edilmesi ve RFM_SCORE olarak kaydedilmesi<br>ALTER TABLE RFM ADD RFM_SCORE AS (CONVERT(VARCHAR, RECENCY_SCORE) + CONVERT(VARCHAR, FREQUENCY_SCORE) + CONVERT(VARCHAR, MONETARY_SCORE))<br><br>--Son duruma göz atılması<br>SELECT * FROM RFM</pre><h4>6. Müşteri Segmentleri ve Tanımları:</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*XVddo-AOAKwEyLkYBxB0ag.png" /></figure><p><strong>Champions (Şampiyonlar):</strong></p><ul><li><strong>Tanım:</strong> Çok yakın zamanda, sık sık alışveriş yapan ve yüksek harcama yapan müşterilerdir.</li><li><strong>Özellik:</strong> Firmanın en değerli müşterilerdir.</li><li><strong>Aksiyon:</strong> Özel teklifler ve sadakat ödülleri ile ödüllendirilmesi önerilmektedir.</li></ul><p><strong>Loyal Customers (Sadık Müşteriler):</strong></p><ul><li><strong>Tanım:</strong> Sık sık alışveriş yapan ve düzenli yüksek harcama yapan müşteriler.</li><li><strong>Özellik:</strong> İşletmeye bağlılık göstermiş müşteriler sınıfına girmektedir.</li><li><strong>Aksiyon:</strong> Sadakat programları ile teşvik edilmesi önerilmektedir.</li></ul><p><strong>Potential Loyalists (Potansiyel Sadık Müşteriler):</strong></p><ul><li><strong>Tanım:</strong> Yakın zamanda alışveriş yapmış, orta sıklıkta alışveriş yapan ve iyi harcama yapan müşteriler.</li><li><strong>Özellik:</strong> Sadık müşteri olma potansiyeline sahip kategoridendir.</li><li><strong>Aksiyon:</strong> Teşvikler ve özel teklifler ile bağlılıklarını artırılması önerilmektedir.</li></ul><p><strong>New Customers (Yeni Müşteriler):</strong></p><ul><li><strong>Tanım:</strong> Yakın zamanda ilk kez alışveriş yapan müşteriler.</li><li><strong>Özellik:</strong> İşletme ile yeni tanışmış.</li><li><strong>Aksiyon:</strong> Hoş geldin kampanyaları ile memnuniyetlerini artırılması önerilmektedir.</li></ul><p><strong>Promising (Umut Vadedenler):</strong></p><ul><li><strong>Tanım:</strong> Yakın zamanda alışveriş yapmış, ancak sık alışveriş yapmayan müşteriler.</li><li><strong>Özellik:</strong> Potansiyeli yüksek olan müşterilerdir.</li><li><strong>Aksiyon:</strong> Daha fazla alışveriş yapmaları için teşvik edilmesi önerilmektedir.</li></ul><p><strong>Need Attention (Dikkat Gerektirenler):</strong></p><ul><li><strong>Tanım:</strong> Orta sıklıkta alışveriş yapan, ama yakın zamanda alışveriş yapmamış müşteriler.</li><li><strong>Özellik:</strong> İlgilerini kaybetmek üzere olabilirler.</li><li><strong>Aksiyon:</strong> Yeniden kazanma kampanyaları ile ilgilerini tazelemesi önerilmektedir.</li></ul><p><strong>At Risk (Risk Altında Olanlar):</strong></p><ul><li><strong>Tanım:</strong> Sık alışveriş yapmış, ancak uzun süredir alışveriş yapmamış müşteriler.</li><li><strong>Özellik:</strong> Kaybedilme riski yüksek.</li><li><strong>Aksiyon:</strong> Özel teklifler ve hatırlatma kampanyaları ile geri kazanmaya çalışılması önerilmektedir.</li></ul><p><strong>Can’t Lose Them (Kaybedilmemesi Gerekenler):</strong></p><ul><li><strong>Tanım:</strong> Çok sık alışveriş yapmış, yüksek harcama yapmış, ancak artık alışveriş yapmayan müşteriler.</li><li><strong>Özellik:</strong> En değerli eski müşteriler.</li><li><strong>Aksiyon:</strong> Hedefli kampanyalar ile tekrar alışveriş yapmalarını sağlaması önerilmektedir.</li></ul><p><strong>About To Sleep (Uyumak Üzere Olanlar):</strong></p><ul><li><strong>Tanım:</strong> Orta sıklıkta alışveriş yapmış, ancak uzun süredir alışveriş yapmamış müşteriler.</li><li><strong>Özellik:</strong> İlgileri azalmış.</li><li><strong>Aksiyon:</strong> Yeniden kazanma kampanyaları düzenlenmesi önerilmektedir.</li></ul><p><strong>Hibernating (Uyku Modunda Olanlar):</strong></p><ul><li><strong>Tanım:</strong> Nadiren alışveriş yapmış, uzun süredir alışveriş yapmamış müşteriler.</li><li><strong>Özellik:</strong> Düşük bağlılık.</li><li><strong>Aksiyon:</strong> Dikkat çekici kampanyalar ile yeniden ilgi uyandırmaya çalışın.</li></ul><h4>7.Segment derecelendirme tablosu:</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/688/1*lBsjS-4X4B7Ku7eIB0CaKA.png" /></figure><h4>8. Segment SQL sorgu kodların oluşturulması:</h4><pre>-- RF Skorlarının Segment Olarak Tanımlanması<br>-- Oluşturulan RFM skorların daha açıklanabilir olması için segment tanımlama ve RF_SCORE&#39;u segmentlere çevirme<br><br>-- Segment adında yeni bir kolon oluşturma<br>ALTER TABLE RFM ADD SEGMENT VARCHAR(50)<br><br>-- Hibernating sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;Hibernating&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[1-2]%&#39; AND FREQUENCY_SCORE LIKE &#39;[1-2]%&#39;<br><br>-- At risk sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;At_Risk&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[1-2]%&#39; AND FREQUENCY_SCORE LIKE&#39;[3-4]%&#39;<br><br>-- Can&#39;t Loose sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;Cant_Loose&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[1-2]%&#39; AND FREQUENCY_SCORE LIKE &#39;[5]%&#39;<br><br>-- About to Sleep sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;About_to_sleep&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[3]%&#39; AND FREQUENCY_SCORE LIKE &#39;[1-2]%&#39;<br><br>--Need Attention sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;Need_attention&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[3]%&#39; AND FREQUENCY_SCORE LIKE &#39;[30]%&#39;<br><br>--Loyal Customers sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;Loyal_Customers&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[3-4]%&#39; AND FREQUENCY_SCORE LIKE &#39;[4-5]%&#39;<br><br>--Promising sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;Promising&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[4]%&#39; AND FREQUENCY_SCORE LIKE &#39;[1]%&#39;<br><br>--New Customers sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;New_Customers&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[5]%&#39; AND FREQUENCY_SCORE LIKE &#39;[1]&#39;<br><br>--Potential loyalists sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;Potential_Loyalists&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[4-5]%&#39; AND FREQUENCY_SCORE LIKE &#39;[2-3]%&#39;<br><br>--Champions sınıfın oluşturulması<br>UPDATE RFM SET SEGMENT = &#39;Champions&#39;<br>WHERE RECENCY_SCORE LIKE &#39;[5]%&#39; AND FREQUENCY_SCORE LIKE &#39;[4-5]&#39;<br><br>SELECT RFM_SCORE, SEGMENT FROM RFM</pre><p>Bugün sizlere RFM analizi ile müşterilerinizi nasıl segmentlere ayırabileceğinizi gösterdik. Her müşteri, firma için çok değerlidir ve bu tür analizler, müşteri ilişkilerini güçlendirmek için kritik öneme sahiptir. Bir sonraki yazımda görüşmek dileğiyle!</p><p>LinkedIn üzerinden iletişime geçin: <a href="https://www.linkedin.com/in/senolyldz20/">Senol YILDIZ | LinkedIn</a></p><p>Teşekkürler: <a href="https://miuul.com/data-analyst-bootcamp">Data Analyst Bootcamp — Miuul</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2b58e850b96a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Understanding CRISP-DM: The Data Mining Methodology]]></title>
            <link>https://medium.com/@senoll.yldzz/understanding-crisp-dm-the-data-mining-methodology-d15ea271d500?source=rss-226ce6e56c75------2</link>
            <guid isPermaLink="false">https://medium.com/p/d15ea271d500</guid>
            <category><![CDATA[crisp-dm]]></category>
            <category><![CDATA[business-strategy]]></category>
            <category><![CDATA[data-mining]]></category>
            <category><![CDATA[data-analyst]]></category>
            <dc:creator><![CDATA[Senol YILDIZ]]></dc:creator>
            <pubDate>Wed, 21 Feb 2024 16:32:23 GMT</pubDate>
            <atom:updated>2024-02-21T16:51:07.567Z</atom:updated>
            <content:encoded><![CDATA[<p>Data holds enormous potential for businesses, but extracting meaningful insights can feel like navigating a maze. That’s where the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology comes in. It’s a structured framework guiding you through the complex world of data mining projects. Let’s break it down.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1MmxwbxLVNUT4QO0WUIWJA.png" /><figcaption>Design by Author</figcaption></figure><p>T<strong>able of Contents</strong></p><p>1.Business Understanding:</p><p>2.Data Understanding:</p><p>3.Data Preparation:</p><p>4.Modeling:</p><p>5.Evaluation:</p><p>6.Deployment:</p><p><strong>1.Bussiness Understanding:</strong></p><p>Before diving into the data, it’s critical to ask the right questions.</p><p>· What is the problem we’re trying to solve?</p><p>· What business goals do we aim to achieve with this data?</p><p>· What are the potential benefits and success metrics?</p><p>Clearly defining the business context in this phase is the foundation of any successful data mining endeavor.</p><p><strong>2.Data Understanding:</strong></p><p>Now it’s time to roll up your sleeves and get familiar with the treasure trove in front of you.</p><p>· <strong>Collect data:</strong> Gather relevant data from various sources (databases, spreadsheets, web scraping, etc.)</p><p>· <strong>Describe data:</strong> Understand its properties, types (numerical, categorical, text) and distributions.</p><p>· <strong>Explore data:</strong> Look for patterns, anomalies, and relationships through visualizations and statistical summaries.</p><p>· <strong>Verify data quality:</strong> Check for accuracy, missing values, and inconsistencies.</p><p><strong>3.Data Preparation:</strong></p><p>Let’s get those gears turning! Data rarely arrives in a ready-to-use format. Prepare your data for analysis by.</p><p>· <strong>Cleaning:</strong> Fixing errors, handling missing values, and removing outliers.</p><p>· <strong>Transforming:</strong> Creating new features, normalizing/scaling data, and changing formats.</p><p>· <strong>Integrating:</strong> Combining data from different sources in a way that makes sense.</p><p>· <strong>Formatting:</strong> Ensuring the data is compatible with your modelling tools.</p><p><strong>4.Modelling:</strong></p><p>It’s showtime! Select and apply various modelling techniques to discover patterns and relationships hidden within your data.</p><p>· <strong>Choose techniques:</strong> Regression, classification, decision trees, clustering — your choice depends on the problem you’re solving.</p><p>· <strong>Train models:</strong> Feed your prepared data into the chosen algorithms to let them learn.</p><p>· <strong>Tune parameters:</strong> Optimize your models’ performance by adjusting their settings.</p><p><strong>5.Evaluation:</strong></p><p>Hold on, we’re not done yet! It’s crucial to assess whether your models truly serve your business goals.</p><p>· <strong>Metrics:</strong> Use appropriate evaluation metrics (accuracy, precision, recall, etc.) aligned with the project objectives.</p><p>· <strong>Thoroughness:</strong> Evaluate using different data splits to avoid overfitting.</p><p>· <strong>Business context:</strong> Go beyond just model performance. Does it solve the initial problem?</p><p><strong>6.Deployment:</strong></p><p>Time to put your insights into action! Deploying your models involves.</p><p>· <strong>Integration</strong>: Embed models into web applications, decision-making systems, or reports.</p><p>· <strong>Monitoring:</strong> Track models’ performance over time in the real world.</p><p>· <strong>Maintenance:</strong> Update or retrain models if performance degrades or if data patterns change.</p><p><strong>Relationships: It’s Not a Straight Line</strong></p><p>The beauty of CRISP-DM lies in its flexibility. It’s rarely a linear progression. You’ll often jump back and forth between phases. Discoveries in Data Preparation might send you back to Data Understanding. Evaluation might highlight a need for different modelling techniques.</p><p>Let me know if you want a deep dive into any specific phase or an example of how CRISP-DM can be applied in a real-world scenario!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d15ea271d500" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Data Analysts: You’re Doing It Wrong! Fix These Bad Habits Now]]></title>
            <link>https://medium.com/@senoll.yldzz/data-analysts-youre-doing-it-wrong-fix-these-bad-habits-now-2e599108d9d4?source=rss-226ce6e56c75------2</link>
            <guid isPermaLink="false">https://medium.com/p/2e599108d9d4</guid>
            <category><![CDATA[habits]]></category>
            <category><![CDATA[carrier]]></category>
            <category><![CDATA[data-analyst]]></category>
            <dc:creator><![CDATA[Senol YILDIZ]]></dc:creator>
            <pubDate>Fri, 16 Feb 2024 16:17:32 GMT</pubDate>
            <atom:updated>2024-02-18T09:19:27.395Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>5 Bad Habits Killing Your Potential as a Data Analyst</strong></h3><p>It’s time to ditch the bad habits hindering your data analysis excellence — let’s get started.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lO-sYiyKr93vbCIihaCt9g.jpeg" /><figcaption>AI-Generated Image by Author</figcaption></figure><h4><strong>Table of Contents</strong></h4><ol><li>Introduction</li><li>Not asking enough questions</li><li>Not documenting your work</li><li>Not validating your data</li><li>Not exploring your data</li><li>Not learning new skills</li><li>Conclusion</li></ol><p><strong>1.Introduction:</strong></p><p>Ever feel like you’re spinning your wheels as a data analyst, even while working hard? You might be unknowingly trapped in a few bad habits dragging you down. Let’s take a hard look at five common mistakes data analysts make so you can start getting better results.</p><p><strong>2.Not asking enough questions:</strong></p><p>Data analysis is not just about crunching numbers and producing reports. It has also about understanding the context, the problem, and the study’s goal. Asking questions help clarify your stakeholders’ scope, assumptions, and expectations. It also enables you to avoid misunderstandings, errors, and rework. Don’t scare to ask questions, although they seem obvious or silly. You will save yourself time and trouble in the long run.</p><p><strong>3.Not documenting your work:</strong></p><p>Data analysis can be complex and untidy. You may have to deal with multiple data sources, tools, methods, iterations, and revisions. Documenting your work helps you keep track of what you did, why you did it, and how you did it. It also enables you to communicate your results, share your insights, and collaborate with others. Documenting your work can be as easy as adding comments to your code, summarizing your findings, or creating a dashboard or a presentation.</p><p><strong>4.Not validating your data:</strong></p><p>Data quality is crucial for data analysis. If your data is accurate, complete, and consistent, your analysis will be valid and reliable. Validating your data means checking that it meets the standards and specifications you need for your analysis and verifying that it matches the reality it represents. Validating your data can involve cleaning, transforming, or enriching it and performing quick checks, outlier detection, or cross-validation.</p><p><strong>5.Not exploring your data:</strong></p><p>Data exploration involves familiarizing yourself with your data and discovering its characteristics, patterns, and relationships. It helps you generate hypotheses, identify opportunities, and find insights you may not have expected. Exploring your data can involve visualizing, summarizing, or applying descriptive statistics or machine learning techniques.</p><p><strong>6.Not learning new skills:</strong></p><p>Data analysis is a constantly evolving field that requires you to keep up with the latest trends, technologies, and techniques. Learning new skills helps you expand your knowledge, improve efficiency, and enhance creativity. Learning new skills can involve taking online courses, reading books or blogs, attending webinars or workshops, or joining communities or networks of data analysts.</p><p><strong>7.Conclusion:</strong></p><p>Breaking bad habits isn’t easy, but the rewards are immense. By consciously avoiding these common traps, you’ll take a massive step towards becoming a more efficient, insightful, and successful data analyst.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2e599108d9d4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Unlock Insights with SQL: Your Guide to Effective Exploratory Data Analysis]]></title>
            <link>https://medium.com/@senoll.yldzz/unlock-insights-with-sql-your-guide-to-effective-exploratory-data-analysis-0bb520eeec20?source=rss-226ce6e56c75------2</link>
            <guid isPermaLink="false">https://medium.com/p/0bb520eeec20</guid>
            <category><![CDATA[data-analyst]]></category>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[eda]]></category>
            <category><![CDATA[database]]></category>
            <category><![CDATA[data-analytics]]></category>
            <dc:creator><![CDATA[Senol YILDIZ]]></dc:creator>
            <pubDate>Mon, 12 Feb 2024 11:17:45 GMT</pubDate>
            <atom:updated>2026-02-07T15:01:49.357Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9VvFDaT4LQK5j5J2OEDvyw.jpeg" /></figure><p>Data analysts are the detectives of the business world. We sift through mountains of information, looking for patterns and insights to help organizations make better decisions. And one of our most powerful tools for this investigative work is SQL.</p><h3><strong>Why SQL for EDA?</strong></h3><p>Direct Database Access: SQL is the language of databases. It allows data analysts to tap directly into data sources without relying on exports or added software layers.</p><p>Efficiency: SQL is built for working with large datasets. Well-crafted queries swiftly summarize, filter, and transform data.</p><p>Flexibility: SQL gives you granular control. You can calculate custom metrics, find specific trends, and dive deep to answer business questions.</p><h3><strong>Critical Stages of SQL-Based EDA</strong></h3><p>Let’s walk through a typical EDA process using a sample dataset of sales transactions.</p><h4><strong>1. Get Familiar: Start with Basic Queries</strong></h4><ul><li>SELECT * FROM sales_data LIMIT 10; (Take a peek at the first few rows)</li><li>DESCRIBE sales_data; (Check column names, data types)</li><li>SELECT COUNT(*) FROM sales_data; (How many records are there?)</li></ul><h4><strong>2. Digging into Distributions</strong></h4><ul><li>SELECT product_category, COUNT(*) as product_count FROM sales_data GROUP BY product_category; (See sales numbers by product category)</li><li>SELECT region, AVG(order_total) as avg_order FROM sales_data GROUP BY region; (Compare average order size across regions)</li></ul><h4><strong>3. Outliers and Anomalies</strong></h4><ul><li>SELECT * FROM sales_data WHERE order_total &gt; 2000; (Potentially unusual high-value orders)</li><li>SELECT * FROM sales_data WHERE product_quantity &lt; 0; (Possible data entry errors)</li></ul><h4><strong>4. Time-Based Trends</strong></h4><ul><li>SELECT MONTH(order_date) as month, SUM(order_total) as monthly_sales FROM sales_data GROUP BY MONTH(order_date); (Monthly sales patterns)</li><li>SELECT DATE_TRUNC(‘week’, order_date) as week_start, SUM(order_total) as weekly_sales FROM sales_data GROUP BY week_start; (Weekly sales trends)</li></ul><h3><strong>BONUS!</strong></h3><h4><strong>Tips to Boost Your SQL EDA</strong></h4><ul><li>Understanding your data: Column names, data types, and what different fields mean is essential.</li><li>Use comments: (— this calculates average profit…) Make your code readable for yourself and others.</li><li>Incremental steps: Build complex queries gradually, testing as you go.</li></ul><p>Window functions: Master these for ranking, cumulative statistics, and more advanced analysis</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0bb520eeec20" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimi İçin İstatistikte Temel Kavramlar]]></title>
            <link>https://medium.com/@senoll.yldzz/veri-bilimi-i%CC%87%C3%A7in-i%CC%87statistikte-temel-kavramlar-d5764bcc1b2a?source=rss-226ce6e56c75------2</link>
            <guid isPermaLink="false">https://medium.com/p/d5764bcc1b2a</guid>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[distribution]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Senol YILDIZ]]></dc:creator>
            <pubDate>Wed, 11 Oct 2023 14:15:47 GMT</pubDate>
            <atom:updated>2023-10-11T14:15:47.639Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhabalar bu yazı kapsamında 5 tane veri bilimi için önemli olan istatistiksel kavramlara giriş yapıyor olacağız.</p><p>1. Popülasyon ve Örnekleme</p><p>2. Değişken Türleri</p><p>3. Ölçek Türleri</p><p>4. Merkezi Eğim Ölçüleri</p><p>5. Merkezi Dağım Ölçüleri</p><ol><li><strong>Popülasyon ve Örnekleme Kavramları:</strong></li></ol><p>Popülasyon, belirli bir özelliği taşıyan tüm gözlemleri veya varlıkları ifade eder. Örneğin, bir ülkedeki tüm vatandaşlar, bir şirketin tüm müşterileri veya bir okuldaki tüm öğrenciler popülasyon olarak kabul edilebilir. Örnekleme ise, popülasyondan rastgele veya sistematik olarak seçilen bir gözlem veya varlık grubunu temsil eder.</p><p>Veri biliminde, popülasyon ve örnekleme genellikle veri toplama ve analizinde kullanılır. Popülasyon hakkında bilgi edinmek için, popülasyondan örnek bir veri kümesi toplanır ve bu veriler, popülasyon hakkında çıkarımlar yapmak için kullanılır.</p><p>Örneğin, bir şirket tüketicilerin satın alma alışkanlıklarını anlamak istediğinde, rastgele seçilen bir grup tüketiciden elde edilen veriler, genel popülasyon hakkında ipuçları sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/727/1*aDB-XaIK14EaUemmpM-KNg.png" /></figure><p>Popülasyondan seçilen örneklemin popülasyonu doğru bir şekilde temsil etmesi, yapılan analizlerin ve çıkarımların güvenilir olması ve yanlı olmaması açısından kritik öneme sahiptir. Bu nedenle, farklı örnekleme yöntemleri geliştirilmiştir. Bu yöntemlerden bazıları şunlardır:</p><p><strong>1.1. Küme Örnekleme: </strong>Seçimler, bireylerin ya da öğelerin doğrudan gözlemlenmesi üzerinden değil, genellikle bağlı bulundukları belirli kümelerin özelliklerine dayanarak yapılır. Bu kümeler, benzer niteliklere sahip olanları bir araya getirir ve daha sonra bu gruplar, genellemeler ve analizler için temsil edici olarak kullanılır.</p><p><strong>1.2. Tabakalı örnekleme</strong>: Büyük ve çeşitli bir popülasyonu daha yönetilebilir ve temsilci alt gruplara bölmek için kullanılan bir yöntemdir. Bu yöntemde, popülasyon önceden tanımlanmış tabakalara ayrılır; örneğin, yaş, cinsiyet, gelir düzeyi gibi faktörlere dayalı olarak. Daha sonra, her bir tabakadan örnekleme alınır. Ancak, tabakalar arasındaki farklı büyüklükleri ve önemleri göz önünde bulundurarak, her bir tabakadan alınan örneklerin popülasyon içindeki ağırlıkları oranında seçilmesine özen gösterilir. Bu şekilde, her bir tabaka popülasyonun genel özelliklerini daha doğru bir şekilde temsil eder, bu da elde edilen sonuçların daha güvenilir ve geçerli olmasını sağlar.</p><p><strong>1.3. Basit rastgele örnekleme:</strong> Basit rastgele örnekleme, her bir gözlemin popülasyondan seçilme olasılığına eşit şansa sahip olduğu bir örnekleme yöntemidir. Bu nedenle, her bir örneklem elemanı rastgele seçilir, bu da örneklemin rastgele olduğu ve her bir gözlemin eşit şansa sahip olduğu anlamına gelir. Bu yöntemin en büyük avantajlarından biri, rastgele seçim nedeniyle örneklemde herhangi bir yanlılık olmamasıdır.</p><p><strong>2. Değişken Türleri: </strong>Gözlemden gözleme farklılık gösteren özelliklere ‘değişken’ denir. Değişkenler, ölçüm veya gözlem sonucu elde edilen değerlere göre çeşitli tiplere ayrılabilir. Bu tipler genellikle değişkenlerin doğasına ve kullanım amacına göre belirlenir.</p><p><strong>2.1. Sayısal değişkenler,</strong> nicel değerler içeren özellikleri ifade eder. Sayı ve miktar olarak açıklanabilen değişkenlerdir.</p><ul><li>Öğrenci notu</li><li>Ürün fiyatı</li></ul><p><strong>2.2. Kategorik değişkenler, </strong>belirli kategorilere ait olan ve sınıflandırılabilen değişken türüdür. Bu değişkenler, genellikle metin veya sembollerle ifade edilen ve belirli grupları temsil eden özellikler içerir. Bu tür değişkenler arasındaki farkı doğrudan sayısal değerlerle ölçemeyiz; yani, matematiksel hesaplamalarla kesin bir şekilde ifade edemeyiz. Örneğin</p><ul><li>Cinsiyet</li><li>Renk</li><li>Ülke</li></ul><p><strong>3. Ölçek Türleri:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/792/1*CIOdgD4Ms8VWCCUXkgZ1KA.png" /></figure><p><strong>3.1. Kategorik Türleri:</strong></p><p><strong>3.1.1. Nominal ölçek,</strong> verileri kategorilere ayırmak için kullanılır ve kategoriler arasında sıralama veya hiyerarşi yoktur. Bu ölçekteki veriler, adlandırma veya etiketleme amacıyla kullanılır.</p><p>· Cinsiyet (Erkek, Kadın)</p><p>· Renkler (Mavi, Kırımızı, Sarı)</p><p>· Ürün kategorileri (Elektronik, Giyim, Mobilya)</p><p>· Meyve Türleri (Elma, Armut, Muz)</p><p><strong>3.1.2. Ordinal ölçekte,</strong> veriler sıralıdır, yani birbirleriyle karşılaştırılabilir ancak aralarındaki farkın anlamı belirsizdir. Yani, veriler arasında sıralama yapabiliriz, ancak bu sıralama arasındaki farklar anlam ifade etmeyebilir.</p><p>· Anket memnuniyet seviyeleri (İyi, Orta, Kötü)</p><p>· Eğitim seviyeleri (Ortaokul, Lise, Üniversite)</p><p>· Askeri rütbe seviyeleri (Yüzbaşı, Binbaşı, Albay)</p><p><strong>3.2. Sayısal Türler:</strong></p><p><strong>3.2.1 Aralık ölçekte</strong>, veriler sıralıdır ve aralarındaki farklar anlam taşır. Ancak, bu ölçekte mutlak sıfır noktası yoktur, yani sıfır değeri bir başlangıç noktası değil, bir ölçümün yokluğunu temsil eder.</p><p>· Sıcaklık ölçümü</p><p>· Tarih</p><p><strong>3.2.2.Oran ölçekte</strong>, veriler sıralıdır, aralarındaki farklar anlam taşır ve mutlak sıfır noktası vardır. Yani, sıfır değeri bir başlangıç noktasını temsil eder.</p><p>· Gelir ölçümleri</p><p>· Zaman ölçümleri</p><p>· Uzunluk ölçümleri</p><p><strong>4. Merkezi Eğim Ölçüleri:</strong></p><p>Merkezi eğilim ölçüleri, veri setindeki değerlerin genel eğilimini veya odak noktasını belirlemek için kullanılan istatistiksel değerlerdir. Veri setindeki çeşitli değerler arasında bir tür ‘ortalama’ temsilci değeri bulmamıza yardımcı olurlar. Bu ölçümler, veri setindeki dağılımı anlamamıza ve verileri anlamlı bir şekilde karşılaştırmamıza olanak tanır. Merkezi eğilim ölçüleri, veri setinin genel yapısını kavramamıza yardımcı olur ve verilerin temsil ettiği gerçek dünya olayları veya durumlar hakkında anlam çıkarabilmemize olanak tanır.</p><p><strong>4.1. Aritmatik Ortalama(x̄):</strong> Bir seride (değişkende yer alan tüm değerlerin toplanması ve birim sayısına bölünmesi ile elde edile istatistik türüdür. Sürekli ve normal dağılım verilerde uygulanması doğrudur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/464/1*WGfofyJsCieJEHI-gKW_ow.png" /></figure><p>Burada;</p><p>• x̄: Aritmetik ortalama</p><p>• x1, x2, …, xn: Veri setindeki gözlemler</p><p>• n: Veri setindeki gözlem sayısı</p><p><strong>4.2. Medyan:</strong> Bir veri setindeki gözlemlerin küçükten büyüğe doğru sıralandığında ortada yer alan değeri ifade eder. Medyan, bir veri setinin merkezi konumunu temsil eden bir ölçüdür.</p><p>Eğer veri setindeki <strong>gözlem sayısı tek ise</strong>, medyan, veri setindeki tam ortadaki değerdir. Bu durumda, medyan formülü şu şekildedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/507/1*_bEB1FTYJbRZxt4CP4yp6Q.png" /></figure><p>Eğer veri setindeki <strong>gözlem sayısı çift ise</strong>, medyan, ortadaki iki gözlemin aritmetik ortalamasıdır. Bu durumda, medyan formülü şu şekildedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/697/1*og1tcGKgIQup3buZhAAypg.png" /></figure><p>Medyan hem sürekli verilerde hem de ordinal verilerde kullanılabilir. Sürekli verilerde, veri setini küçükten büyüğe sıralayarak ortadaki değeri bulabiliriz. Ordinal verilerde ise, değerleri sıralayarak tam ortada yer alan değeri belirleyebiliriz. Ayrıca, medyan, veri setinde çarpık bir dağılım olduğunda da kullanışlıdır, çünkü medyan, dağılımın merkezini temsil ederken, ortalama aykırı değerlerin etkilerinden daha az etkilenir.</p><p><strong>4.3. Mod: </strong>Bir veri setinde en sık tekrarlanan değeri ifade eder. Yani, mod, veri setindeki değerler arasında en fazla tekrar eden değeri temsil eder. Kategorik, ordinal ve sürekli dağlım verilerinde kullanılabilir.</p><p><strong>5. Merkezi Dağılım Ölçümleri:</strong></p><p>Veri setinin yorumlanmasında merkezi eğilim ölçüleri, veri noktalarının genel bir odak noktasını belirlemekte bize yardımcı olur. Ancak, sadece merkezi eğilim ölçüleri kullanarak veri setinin tam resmini anlamak mümkün değildir. Bu nedenle, ‘Merkezi Dağılım Ölçüleri’ olarak adlandırılan istatistiksel ölçüler de önemli hale gelir. Bu ölçüler, gözlem birimlerinin birbirlerine ne kadar yakın veya uzak olduğunu belirler.</p><p><strong>5.1. Değişim Aralığı: </strong>Bir seride en büyük ve en küçük değer arasındaki farktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/351/1*pj__KvMY3lDqKRmfEf2T1g.png" /></figure><p>Ancak bu yöntem, aykırı gözlemlere karşı hassas olması nedeniyle her zaman en iyi seçenek olmayabilir. Veri setinin boyutu arttıkça, bu aralık da genellikle artar. Bu nedenle, yalnızca benzer boyutlara sahip veri setlerini karşılaştırmak için kullanmak daha uygun olur.</p><p><strong>5.2. Standart Sapma: </strong>Ortalamalardan olan standart sapmaların genel bir ölçüsüdür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/361/1*2GLPQPzcAmUSdnWs11PJdw.png" /></figure><p>Burada;</p><p>· S: Standart sapma</p><p>· ∑: Toplama işareti</p><p>· x: Bir gözlem</p><p>· <strong>x̄</strong>: Ortalama</p><p>· n: Veri setindeki gözlem sayısı</p><p><strong>Standart sapma, aşağıdaki durumlarda kullanılabilir:</strong></p><p>· Bir veri setinin dağılımının ne kadar yayılmış olduğunu belirlemek için</p><p>· İki veri setinin dağılımının benzerliğini veya farklılıklarını belirlemek için</p><p>· Veri setindeki anormal değerleri belirlemek için</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/1*JUNi8JNLV3g2C--Dg8H3VA.png" /></figure><p><strong>5.3.Varyans: </strong>Basitçe standart sapmaların karesi diyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/295/1*d4gD8Y87Y35533TIN3G4VQ.png" /></figure><p>Burada;</p><p>· S²: Varyans</p><p>· ∑: Toplama işareti</p><p>· x: Bir gözlem</p><p>· <strong>x̄</strong>: Ortalama</p><p>· n: Veri setindeki gözlem sayısı</p><p><strong>5.4 Çarpıklık: </strong>İstatistik yönteminde çarpıklık, bir veri setinin ortalaması etrafındaki simetrikliğini ifade eden bir ölçüdür. Çarpıklık, bir veri setinin dağılımının sağa veya sola doğru eğildiğini gösterir.</p><p>Çarpıklık, aşağıdaki gibi sınıflandırılabilir:</p><p><strong>5.4.1. Sağ çarpık (pozitif çarpıklık):</strong> Bu durumda, veri setindeki değerler ortalamadan daha büyük değerlere doğru daha yoğun olarak dağılmıştır. Bu, veri setinde ortalamanın sağ tarafında daha fazla gözlem bulunduğu anlamına gelir.</p><p><strong>5.4.2. Sol çarpık (negatif çarpıklık):</strong> Bu durumda, veri setindeki değerler ortalamadan daha küçük değerlere doğru daha yoğun olarak dağılmıştır. Bu, veri setinde ortalamanın sol tarafında daha fazla gözlem bulunduğu anlamına gelir.</p><p><strong>5.4.3. Simetrik çarpıklık (sıfır çarpıklık):</strong> Bu durumda, veri setindeki değerler ortalama etrafında simetrik olarak dağılmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/1*ygFP5vxiXNFb9s4H3Qq4eQ.png" /></figure><p>Skewness &lt; 0 Negatif çarpıklık (soldan)</p><p>Skewness &gt; 0 Pozitif çarpıklık (sağdan)</p><p>Skewness = 0 Simetrik</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/451/1*ek3m4HHo75OcfEUZ7_SJWQ.png" /></figure><p><strong>5.4.Basıklık: </strong>Değişken dağılımın sivriliği/basıklığını gösteren bir merkezi dağılım ölçüsüdür.</p><p>Basıklık, aşağıdaki gibi sınıflandırılabilir:</p><p>· Basık dağılım (leptokurtik): Bu durumda, veri setindeki değerler ortalamaya yakın yoğun olarak dağılmıştır. Bu, veri setinde ortalamanın yakınında daha fazla gözlem bulunduğu anlamına gelir.</p><p>· Basık olmayan dağılım (mezokurtik): Bu durumda, veri setindeki değerler ortalama etrafında normal bir dağılım gösterir.</p><p>· Geniş dağılım (platikurtik): Bu durumda, veri setindeki değerler ortalamadan uzak değerlere doğru yoğun olarak dağılmıştır. Bu, veri setinde ortalamadan uzakta daha fazla gözlem bulunduğu anlamına gelir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/679/1*H5NImcW2y3A4GZXlFccIqA.png" /></figure><p>Bu yazıda, veri biliminde temel kavramlar arasında yer alan istatistik konularını inceledik. Veri bilimi dünyasında daha derinlemesine keşfedilecek birçok önemli istatistik konusu bulunuyor. Gelecekteki yazılarımda, veri analizi, olasılık teorisi, regresyon analizi, hipotez testleri gibi veri biliminde büyük öneme sahip olan istatistik konularını detaylı bir şekilde ele alacağım. Bu konularda daha fazla bilgi edinmek ve veri bilimi alanındaki yeteneklerinizi geliştirmek için benimle bu yolculuğa devam edebilirsiniz. Görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d5764bcc1b2a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>