<?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 Ali Tüydür on Medium]]></title>
        <description><![CDATA[Stories by Ali Tüydür on Medium]]></description>
        <link>https://medium.com/@tuydur.ali?source=rss-0e6dc18b5f37------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*PZVTDt93hcY9cCIJ</url>
            <title>Stories by Ali Tüydür on Medium</title>
            <link>https://medium.com/@tuydur.ali?source=rss-0e6dc18b5f37------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 14:05:47 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@tuydur.ali/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[E‑Ticaret Müşteri Segmentasyonuyla Müşteriyi Anlama Serüveni]]></title>
            <link>https://medium.com/@tuydur.ali/e-ticaret-m%C3%BC%C5%9Fteri-segmentasyonuyla-m%C3%BC%C5%9Fteriyi-anlama-ser%C3%BCveni-09541b732d15?source=rss-0e6dc18b5f37------2</link>
            <guid isPermaLink="false">https://medium.com/p/09541b732d15</guid>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[customer-segmentation]]></category>
            <category><![CDATA[dataiku]]></category>
            <dc:creator><![CDATA[Ali Tüydür]]></dc:creator>
            <pubDate>Mon, 04 Aug 2025 11:58:29 GMT</pubDate>
            <atom:updated>2025-08-04T11:58:29.071Z</atom:updated>
            <content:encoded><![CDATA[<p>“Veri sadece sayı değildir — bir ses, bir hikâye ve davranışın yansımasıdır.”</p><p>Alışveriş yaparken karşınıza ihtiyacınız olan indirim paketleri ya da tam olarak istediğiniz tarzda ürünlerin çıktığına şaşırıyor musunuz? Belki de alışmış olabiliriz bu duruma. Peki nasıl yapılıyor? Gerçekten “Büyük Birader” bizi gözetliyor mu?</p><p>Bu projede bizim bıraktığımız kırıntıları nasıl birleştirip önümüze çıkarıyorlar birlikte göreceğiz. Harcamalarımız, alışveriş zamanlarımız, bu sitede geçirdiğimiz süre ve ne kadar sık alışveriş yaptığımızın verileri ile hangi gruba ait olduğumuzu belirleyeceğiz. Hazırsak başlayalım.</p><p>Projede veri setimizi <strong>Dataiku</strong> platformunda analiz edip yine bu platformda RFM analizi ile birlikte makine öğrenmesinde kümeleme(Clustering) teknolojisini kullanacağız.</p><p>Dataiku bizim için veri setinde işlemlerimizi kod yazmadan sürükle bırak teknolojisi ve görsel yöntemlerle yapmamıza olanak sağlıyor.</p><p>Her uygulamada olduğu gibi dataiku platformuna da kaydımızı yaptırıyoruz. Bulut teknolojisi ile çalıştığı için oldukça avantajlı bir sistem sunuyor. Gerekli üyelik işlemlerinden sonra kendi sanal makinamız içinde proje oluşturma adımına geçiyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9v3nO5rauxVfF1N040t9gw.png" /><figcaption>Proje oluşturduktan sonra projemizi izleyebileceğimiz sayfa</figcaption></figure><p>Bizi açık şekilde yönlendiren bu uygulamada ilk veri setimizi yüklemek için *import your first dataset* adımı ile devam ediyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5vNQH8W6Q2EIXTmBnmSc2g.png" /><figcaption>Bir çok kaynaktan veri setini yükleyebileceğimiz sayfa</figcaption></figure><p>Projede kullanacağımız veriseti:</p><p><a href="https://www.kaggle.com/datasets/mashlyn/online-retail-ii-uci">Online Retail II UCI</a></p><p>Veri setini indirip veriyi bilgisayarımızdan dataiku platformuna yüklüyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*D3o9vdhOS_NrD3GX7OJMpA.png" /><figcaption>Temizlenmemiş veri seti</figcaption></figure><p>Dataikunun en güzel özelliklerinden birisi bize olağandışı verileri kırmızı renk ile belirtmesi. Dikkat etmemiz gereken noktaları bize uyarı olarak gösteriyor. Veri setimizi inceledikten sonra işlem adımlarına geçelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aWZGUTZSPYW5R-uFNVvYzw.png" /><figcaption>Prepare adımı</figcaption></figure><p>Flow kısmında görünen veri setimizi prepare özelliği ile üzerinde işlem yapabileceğimiz duruma getiriyoruz. (Sağdaki 2. sembol olan prepare butonuna tıklıyoruz)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h-tO_yvT5WmeEdHlNLcqgg.png" /><figcaption>Quick menu</figcaption></figure><p>Sırası ile her kolonda işlemler yapacağız. Quick menüde bize yapılması muhtemel işlemleri söylüyor. Analiz kısmında sütunun analizini görebiliriz yaklaşımımıza göre kendimiz de yeni temizleme yöntemleri kullanabiliz.</p><p>Sırası ile sütunlar ve işlem adımları bu veri seti için şu şekilde. Her birini <strong>+Add new step</strong> butonuna tıklayarak temizleme adımlarını uygulayabilir. Her adımdan sonra veri seti kendini güncelleyecektir.</p><p>StockCode → Remove invalid rows</p><p>İnvoice → Remove invalid rows</p><p>Country → Convert to lowercase</p><p>CustomerID → Remove invalid rows</p><p>Quantity ve Price sütunlarını formül ile çarpıp yeni bir sütun yaratmamız gerekiyor. Bu bize total_price sütununu verecek. <br>+Add new step → formula → Quantity*Price → Total_Price(yeni sütun ismi)</p><p>Yeni sütunumuz olan total_price sütunu ondalık değer olarak çok uzun gözükebilir. Bu sebeple bu sütunu yuvarlamamız gerekiyor. Quick menü ile <br>Total_Price → Round to integer → decimal places = 2</p><p>InvoiceDate sütununu extract date yapıp kullanabileceğimiz şekilde sütunlara ayırmalıyız. Add new step ile birlikte <br>InvoiceDate → Extract date (kullanabilmemiz için yıl, ay, gün, haftanın günleri olarak ayırmalıyız)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BbEP1Ir6394KvJgA2C3pHA.png" /><figcaption>Day of week</figcaption></figure><p>Haftanın günlerini gördüğümüz sütunda Replace özelliği ile her bir güne karşılık gelen değerleri anlamlı ifadelere dönüştürebiliriz.</p><p>Tüm bu adımlardan sonra verisetimiz görselleştirme ve modelimiz için uygun hale geldi. Peki veri setimizi temizledik bu projedeki hedeflerimiz nelerdi?</p><p><strong>— En çok hangi ürünler satılmış?<br> — En fazla harcama yapan müşterilerimiz kimler?<br> — Zaman bazlı satış analizi<br> — RFM analizi<br> — Müşteri segmentasyonu</strong></p><h3><strong>EN FAZLA SATILAN ÜRÜNLER HANGİLERİ?</strong></h3><p>Hazırlamış olduğumuz verisetinde stok koduna göre gruplama yapmalıyız. Flow sayfasında prepare seçeneği olan menüde <strong>Group</strong> özelliği ile devam edelim. Groupby yapmak istediğimiz sütun Stockcode sütunu. Bulmak istediğimiz sütunlar ise Quantity sütununun ürün koduna göre toplamı ve Totalprice sütununun ürün koduna göre toplamı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*X9oM3Hoi8Ysk0GoJYzyxAw.png" /><figcaption>Groupby</figcaption></figure><p>İstediğimiz özellikleri seçtikten sonra <strong>RUN </strong>ile devam ediyoruz. <br>Elde ettiğimiz tabloda ürünlere göre satış sayılarını görebiliyoruz. Büyükten küçüğe sıraladığımızda ve ilk 5 ürünü filtrelediğimizde aşağıdaki gibi tablo elde ediyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Zn3f82wed35TcHDF1Zlvwg.png" /><figcaption>Top5 products</figcaption></figure><p><strong>Peki bunu nasıl görselleştireceğiz?</strong></p><p>Yukarıdaki görselde görebileceğimiz gibi üst menüzde charts sekmesi var oradan tüm görselleştirme seçeneklerine erişebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SqjM5g5MQlUj_oyQGn3WTQ.png" /><figcaption>Top 5 products graph</figcaption></figure><p>Menüyü inceleyecek olursak sol tarafta bizim sütunlarımız ve hangi grafik türünü seçeceğimiz menü bulunuyor. sürükle bırak tekniği ile sol menüdeki sütunları X ya da Y eksenine uygulayabiliriz. Görselleştirme detay ayarlarını yine bu sayfadan ayarlayabiliyor. Renklendirme ek bilgiler gibi ayarlar kolayca bulabileceğimiz şekilde.</p><p>Bu grafikle birlikte en fazla satılan 5 ürünü verisetinden gerekli düzenlemeler yaparak çıkarmış olduk. Ürünleri görselleştirdik ve sunum için hazır hale getirdik.</p><p><strong>EN FAZLA HARCAMA YAPAN MÜŞTERİLERİMİZ KİMLER?</strong></p><p>Bu adımda Top5 ürünü bulurken uyguladığımız adımları uygulayacağız. Temizlediğimiz verisetine dönüp yine bir Group modülü ekliyoruz. CustormerID ye göre groupby yapıyoruz istediğimiz sütun ise total_price sütununun toplam değerleri. Bu sayede her bir müşteri için toplam harcamayı bulabiliriz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_Slv1dvY1hp8JfEq1oQCwA.png" /><figcaption>Total_price_sum</figcaption></figure><p>İşlemi çalıştırdığımızda yeni bir tablo karşımıza çıkıyor. Tabloda sıralama ve filtreleme işlemi yaptıktan sonra en fazla harcama yapan 5 kişiyi görebiliriz. Bu veri seti için sonucu görselleştirdiğimizde grafiğimiz aşağıdaki gibi karşımıza çıkıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kpqm7Ngzbq1qtZUEFr1a-g.png" /></figure><h3><strong>ZAMAN BAZLI SATIŞ ANALİZİ</strong></h3><p>Aylık olarak fatura sayılarımızı inceleyelim. Temizlediğimiz verisetinde <strong>month </strong>sütunu için groupby yapıyoruz. Elde etmek istediğimiz sütun ise <strong>invoice </strong>sütununun <strong>count</strong> değerleri. Yani ay bazında kaç adet fatura işlemi yapılmış bunu göreceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gvhwOoCamBOT-8mzqtQx8Q.png" /><figcaption>Count invoice per month</figcaption></figure><p>İşlemi çalıştırdığımızda çıktımız aşağıdaki gibidir</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OvXet_aphmNCbssM8WWgaA.png" /><figcaption>Month invoice</figcaption></figure><p>Görseldeki veri setini düzenlememiz gerekiyor. Month sütununda görmek istediğimiz değerler JAN,FEB,JUNE gibi ay isimleri, birlikte bu veri setini düzenleyelim.</p><p>Verisetin prepare bağlamını uyguluyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AD8IaCEkqJWt5KsQj6osRw.png" /></figure><p>Add new step ile birlikte replace özelliği ile her bir sayısal değer için karşılık gelen ay isimleri ile değiştiriyoruz. Run ile işlemi çalıştırıp yeni tablomuz ile görselleştirme(chart) yapıyoruz. Zaman karşılaştırması olduğu için line chart kullanabiliriz. X ve Y eksenlerine sürükle bırak ile görmek istediğimiz değerleri atıyoruz. Burada dikkat etmemiz gereken nokta X eksenine <strong>month_name</strong> sütununu eklememiz gerekiyor. Az önceki işlemde eklediğimiz yeni sütun. Grafiği oluşturduğumuzda aşağıdaki gibi bir grafik elde ederiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9BHXiZLqcd0_Zg2cGcR6hg.png" /></figure><p>Bu grafiği incelediğimizde Kasım ayında ortalama satışın üzerinde satış yaptığımız ama kış aylarında ocak-şubat aylarında fatura sayılarımızın düşük olduğunu görebiliriz. Aklımı kurcalayan bir soru var</p><p>Bu grafikte biz fatura sayılarını gördük peki fatura adedi olarak az olan aylarda bizim toplam fiyat(total_price)’ımız fazlaysa?</p><p>Bu grafiğe total_price sütununu da eklemeliyiz. Groupby düğümüne geri dönüp ayarlarını değiştirmeliyiz. Total_price sütununun toplam(sum) değerini de ekliyorum. Sonraki adımları dataiku buna göre yine güncelleyecektir. Tekrar çalıştırdığımda bu düğümü</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RGQmyZrECnkT1B4VaYYfjg.png" /></figure><p>Elde ettiğim tablo bu şekilde. Prepare düğümü ile devam edebilirim. Daha önce ay isimlerini düzenlediğim prepare düğümüne gidip total_price_sum sütununda bulunan quick menüde <strong>round to integer </strong>uygulayarak virgülden sonraki basamaklardan kurtuluyoruz. İşlemi çalıştırdıktan sonra. Nihai tablomuza line chart uyguluyoruz ve Y eksenine total_price_sum sütununu da ekliyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*us6DUZ4R7IIYv7dIoz3xeg.png" /></figure><p>Grafiği incelediğimizde benzerlik olduğunu görüyoruz. Beklenen sonuçlar çıkmış gibi duruyor. Artık kış aylarında yeni bir satış stratejisi geliştirip düşük olan satışlarımızı artırabiliriz.</p><p>Günlük satışlara da bakabiliriz. Hızlıca temizlediğimiz veri setinden yeni bir group düğümü açıyoruz ve day_of_week sütununa göre groupby yapıyoruz. Bulmak istediğimiz sütunlar ise invoice sütunun count değeri. Düğümü çalıştırdığımızda yeni tablomuzda bir grafik oluşturuyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lberyo3MQZ2oJPJZUgDvmg.png" /></figure><p>Cumarteside bir sorun var gibi duruyor. Veri setimizden kaynaklı olabilir. Fakat veri setimizde bir sorun yoksa raporumuzda cumartesiye dikkat çekip fatura sayılarını artırmak için çalışmalara yönlendirebiliriz sorumlu ekibi. Belki de o gün tatil olduğu için fatura kesilmiyordur. Gerekli araştırmaları yapıp raporumuza eklemeliyiz. Burada bir sorun var ve biz bu sorunu tespit ettik.</p><h3>RFM ANALİZİ</h3><blockquote>Projeyi yapmaktaki amacımızın son adımlarına yaklaşıyoruz. Ayşe hanımın, Mert beyin hangi kategoride olduğunu nasıl belirleyeceğiz? Kimi hangi kategori ile değerlendireceğiz?</blockquote><p>Bu önemli sorunun cevabını bulmak zor ama göreceğiniz gibi ancak bu kadar zor. Kahvelerimizi tazelediysek başlıyoruz.</p><p>Projenin başından beri her düğümün başlangıcı olan temizlediğimiz veri setine geri dönüyoruz ve tekrar bir group düğümü açıyoruz. Kişilere göre analiz yapacağımız için CustomerID’ye göre groupby yapıyoruz. Bulmak istediğimiz sütunlar ise invoice_date sütunun LAST değeri, invoice sütununun COUNT değeri, total_price sütunun SUM değeri. Düğümü çalıştırıp ortaya çıkan tabloyu inceleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*y5eX1sD9Qd9BOP3Xeg6T7w.png" /></figure><p>RFM analizinde Recency(ne kadar yakın zamanda-son sipariş tarihi), Frequency(ne kadar sıklıkla alışveriş yapıyor) ve Monetary value(toplam harcama) özelliklerini her bir müşteriye göre bulmalıyız. tabloyu incelediğimizde bu tabloya yeni bir prepare düğümü açıp şu adımları uygulayabiliriz.</p><p><strong>Total_price_sum → round (decimal 2)</strong> virgülden sonraki 2 haneyi alır<br><strong>Invoice_date_last → compute time difference between dates</strong> (bu adımı ilk defa uygulayacağımız için görsel olarak eklemekte fayda görüyorum)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1YNHHgUAhpR2yOJS-8A8FA.png" /></figure><p>Veri setimiz 2011 tarihli olduğu için 2025 e kadar olan günleri hesaplamak yerine sabit bir tarih ekleyebiliriz. 2013 olarak sabit bir tarih ekliyoruz. Çıktı sütunu olarak Recency_days ismini verebiliriz yeni sütuna.</p><p><strong>Recency_days → Discretize(bin) </strong>(bu adımda recency_days sütununu quick menüden analiz butonu ile incelemesini yapabiliriz min ve maks değerlerini kontrol ettiğimizde 5 parçaya böleceğimiz için 250lik aralıklarla bölmemiz bizim için sorun olmayacaktır)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sNo8VA0exeiBTM9VoLJA7g.png" /></figure><p>Çıktı sütunu olarak R_skore sütun ismini verebiliriz. Böylelikle her bir müşteri için R skorunu bulmuş oluyoruz.</p><p>F skorunu bulmak için;<br><strong>Invoice_count → Descretize(bin) </strong>(invoice_count sütununu analiz bölümünde incelediğimizde</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1004/1*PVT7SXPkU3OoIhffgXcDQw.png" /></figure><p>ortalama değeri (122), median değerinden(48) yüksek olduğu için ve maks değeri(11123) çok uç olduğu için bu verinin dağılımının çok sağa çarpık(right-skewed) olduğunu anlayabiliyoruz. Verinin büyük bir kısmı düşük değerlerde yoğunlaşmış gibi duruyor bu sebeple farklı yaklaşımlar kullanarak daha net değerler bulunabilir ama bu projede 50 değerlik adımlarla kullanabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ynFjiEGSxep5EqMbgqYBuw.png" /><figcaption>R_skore</figcaption></figure><p>Bunun dezavantajı 200 üstü değerlerde gruplamanın ayrıntılı olmaması olabilir bunu aklımızda tutup devam ediyoruz. Sorun çıkarsa bu adıma geri dönebiliriz. Yeni sütuna F_skore isimlendirmesini yapıp devam ediyoruz. Artık F değerimizi de bulduk.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cGGfM3ijwDENa3fwZJvxBw.png" /><figcaption>F_Skore</figcaption></figure><p>RFM in son adımı olan M skorunu da bulmamız gerekiyor. <br><strong>Total_Price_sum → Descretize(bin) </strong>sütunu analiz ettiğimizde 1000lik aralıklarla değerlendirmemiz gerektiğini görebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cGGfM3ijwDENa3fwZJvxBw.png" /><figcaption>M_skore</figcaption></figure><p>M skoru da bulduğumuza göre artık bu sütunları RFM sütununda birleştirip bir RFM değeri bulabiliriz her bir müşteri için.</p><p>Sütunları birleştirmek için yeni adım ekleyip formula seçeneği ile ilerleyebiliriz. Açılan kod alanına concat özelliği ile yeni bir sütun ekleyebiliriz. Kodu yazdıktan sonra APPLY yapmayı unutmayalım. Concat özelliği 3–4–5 gibi R-F-M değerlerini matematiksel olarak birleştirmek yerine yan yana birleştirir.</p><pre>concat(R_skore,F_skore, M_skore)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*v8rwya5yodX6u7pMPz58JA.png" /><figcaption>RFM_skore</figcaption></figure><p>Artık RFM değerini bulduk her bir müşteri için. Tüm bu ayarları çalıştırıp oluşturduğumuz yeni tablo üzerinden ML Cluster(gruplama) işlemine geçiş yapabiliriz.</p><h3>ML CLUSTERING</h3><blockquote>Bu aşamada model oluşturup bu modeli az önce hazırladığımız tabloya uygulayacağız ve her bir kişinin gruplarını belirleyeceğiz.</blockquote><p>Öncelikle bir model eğitmemiz gerekiyor. RFM skorlarını bulduğumuz tablo ile eğitebiliriz bu modeli. Tabloya tıkladığımızda sağ menüde(menü açılmıyorsa sağdaki + butonuna tıklayabiliriz) LAB kısmından AutoML CLustering →K-Means kümeleme yaklaşımı ile devam edebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7oQ9wcXdcDiJ0JEXSDzhag.png" /><figcaption>K-Means</figcaption></figure><p>Açılan pencerede train etmeden önce ayarlamalar yapmalıyız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ko3KN1plraux-Gjq3_oxpg.png" /></figure><p>Desing tarafına geçelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uPTbG22kdp6213qRj0BMew.png" /></figure><p>Features handling kısmında modele girdi olarak vereceğimiz sütunlar gözüküyor gereksiz olanları çıkarıp işimize yarayacak olanları ON olarak bırakabiliriz ayarlar şu şekilde.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dJGN9hOxsvbL6kzNw4rTcA.png" /><figcaption>Desing ML Clustering</figcaption></figure><p>CustomerID sütununu<strong> use for display only </strong>olarak işaretliyoruz bu işlem CustomerID sütununu modeli eğitirken kullanmaz fakat daha sonrasında görselleştirme yaparken işimize yaracağı için elimizde tutuyoruz. Count ve invoicedate_last sütununu off durumuna getiriyoruz. Sol menüden Algorithms menüsünde ise yalnızca K-means algoritmasını aktif hale getiriyoruz diğer algoritmalar off pozisyonunda olacak. Ayarları tamamladıktan sonra train ediyoruz(sağ üst köşede). İsimlendirmesini uygun bulduğunuz bir isimle yapabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TW4WkNFLcmnVO1essj3xLw.png" /></figure><p>Train sonucunda komşu sayısının 3 olduğu yaklaşım en fazla skoru bize verdi. Önceki adımlardaki analizlerde bazı noktaları aklımızda tutmuştuk dilersek bu veri setinde farklı temizleme işlemleri yapıp bu skoru artırabiliriz. Şimdilik bu skorla devam edelim. Sol menüde modelin üzerine tıklayıp bir kaç görsel ayarlamalar yapalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WVa0otQ1mChg5MZxvF7PTg.png" /></figure><p>— Sınıflandırmalar için isimleri özelleştirebiliriz.<br> — Features importance menüsünden hangi özelliklerin en fazla katkı sağladığı gibi raporlamaları görebiliriz. <br>Ayarları yaptıktan sonra bu modeli <strong>DEPLOY</strong> etmemiz gerekiyor. Sağ üst köşeden deploy edebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9PYxOx6mdMSK6L0MRXi_CA.png" /></figure><ul><li><strong>Create a recipe to perform clustering</strong>: Bu seçenek, aynı parametrelerle bir veri seti üzerinde (aynı veri seti veya başka bir veri seti) kümeleme yapmak için bir tarif oluşturur. Kümelemeler tamamen yeniden hesaplanır.</li><li><strong>Deploy a retrainable model to Flow</strong>: Bu seçenek, kümeleme modelini Flow’a yeniden eğitilebilir bir model olarak dağıtır. Bir puanlama tarifi ile birlikte kullanılarak, aynı merkez noktalar başka bir veri setinde tekrar kullanılabilir.</li></ul><p>Flowda bu modeli tekrar kullanabileceğimi ve başka bir veri setinde bağlam oluşturarak kullanabileceğim için 2. seçenekle ilerlemeyi düşündüm. İki seçenek de istediğimiz sonucu verecektir.</p><p>İkinci seçenek ile modeli deploy ettikten sonra artık elimizde veri setinde kullanabileceğimiz bir model var. Flow sayfasında verisetini seçtiğimizde sağ menüde cluster düğümü görünecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/535/1*c0DEeTskgggk2ovIsPIp8Q.png" /></figure><p>RFM skor veri setine cluster modelini uygulamak için bu seçenekle ilerleyebiliriz. Tıkladığımızda bize hangi modeli kullanmak istediğimizi soracaktır. Henüz 1 model oluşturduğumuz için o modeli seçeceğiz ve create seçeneği ile devam edeceğiz. Output ayarlarında değişiklik yapmak istersek açılan pencereden yapabiliriz. Sol altta RUN diyerek modeli verisetine uyguluyoruz. Daha önce modeli uygulamamıştık bu veri seti ile eğitip model oluşturmuştuk şu an uyguluyoruz.</p><p>Model verisetine uygulandıktan sonra yeni bir tablo oluşmuş olacak o tabloyu inceleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*j_x_QWZSOQwd9wIw5mW-XQ.png" /></figure><p>Çok fazla sütun görüyoruz ihtiyacımız olan sütunlar CustomerID ve Cluster_labels sağ üstte 11 columns yazan yazıya tıkladığımızda görmek istediğimiz sütunları seçebiliriz. Bu iki sütunu seçelim diğerlerini görmemize şimdilik gerek yok. Daha sonra ihtiyacımız olursa oradan yine görünür hale getirebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*F4NGur3RuLosrAtrtJR4Xg.png" /></figure><p>Elimizdeki son tablo bu şekilde. Her bir müşterinin hangi gruba dahil olduğunu bulduk. Cluster_labels sütununda sizde farklı isimler ya da sayılar görünebilir bu ayarları daha önceki adımda kendimize özgü şekilde yapmıştık. Benim yaklaşımım standart, midium , value grup isimleri ile isimlendirmek oldu. Tercihinize göre isimlendirebilirsiniz. Daha güzel bir görsel için bu grupları renklendirebiliriz. Sağ üst köşede renk paleti olan ikona tıklayıp <strong>Standart=yeşil </strong>gibi koşullar ekleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FAiUdQfiNd4XgbjkKbMIYQ.png" /></figure><p>Sonuç olarak her bir müşteriyi uygun olan gruplarına yerleştirdik. Artık şirketimizin sorumlu departmanı müşterilerimize özel indirimler ve paketler tanımlayabilirler.</p><h3><strong>SON SÖZ</strong></h3><p>Bu serüven, verinin yalnızca ham bir veri olmadığını, aksine hikayeler ve davranışlar barındıran bir ayna olduğunu bir kez daha kanıtladı.</p><p>Online Retail II veri setini Dataiku platformunda analiz ederek RFM analizi ve K-Means kümeleme ile müşterilerimizi anlamaya yönelik güçlü bir adım attık. <br>En çok satılan ürünler, en fazla harcama yapan müşteriler, zaman bazlı satış trendleri ve nihayetinde müşteri segmentasyonu ile veri biliminin pratik bir uygulamasını hayata geçirdik. <br>Bu süreçte karşılaştığımız zorluklar, yaptığımız temizlik ve görselleştirme adımları, bizi daha bilinçli stratejiler geliştirmeye yöneltti.</p><p>Umarım bu proje, hem bireysel öğrenimimize hem de şirketlerimizin müşteri odaklı yaklaşımlarına katkı sağlar. Yeni projelerde görüşmek üzere!</p><p>Saygılarımla<br>Ali TÜYDÜR</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=09541b732d15" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Formula1 Prediction App]]></title>
            <link>https://medium.com/i%CC%87stanbuldatascienceacademy/formula1-prediction-app-a92f9f7b014e?source=rss-0e6dc18b5f37------2</link>
            <guid isPermaLink="false">https://medium.com/p/a92f9f7b014e</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[github]]></category>
            <category><![CDATA[kubernetes-cluster]]></category>
            <dc:creator><![CDATA[Ali Tüydür]]></dc:creator>
            <pubDate>Wed, 15 Jan 2025 15:40:22 GMT</pubDate>
            <atom:updated>2025-01-21T09:16:41.120Z</atom:updated>
            <content:encoded><![CDATA[<p>Ne kadar tutarlı tahmin edebilirsin?</p><p>“Yarış haftası ekranlarımın başına geçtiğimde aklımda şu soru vardı. <br>Ne kadar öndeler? Markaların, pilotların, teknik ekibin, lastiklerin ne kadar güçlü ve donanımlı olduğunu ödüllendiren tek unsur bitiş çizgisini kaçıncı sırada geçtiğindir. Bitiş çizgisini kaçıncı sırada geçeceğini yarış başlamadan tahmin edebilir miyiz?”</p><p>Bu projemizde formula1 yarışlarını bitiş çizgisinde en önde geçecek takımı tahmin etmeye çalışacağız. Öncelikle projemizin amacını ve hedef kitleyi tanımlayalım.</p><p><strong>Projenin amacı:</strong> Formula 1 sonuçlarını tahmin eden bir uygulama oluşturmak ve modern teknolojilerle üretim ortamına taşımak.</p><p><strong>Hedef kitle:</strong> Veri bilimi meraklıları, mühendisler, ve MLops uygulayıcıları, öğrenciler</p><p><strong>Kullanılan teknolojiler: </strong>Python, Docker, Kubernetes, Streamlit, Google Cloud Platform, Github Actions.</p><p>— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —</p><p><strong>VERİ SETLERİ VE METADATA</strong></p><p>Veri setlerine <a href="https://github.com/alituydurr/f1-prediction-app">link</a> üzerindeki github repodan ulaşabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/905/1*czbNRMNOdjHUc6B3SIvBZw.png" /></figure><p><strong>Toplam satır:</strong> 7979<br><strong>Toplam sütun:</strong> 12</p><p>Repodaki csv dosyalarını sqlite ile bir database oluşturarak işe başlayalım. *Bu yazı boyunca tüm kodlara linkteki repodan ulaşabilirsiniz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*APQ6XeaSeFL4unKLDv7Lsg.png" /></figure><p>Artık elimizde bir database var. Formula1 tarihinde çok fazla gelişme olduğu için sonuçlara eski tarihteki kurallar ve pitstop sürelerinin uzun olmasından kaçınmak iyi bir fikir gibi duruyor. Öyleyse veritabanından bir sorgu yaparak istediğimiz veri çıktısını alalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*o9i6xwhnsJKnHQ-Fqfi42g.png" /></figure><p>Kullanabileceğimiz bir veri dosyası oluşturmak için son 10 yılı kapsayan bir sorgu oluşturduk. Hal böyle ki artık modelimizi eğitirken daha güncel verilerle ve istediğimiz sütunlarla işlem yapabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Oi9xHmsy6MrPd8lAyp9xPQ.png" /></figure><p>Veri tabanından verileri okuduk ve son sütunda winner=1 olacak şekilde yeni bir sütun ekledik. Bu sütun bizim hedef değişkenimiz olacak. İlk 5 satırını kontrol ettiğimiz veri dosyasını kullanmak üzere data.csv olarak kaydettik.</p><p>— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —</p><p><strong>MODEL OLUŞTURMA</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VzMPSwI6WlBG65Nn20uMTQ.png" /></figure><p>Gerekli kütüphaneleri ekledik. Dikkat etmemiz gereken durum projeyi geliştirirken kullandığımız her kütüphaneyi “requirements.txt” dosyasına eklemek. Modelimizi eğitmek için “data.csv” dosyasını jupyter notebook alanımıza yüklüyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wF7wYgX0L9z3-1pzFSwqqw.png" /></figure><p>Dosyamızı incelediğimizde sütunlarda boş değerler olmadığını ve model oluşturmak için tüm sütunların sayısal değer olduğunu görüyoruz. Uygun formatta olmasaydı bu dosya üzerinde gerekli düzenlemeleri yapacaktık. Her şey yolunda gözüküyor. Model eğitme aşamasına geçebiliriz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Dl5Un86fNuzzeVz_mWVFKg.png" /></figure><p>Veri dosyamızda winner kolonu oluşturduk ve positionorder değeri 1 olanlar için bu sütuna 1 yazdık. Sonraki adımda features’larımızı belirleyip hedef değişken olarak winner sütununu belirledik. Modeli <strong>Random Forest</strong> algoritması ile eğittik. Gözlemlediğimiz accurcy değeri <strong>0.94</strong> başarı oranı gayet yüksek duruyor bir sonraki adım için hazırız.</p><p>Bu modelde en önemli feature hangisi olduğunu görmek isteriz elbette.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*f7KMY5kA0R9sXU6WtJPT7g.png" /></figure><p>Grid pozisyonunun önemini bu grafikte de gördük. Ama projeye başlarken aklımıza gelen bir diğer feature da pit_stop_time sütunuydu. Peki neden önemli bir feature olarak karşımıza çıkmadı? Cevap olarak bu featureda birbirine çok yakın değerler olduğu için modelimiz önemli feature olarak algılamadı. Tüm takımların pitstop süreleri birbirine çok yakın, milisaniye farkları olduğu için model eğitirken bu feature diğerlerine göre biraz daha geride kaldı. Daha az etkili oldu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wTkAbRp6zjsZN4pT68j_PQ.png" /></figure><p>Modelimizi kaydedip bir sonraki aşamaya geçelim</p><p>— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —</p><p><strong>STREAMLİT KULLANICI ARAYÜZÜ</strong></p><p>Kullanım kolaylığı nedeniyle bu arayüz platformunu seçtik</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/391/1*OmFjhB1Czy6NKFAnHJJhjw.png" /></figure><p>App klasöründe daha önce kaydettiğimiz modelimiz ve pages klasörümüz var. <strong>Welcome.py</strong> dosyası bizim anasayfamız olacağı için streamlite uygun olarak anadizinde yer alıyor pages klasöründeki sayfalar ise kullanıcıya sunacağımız veri açıklama sayfası(<strong>description_page.py</strong>) ve tahmin için input alacağımız tahmin sayfası(<strong>predict.py</strong>)</p><p><strong>Welcome.py</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YfJzA_kCrOx3_WRkHPPwjw.png" /></figure><p>Sayfanın kodlarına github reposundan bakabilirsiniz. Yalnızca yazı ve yönlendirmeler yer alıyor.</p><p><strong>description_page.py</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*41s31gJoEL1mjvCb1SsFRg.png" /></figure><p>Bu sayfada kullandığımız verisetinin metadatası yer alıyor yukarıda projeye başlarken size sunduğum çıktı ve metadata bu sayfada gösteriliyor.</p><p><strong>predict.py</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bYmoME6pdYaqDYuL6j_aug.png" /></figure><p>Kullanıcıdan inputları aldığımız ve kullanıcın tahmin yapma sayfası. Bu sayfayı biraz inceleyelim bakalım arkaplanda nasıl kodlar çalışıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cpm66Npq5okOWc92LU39xQ.png" /></figure><p>Kullanıcının gördüğü ve seçim yaptığı pistlerin bizim işleyebileceğimiz bir formata dönüştürmemiz gerekiyor. Veri setlerinde pist ve sürücü isimlerine karşılık gelen benzersiz sayıları bir dictionary yapısına çeviriyoruz. Aynı işlemi constructors inputu için de yapıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BIXeTNztDxUVBQScQB9Wlg.png" /></figure><p>Kullanıcılardan gelen model için anlamsız verileri sözlük yapısında model için anlamlı verilere dönüştürdükten sonra sayfamızın yapısını ve eğittiğimiz modelde test etmek için model ile aynı büyüklükteki dataframe formatına dönüştürüyoruz. Kullanıcıdan gelen bilgileri uygun sütunlara atıyoruz. Daha önce kaydettiğimiz modeli çağırıp o model üzerinde işlem yapıyoruz. Modelin tahminini ekrana yazdırıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*usFwivDKvnxO5pkjNjCrgg.png" /></figure><p>Şaşırtıcı olmayan bir sonuç ile Hamiltonun yarışı kazanacağı tahminine ulaştık. Tüm bu yaptıklarımızı localhost ile yaptık. Çalıştırmak için anadizinde cmd yi açıp “<strong>streamlit run welcome.py</strong>” komutunu çalıştırabilirsiniz. Klasör yapısına ve welcome.py dosyasının dizindeki yerine dikkat edersek herhangi bir hata ile karşılaşmayız</p><p>Peki son kullanıcıya bunu nasıl sunacağız?</p><p><strong>DOCKER</strong></p><p><strong>Docker</strong>, uygulamaları ve bunların bağımlılıklarını kapsayıcı (container) adı verilen taşınabilir bir ortamda paketlemek, dağıtmak ve çalıştırmak için kullanılan bir platformdur. Bu projede de image oluşturup bunu Google cloud artifact registry’ e yüklemeliyiz.</p><p>Dockerfile</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/989/1*kz3KTM8PUBZpB0BsfIT_Rg.png" /></figure><p>Dosya içeriği yukarıdaki gibidir. Dockerfile dosyasını bilgisayarına docker desktop yükleyip image oluşturup oluşturmadığını kotrol etmemizde fayda var. Oluşturduğunu ele alıyoruz ve bunu bulut platformuna yüklüyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WD1MnhcL92d2XlQUbq4j2g.png" /></figure><p>Artifact registryde repository oluşturduk ve bu imaji oraya yüklemek için hazır hale getirdik. Docker image ını yüklemek için gerekli izinleri verdiğimizden emin olmalıyız.</p><p><strong>1-)</strong>Artifact Registry’ye erişim izni vermek için GCP projemizde şu komutu çalıştırdık:<br><strong>“gcloud auth configure-docker europe-west2-docker.pkg.dev “</strong></p><p><strong>2-) </strong>Yerel makinede Docker imajını oluşturduk:<br><strong>“docker build -t f1-prediction-app .”</strong></p><p><strong>3-)</strong>Docker imajını Artifact Registry’ye yüklemek için GCP’nin belirttiği formata uygun bir etiket ekledik:<br>“<strong>docker tag f1-prediction-app:latest europe-west2-docker.pkg.dev/f1-prediction-cluster/f1-prediction-repo/f1-prediction-app:latest”</strong></p><p><strong>4–)</strong>Etiketlenmiş Docker imajını GCP’ye yükledik:<br><strong>“docker push europe-west2-docker.pkg.dev/f1-prediction-cluster/f1-prediction-repo/f1-prediction-app:latest”</strong></p><p>Bu adımlar tamamlandıktan sonra docker image ımız Artifact Registryde depolanmış oldu.</p><p>— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —</p><p><strong>KUBERNETES</strong></p><p>Kubernetes, uygulamaların ölçeklenebilir ve dayanıklı bir şekilde çalıştırılmasını sağlar. GCP’de oluşturduğumuz Kubernetes cluster’ında Docker imajımızı dağıtmak için aşağıdaki adımları izledik</p><p>1-)Google Cloud Platformunda <strong>kubernetes cluster</strong> ı oluşturduk (oluşturma aşmasını araştırma yaparak bulabilirsiniz)</p><p>2-)Cluster oluşturulduktan sonra <strong>kubectl</strong> komut satırı aracını kullanarak cluster&#39;a bağlandık</p><p>3-) kubernetes için gerekli deployment ve service yaml dosyalarını oluşturduk.</p><p><strong>Deployment.yaml</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fSrnRGpTEnNSz0Kd5qXalg.png" /></figure><p>Deployment.yaml dosyası Docker imajımızın bir Kubernetes Pod’unda çalıştırılmasını sağlar</p><p><strong>Service.yaml</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/774/1*lXjwrx-faLFWXtqXFMM0Gw.png" /></figure><p>Service.yaml dosyası uygulamayı dış dünyaya açmak için bir LoadBalancer oluşturur.</p><p>Yaml dosyalarını kullanarak Kubernetes cluster’ına uygulayalım<br><strong>“kubectl apply -f kubernetes/deployment.yaml”<br>“kubectl apply -f kubernetes/service.yaml”</strong></p><p>Tüm bu adımları tamamladıktan sonra elimizde kubernetes cluster üzerinde çalışan bir uygulamamız oldu. Loadbalancer ile artık uygulamamızı dış dünyaya açabiliriz ve kullanıcılara sunabiliriz.,</p><p>— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —</p><p>Uygulamamız çalışıyor. Peki güncelleme yaptığımızda tüm bu işlemleri tekrar mı yapmak zorunda kalacağız?</p><p>Github action ile bir pipeline oluşturup github repomuzu güncellediğimizde otomatik olarak uygulamamızın güncellenmesini sağlayabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/410/1*BOQ0D12S5i67UzFmP_zviQ.png" /></figure><p>github\workflows klasörünün altında bir dosya oluşturuyoruz.</p><p><strong>ci-cd.yaml</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*D_KQxdg6NUYHUglkGs4xWg.png" /></figure><p>Google cloud platformunda tüm bu artifact registrye ve kubernetes clustera erişim ve değişiklik yapabilme izni vereceğimiz bir github action service hesabı tanımlamalıyız JSON formatında bir dosya indireceğiz bilgisayarımıza.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/444/1*2__HajL-aKEfvvG7P0eH1Q.png" /></figure><p>Github reposunda gördüğümüz action bölümüne bu json dosyasındaki secret keyleri yüklememiz gerekiyor. Bu işlemi de yaptıktan sonra artık github repomuza gönderdiğimiz tüm güncellemeler uygulamamızda bir kaç dakika içerisinde gözükecek.</p><p><strong>Hangi adresten uygulamamı görebilirim?</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/296/1*qGMYlkl1YtCixSm6D50hQA.png" /></figure><p>Google Cloud Platformunda <strong>kubernetes engine &gt; workloads </strong>sekmesine tıkladığımızda<strong> External IP </strong>ile gösterilen ip adresinden uygulamanın keyfini çıkarabilirsiniz.</p><p>Okuduğunuz ve bu çalışmamı sizlerle paylaşmama izin verdiğiniz için teşekkür ederim.</p><p><strong>Github hesabım:</strong> <a href="https://github.com/alituydurr">https://github.com/alituydurr</a><br><strong>Linkedin hesabım: </strong><a href="https://www.linkedin.com/in/ali-tuydur/">https://www.linkedin.com/in/ali-tuydur/</a></p><p><strong>TEŞEKKÜRLER</strong></p><p>Bu çalışmayı <a href="https://medium.com/u/e49b1fd56ade">İstanbul Data Science Academy</a> öğrencisi olarak hazırladım.<br>Bu bilgileri ve daha fazlasını kazanmamda eğitmenlik yaptıkları için <a href="https://medium.com/u/32292a2c0256">Zekeriya Besiroglu</a> liderliğinde tüm <strong>istanbul data science academy</strong> eğitmenlerine teşekkür ederim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/736/1*f8k66sSauQv2s9qUmc9Jug.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a92f9f7b014e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/i%CC%87stanbuldatascienceacademy/formula1-prediction-app-a92f9f7b014e">Formula1 Prediction App</a> was originally published in <a href="https://medium.com/i%CC%87stanbuldatascienceacademy">İstanbul Data Science Academy</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>