Pazar Sepeti Analizi Nedir? Metrikler, Örnekler ve Kullanım Durumları
Pazar sepeti analizi, aynı işlemde hangi ürünlerin birlikte satın alındığını bulmaya yönelik bir yöntemdir. Şans eseri beklenebilecek olandan daha sık ortaya çıkan ürün kombinasyonlarını bulmak için sipariş verilerini tarar. Her bir örüntüyü üç metrik tanımlar: destek (support), güven (confidence) ve artış (lift). Perakendeciler ve çevrimiçi mağazalar bu yöntemi çapraz satış, paket ürünler ve ürün yerleşimi için kullanır.
Bu kılavuz, yöntemin nasıl çalıştığını, her bir metriğin nasıl hesaplandığını ve sonuçların nasıl okunacağını açıklamaktadır. Ayrıca yaygın algoritmaları, temel kullanım senaryolarını ve bir kurala göre hareket etmeden önce bilinmesi gereken sınırları da kapsamaktadır.
Pazar sepeti analizi nedir
Pazar sepeti analizinin arkasındaki temel fikir basittir. Her sipariş bir ürün sepetidir. Binlerce sepet genelinde bazı ürünler sürekli birlikte görünür. Analiz bu kombinasyonları bulur ve her birinin ne kadar güçlü olduğunu ölçer.
Çıktı, bir birliktelik kuralları kümesidir. Bir kural "eğer bir sepet A içeriyorsa, C içerme olasılığı da yüksektir" şeklinde okunur. A'ya öncül (antecedent), C'ye ise ardıl (consequent) denir. Her ikisi de tek bir ürün veya ürün grupları olabilir.
Bu iş için yaygın olarak kullanılan bir Python kütüphanesi olan mlxtend belgeleri, klasik bir örnek sunar. Belgeler, "bebek bezi alan kişilerin bira da satın alma olasılığının yüksek olduğunu" öne süren bir kuralı tanımlar. Bu eşleşmenin belirli bir mağazada geçerli olup olmamasından bağımsız olarak, çıktının biçimini gösterir.
Bu teknik, birliktelik kuralı çıkarımı (association rule learning) adı verilen daha geniş bir alana aittir. mlxtend belgeleri, Apriori algoritmasının "bir mağazanın müşterileri tarafından yapılan satın almalar gibi işlemler içeren veri tabanlarında çalışmak üzere tasarlandığını" belirtir. Perakende, yöntemin başladığı yerdir ancak sepetlerden oluşan her türlü veriyle çalışabilir.
Nasıl çalışır
Bir pazar sepeti analizi iki aşamada gerçekleştirilir.
Birinci aşama sık geçen ürün kümelerini bulur. Bir ürün kümesi, {telefon kılıfı, ekran koruyucu} gibi herhangi bir ürün grubudur. Tüm işlemlerin en azından minimum bir oranında göründüğünde sık geçen olarak kabul edilir. Destek eşiği (support threshold) adı verilen bu minimum oranı siz belirlersiniz.
İkinci aşama ürün kümelerini kurallara dönüştürür. Algoritma, her bir sık geçen ürün kümesi için bunu bir öncül ve bir ardıl olarak ikiye ayırır ve ortaya çıkan kuralı puanlar. mlxtend belgeleri, kural oluşturmayı "sık geçen örüntülerin madenciliğinde yaygın bir görev" olarak tanımlar.
Girdi her zaman aynı biçimdedir. Her satır bir işlemi temsil eder ve her sütun bir ürünün o işlemde yer alıp almadiğini belirtir. Çoğu e-ticaret platformundan alınan sipariş dışa aktarımları, bir pivot işlemiyle bu formata dönüştürülebilir.
Herhangi bir metrik hesaplanmadan önce üç hazırlık seçeneği sonucu şekillendirir. İlk olarak, genellikle tek bir sipariş kimliği (ID) olan işlemin ne olduğuna karar verin. İkinci olarak, miktar yerine varlığı kaydedin; böylece bir üründen üç adet alınmış olması yine de bir kez sayılır. Üçüncü olarak, detay düzeyini seçin. Ürün kategorileri daha az sayıda ve daha geniş kurallar sağlarken, bireysel SKU'lar daha fazla veri gerektiren daha kesin kurallar sunar.
Üç temel metrik
Her kural üç sayı alır. Bunları birlikte okumak, yararlı bir kuralı tesadüften ayıran şeydir.
Destek
Destek, ürün kümesini içeren tüm işlemlerin oranıdır. 1.000 siparişten 60'ı hem telefon kılıfı hem de ekran koruyucu içeriyorsa, bu çiftin desteği 0.06 yani %6'dır.
Destek, bir örüntünün ne kadar yaygın olduğunu söyler. Çok düşük desteğe sahip bir kural gerçek olabilir ancak üzerinde işlem yapılamayacak kadar nadirdir.
Güven
Güven, sepetin öncülü zaten içerdiği bilindiğinde, ardılın görülme olasılığıdır. Çiftin desteğinin, öncülün desteğine bölünmesine eşittir.
Güvenin bir yönü vardır. A'nın C'ye yol açma güveni genellikle C'nin A'ya yol açma güveninden farklıdır. Aşağıdaki uygulamalı örnek bunun nedenini göstermektedir.
Artış
Artış, çiftin gerçek sıklığını, iki ürünün birbiriyle ilişkisiz olması durumunda bekleyeceğiniz sıklıkla karşılaştırır. Kuralın güveninin, ardılın desteğine bölünmesine eşittir.
mlxtend belgeleri referans noktasını net bir şekilde tanımlar: "A ve C bağımsızsa, Lift skoru tam olarak 1 olacaktır." 1'in üzerindeki bir artış, ürünlerin şans eserinden daha sık birlikte göründüğü anlamına gelir. 1'in altındaki bir artış ise daha az sıklıkta birlikte göründükleri anlamına gelir.
Uygulamalı bir örnek
Bir ayda 1.000 sipariş alan çevrimiçi bir elektronik mağazasını ele alalım.
| Ölçüm | Değer |
|---|---|
| Telefon kılıfı içeren siparişler | 200 |
| Ekran koruyucu içeren siparişler | 100 |
| Her ikisini de içeren siparişler | 60 |
| Çiftin desteği | 60 / 1.000 = 0.06 |
| Güven, telefon kılıfından ekran koruyucuya | 0.06 / 0.20 = 0.30 |
| Güven, ekran koruyucudan telefon kılıfına | 0.06 / 0.10 = 0.60 |
| Artış | 0.30 / 0.10 = 3.0 |
Sonuçları basit terimlerle okuyun. Telefon kılıfı satın alan her on kişiden üçü ekran koruyucu da satın aldı. Ekran koruyucu satın alan her on kişiden altısı telefon kılıfı da satın aldı. Bu çift, şans eserinin öngöreceğinden üç kat daha sık birlikte görünmektedir.
Tam kural tablosu döndüğünde, bunu belirli bir sırayla okuyun. En güçlü bağlantıları bulmak için artışa (lift) göre sıralayın. Üzerinde işlem yapılamayacak kadar nadir oldukları için minimum desteğinizin altındaki kuralları eleyin. Ardından hangi yönde öneride bulunacağınıza karar vermek için güveni kullanın.
İki güven değeri farklı eylemlere yol açar. Ekran koruyucu alıcılara telefon kılıfı önermek daha güçlü bir tavsiyedir, çünkü bunların %60'ı zaten bir tane almaktadır. Artış her iki yönde de aynıdır, bu nedenle artış, bağlantının kendi gücünün daha iyi bir ölçüsüdür.
Bilinmeye değer diğer metrikler
Üç temel metrik çoğu ihtiyacı karşılar, ancak kütüphaneler zayıf kuralları filtrelemeye yardımcı olan diğer metrikleri de raporlar.
Kaldıraç (Leverage), gözlemlenen ve beklenen birlikte gerçekleşme arasındaki farkı ölçer. mlxtend belgeleri bunu, gözlemlenen birlikte gerçekleşmeyi "A ve C bağımsız olsaydı beklenecek sıklıkla" karşılaştırarak tanımlar. 0 değerindeki bir kaldıraç, bağımsızlık anlamına gelir.
İnanç (Conviction), ardılın öncüle ne kadar güçlü bir şekilde bağlı olduğunu ölçer. Artış gibi, 1 değeri bağımsızlığı gösterir. Daha yüksek değerler, kuralın şans eserinin öngöreceğinden daha az ihlal edildiği anlamına gelir.
Pratikte çoğu ekip kuralları artışa göre sıralar, ardından minimum destek ve güvene göre filtreler. Bu kombinasyon güçlü, önemseyecek kadar yaygın ve güvenilir örüntüleri ortaya çıkarır.
Algoritmalar: Apriori ve FP-Growth
Apriori klasik algoritmadır. mlxtend belgeleri, kaynak olarak Agrawal ve Srikant'ın birliktelik kuralları madenciliği için hızlı algoritmalar üzerine yazdığı 1994 tarihli makalesini göstermektedir. Apriori, ürün kümelerini seviye seviye oluşturur ve alt kümeleri sık geçmeyen tüm ürün kümelerini budar, bu da aramayı yönetilebilir kılar.
FP-Growth, aynı sık geçen ürün kümelerine farklı bir yoldan ulaşır. mlxtend belgeleri bunu "yerleşik Apriori algoritmasına popüler bir alternatif" olarak tanımlar. Sık geçen bir örüntü ağacı oluşturur ve aday üretimi gerektirmez. Belgeler, bunun onu "özellikle büyük veri kümeleri için cazip" kıldığını belirtmektedir.
Destek eşiği her ikisinde de aynı şekilde çalışır. mlxtend belgeleri basit bir örnek verir: 0.5 eşiğinde, sık geçen bir ürün kümesi tüm işlemlerin en az yarısında görünmelidir. Perakende eşikleri genellikle çok daha düşüktür, çünkü popüler çiftler bile siparişlerin küçük bir kısmında görünür.
Çoğu iş sorusu için algoritma seçimi sonuçları değil, hızı değiştirir. Her ikisi de aynı destek eşiği için aynı ürün kümelerini döndürür.
Pazar sepeti analizi ne için kullanılır
Pazar sepeti analizi en çok perakende ve e-ticarette yaygındır, ancak kullanım senaryoları daha da genişler.
-
<
- Çapraz satış. Öncül sepette olduğunda, ödeme sırasında ardılı önerin.
- Paket ürünler. Yüksek artışa (lift) sahip ürünleri tek bir teklifte paketleyin.
- Mağaza ve sayfa düzeni. Sık sık eşleştirilen ürünleri bir rafta veya ürün sayfasında birbirine yakın yerleştirin.
- Envanter planlaması. Eşleşen ürünleri birlikte stoklayın, böylece birinin eksikliği diğerinin satışlarını sessizce engellemez.
- İçerik ve medya. Bir kullanıcı oturumunu bir sepet olarak ele alın ve hangi makalelerin veya videoların birlikte tüketildiğini bulun.
- Hizmetler. Bankacılık veya telekomünikasyonda, her müşterinin ürünlerini bir sepet olarak ele alın ve hangi kombinasyonların birlikte gitme eğiliminde olduğunu bulun.
- Kampanya incelemesi. Bir kampanya öncesinde ve sırasında bir çift için artışı (lift) karşılaştırın. Bir sıçrama, kampanyanın sadece hacmi değil, satın alma davranışını da değiştirdiğini gösterir.
Her kullanım senaryosu aynı sorudan başlar. Müşteriler bir şeyi seçtiğinde, başka neyi seçme eğilimindedirler?
Bunu takip eden eylem, güven yönüyle eşleşmelidir. Bir paket, her iki ürün de birlikte istendiğinde işe yarar. Ödeme sırasındaki bir öneri, bir ürün güvenilir bir şekilde diğerine yönlendirdiğinde işe yarar.
Pazar sepeti analizi ve ilgili yöntemler karşılaştırması
Pazar sepeti analizi genellikle müşteri segmentasyonu ve öneri motorları ile karıştırılır. Tablo bunların nasıl farklılaştığını göstermektedir.
| Yöntem | Analiz birimi | Temel soru | Tipik çıktı |
|---|---|---|---|
| Pazar sepeti analizi | İşlemler | Hangi ürünler birlikte gider? | Destek, güven ve artış içeren birliktelik kuralları |
| Müşteri segmentasyonu | Müşteriler | Hangi müşteriler birbirine benzer? | Ortak özelliklere sahip müşteri grupları |
| İşbirlikçi filtreleme | Müşteri ve ürün geçmişi | Bu kişi bir sonraki adımda neyi beğenecek? | Kişiselleştirilmiş öneriler |
| Kohort analizi | Başlangıç tarihine göre gruplar | Davranış zaman içinde nasıl değişir? | Elde tutma (retention) eğrileri ve tabloları |
Yöntemler birbirini tamamlar. Segmentasyon size yüksek değerli müşterilerinizin kimler olduğunu söyleyebilir ve pazar sepeti analizi de bu müşterilerin birlikte ne satın aldıklarını söyleyebilir. Bir müşteri segmentasyonu raporu oluşturma kılavuzumuz ilk yarıyı kapsarken, kohort analizi hakkındaki açıklayıcımız zaman boyutunu ele almaktadır.
Bilinmeye değer sınırlar
Pazar sepeti analizinden elde edilen kurallar yararlıdır, ancak aşırı yorumlanmaya müsaittir.
Birlikte gerçekleşme, nedensellik değildir. Yüksek artışa (lift) sahip bir çift, size iki ürünün birlikte satın alındığını söyler. Birini satın almanın diğerine neden olduğunu söylemez.
Eşikler sonucu şekillendirir. Desteği çok yüksek ayarlarsanız niş ama değerli çiftleri kaçırırsınız. Çok düşük ayarlarsanız, çoğu gürültüden ibaret binlerce kural elde edersiniz.
Nadir ürünler kaybolur. Ayda birkaç kez satın alınan pahalı bir ürün, eşleşmeleri güçlü olsa bile destek eşiğine asla ulaşamayabilir.
İadeler ve iptaller sepetleri saptırır. İade edilen ürünler veride kalırsa, analiz müşterilerin iptal ettiği eşleşmeleri de sayar. Bir ürün iadeleri raporu hazırlama kılavuzumuz, bu yönün ayrı olarak nasıl ölçüleceğini kapsamaktadır.
Çok sayıda çift, bazı yanlış örüntüler anlamına gelir. 500 ürünlük bir katalogda 100.000'den fazla olası çift vardır. Bazıları yalnızca şans eseri yüksek artış (lift) gösterecektir. Önemli kuralları uygulamaya koymadan önce ikinci bir veri döneminde doğrulayın.
Zaman önemlidir. Tatil sezonundaki örüntüler ilkbaharda geçerli olmayabilir. Bir düzeni veya paketi değiştirmeden önce analizi karşılaştırılabilir dönemlerde çalıştırın.
Kod yazmadan nasıl çalıştırılır
Klasik yol, mlxtend gibi bir kütüphane ile Python veya çiftleri saymak için SQL kullanmaktır. Her ikisi de sipariş verilerinin işlem başına bir satır ve ürün başına bir sütun olacak şekilde yeniden şekillendirilmesini gerektirir.
Bir e-tablo küçük bir sürümü işleyebilir. Bir pivot tablo ürün başına siparişleri sayar ve bir COUNTIFS formülü bir çiftteki her iki ürünü de içeren siparişleri sayar. Sınır ölçektir, çünkü olası çiftlerin sayısı katalogla birlikte hızla artar.
Bir yapay zeka çalışma alanı, basit bir sipariş dışa aktarımından yeniden şekillendirme ve sayma işlemlerini yapabilir. Powerdrill Bloom, her planda Excel ve CSV yüklemelerini listeler. Hangi ürünlerin en sık birlikte satın alındığını sorabilir ve en iyi çiftler için destek, güven ve artış değerlerini talep edebilirsiniz.
Genel örüntüleri görmek için kategori düzeyinde bir çalıştırma ile başlayın. Ardından en çok önem taşıyan kategoriler için SKU düzeyinde yeniden çalıştırın.
Çıktıyı, bir betiği kontrol ettiğiniz şekilde kontrol edin. İşlem sayısını doğrulayın, bir çifti manuel olarak rastgele kontrol edin ve iade edilen siparişlerin hariç tutulduğundan emin olun. CSV AI assistant sayfası, öncelikle dosya odaklı iş akışını göstermektedir.
Hazır bir sipariş dışa aktarımınız varsa, üzerinde Powerdrill Bloom'u deneyebilir ve en iyi çiftleri ekibinizin beklentileriyle karşılaştırabilirsiniz.
Sıkça sorulan sorular
Basit kelimelerle pazar sepeti analizi nedir?
Müşterilerin hangi ürünleri birlikte satın alma eğiliminde olduğunu bulmanın bir yoludur. Birçok siparişe bakar ve şans eserinin öngöreceği duruma kıyasla her bir kombinasyonun ne sıklıkta göründüğünü ölçer.
Pazar sepeti analizinde artış (lift) nedir?
Artış, iki ürünün ne sıklıkta birlikte göründüğünü, ilişkisiz olmaları durumunda ne sıklıkta görünecekleriyle karşılaştırır. 1 değerindeki bir artış, hiçbir birliktelik olmadığı anlamına gelir. 1'in üzeri, beklenenden daha fazla birlikte göründükleri, 1'in altı ise daha az göründükleri anlamına gelir.
Destek ve güven nasıl hesaplanır?
Destek, ürün kümesini içeren işlem sayısının tüm işlemlere bölünmesidir. Güven ise çiftin desteğinin, öncülün desteğine bölünmesidir. Her ikisi de genellikle ondalık sayılar veya yüzdeler olarak gösterilir.
Pazar sepeti analizi için hangi algoritma kullanılır?
Apriori klasik algoritmadır ve FP-Growth yaygın bir daha hızlı alternatiftir. Her ikisi de işlem verilerinden sık geçen ürün kümelerini bulur ve ardından bu ürün kümelerinden kurallar oluşturulup puanlanır.
Excel'de pazar sepeti analizi yapabilir misiniz?
Evet, küçük veri kümeleri için yapabilirsiniz. Bir pivot tablo ürün başına siparişleri sayar ve COUNTIFS bir çifti içeren siparişleri sayar. Büyük kataloglar için çiftlerin sayısı hızla artar, bu nedenle bir betik veya yapay zeka aracı daha pratiktir.
Kaynaklar: mlxtend, Association rules · mlxtend, Apriori. Uygulamalı örnekte açıklayıcı rakamlar kullanılmıştır.