Pazar Sepeti Analizi

Günümüz dünyasında, hepimizin çok iyi bildiği pandemi sonrası e-ticaret sektörü güneş gibi yükseldi. Bu yükselişle birlikte, nispeten küçük işletmelerden en büyük markalara kadar hemen her markanın web siteleri çok daha fazla popülerlik kazandı ve trafikleri neredeyse %50 arttı. Uluslararası Ticaret İdaresi’ne (2021) göre, pandemi sonrasında e-ticaret gelirlerinde ortalama %19’luk bir artış (Gıda ve Kişisel Bakım ürünlerinde %26) öngörülmektedir.

Bu büyüme istatistikleri ve gelişmeler bize tek bir önemli şeyi söylüyor: İşletmeler artık e-ticaret/pazarlama departmanlarına ve operasyonlarına çok daha fazla dikkat (ve bütçe) ayırmalı.

E-ticaret denince akla ilk gelen elbette web siteleri. Ürünler, işletme sahiplerinin en değerli kaynağı olan müşteriden daha fazla satış ve gelir elde edebilmelerini sağlayacak şekilde sitelerde sergilenmeye çalışılıyor.

Müşterilerin dikkatini çekmek ve onları daha fazla satın almaya yönlendirmek için onlarca yöntem var. Bu yazıda, “Sepet Analizi” adı verilen bir yöntemi açıklamaya çalışacağım.

Sepet Analizi Nedir?

Sepet Analizi, müşterilerin web sitesindeki sepetlerini inceleyen ve anlamlı, kişiselleştirilmiş ürün önerileri sunmak için bunları analiz eden bir yöntemdir. Analizin teknik kısmına geçmeden önce şu noktaları belirtmekte fayda var:

• Her müşteri ve satın alma davranışı farklıdır.
• Her ürün farklıdır; ancak bazıları birlikte kullanılır ve satın alınır.
• Bazı durumlarda, tamamen alakasız ürünler bir arada satılabilir ve insan gözü bunları her zaman fark edemeyebilir.

İşte burada yapay zeka ve makine öğrenimi devreye giriyor.

Algoritmalara daha derinlemesine bakalım.

Apriori Algoritması

Apriori algoritması 1994’ten beri kullanılıyor ve boole türündeki birliktelik kuralları için sık kullanılan öğe kümelerini bulmamıza yardımcı oluyor. Algoritmanın adı, sık kullanılan öğe kümesi özellikleri hakkındaki ön bilgiyi kullanmasından kaynaklanıyor.

Bu algoritmayı uygulamak için verisetimizde şu sütunlar olmalı:

• İşlem Kimliği (Sepet ID)
• Ürün SKU (Ürün ID)
• Ürün Kategorisi
• Adet

Gerekli verileri edindikten sonra sihir başlıyor. R Studio, Python vb. dillerde bu algoritmayı uygulayabiliriz.

Veri, tekrar eden işlem kimliklerini içerdiği için önce her işlem kimliğine göre grup oluşturup o sepete eklenen her benzersiz ürünü öğrenmeliyiz.

Ardından tüm ürünler için ikili (dummy) değişkenler yaratır, her benzersiz işlem satırı için ilgili sütuna miktarı yazarız. Örnek işlenmiş veri:

Makine öğrenimi kuralları gereği, burada yalnızca ürünlerin sepete eklenip eklenmediğine (sık kullanılan ürün kümelerini bulmak istediğimiz için) odaklanmak amacıyla hücreleri 1 ve 0 olarak kodlarız.

Modeli uygulamadan önce şu veriyi elde ederiz:

“mlxtend” kütüphanesinden “apriori” ve “association_rules” paketlerini kullanarak verimli ve hızlı bir şekilde modeli uygulayabiliriz.

Gerekli parametreleri verisetine ve amaca göre ayarladıktan sonra aşağıdaki gibi bir sonuç tablosu elde ederiz:

Not: Gizlilik nedeniyle değerler rastgele üretilmiştir.

Sonuçları Nasıl Yorumlarız?

Burada en önemli metrikler “desteği” ve “güveni” değerleridir. Yine de daha iyi kavramak için her birinin ne anlama geldiğine bakalım:

• Ön Koşul Desteği: Ön koşul ürünün tüm işlem içindeki oranı.
• Sonuç Desteği: Sonuç ürünün tüm işlem içindeki oranı.
• Desteği: Ön koşul ve sonuç ürünlerin aynı sepette bulunma oranı.
• Güven: Ürünlerin birlikte satın alınma güven oranı.
• Lift: Beklenen güven oranına göre elde edilen güven oranı.
• Leverage: Ürünlerin bağımsızlığına göre birlikteliğin istatistiksel ölçüsü.
• Conviction: Sonuç ürünün ön koşula bağımlılığı arttıkça yükselen değer.

Tabloyu elde ettikten sonra sonuçları analiz edebiliriz. Örneğin güven eşiğini 0.6 olarak belirlersek, güven değeri bu eşiğin üzerinde olan satırları “anlamlı” kabul ederiz: müşteriler bu ürünleri birlikte sıkça satın alır.

Bu Sonuçlar Nerede Kullanılır?

Bu sonuçları öneri algoritmalarında ve mağaza rafı tasarımında kullanmak yaygındır. Örneğin, bir müşteri Ürün A’yı sepete eklediğinde Ürün B’yi önermek, bu ürünleri birlikte satın alma ihtimalini artırır. Ayrıca ürün listeleme sayfalarında Ürün A ve B’yi yan yana konumlandırarak müşterilere satın almaları hatırlatılabilir. Kampanya senaryolarında da sepete Ürün A ekleyen müşterilere Ürün B indirimli sunulabilir. Hatta fiziksel mağaza rafları bile bu ilişkilere göre düzenlenebilir.

Böylece satış miktarı, sipariş adedi, gelir ve trafik gibi anahtar performans göstergeleri artar, ürün ve pazarlama maliyetleri daha verimli tahsis edilebilir.