Market Basket Analysis (Pazar Sepeti Analizi)

#VeriMadenciligi #BirliktelikKuralları #ÖneriSistemi #Apriori #FPGrowth

Pazar Sepeti Analizi, işlemlerdeki ürün birliktelik örüntülerini birliktelik kurallarıyla tespit eden veri madenciliği tekniğidir.

Pazar Sepeti Analizi (Market Basket Analysis), bir veri kümesindeki işlemler içinde birlikte ortaya çıkan nesne veya öğe gruplarını keşfetmek amacıyla kullanılan temel bir veri madenciliği tekniğidir. Adını, müşterilerin alışveriş sepetlerinde hangi ürünleri birlikte satın aldığını analiz eden perakende uygulamasından alır; ancak günümüzde e-ticaret öneri sistemlerinden sağlık bilişimine kadar geniş bir kullanım alanına kavuşmuştur. Teknik, birliktelik kuralı madenciliği (association rule mining) üzerine kurulmuştur ve üç temel metriği baz alır. Destek (support), bir öğe kümesinin tüm işlemler içindeki görülme sıklığını ölçer; ender görülen birliktelikleri analiz dışı bırakmaya yarar. Güven (confidence), belirli bir öncül öğe alındığında ardıl öğenin de alınma olasılığını ifade eder. Kaldıraç (lift), bu birlikteliğin bağımsız oluşumdan ne kadar güçlü olduğunu gösterir; Lift > 1 değeri gerçek bir ilişkiye, Lift < 1 ise negatif bir ilişkiye işaret eder. Analizde en yaygın kullanılan algoritmalar Apriori ve FP-Growth'tur. Apriori, sık geçen öğe kümelerini adım adım genişleterek bulur; ancak büyük veri setlerinde aday öğe sayısının hızla artması nedeniyle hesaplama maliyeti yüksek olabilir. FP-Growth ise veriyi sıkıştırılmış bir ağaç yapısı olan FP-Tree'de saklar; aday üretme adımını atlayarak çok daha verimli çalışır ve büyük ölçekli veri setleri için tercih edilen yöntem hâline gelmiştir. Pazar Sepeti Analizi; e-ticaret platformlarında "Bu ürünü alanlar bunu da aldı" türü öneri motorlarının temelini oluşturur. Mağaza rafı düzenlemesi, ürün paketleme (bundle) stratejileri, çapraz satış (cross-sell) ve yukarı satış (up-sell) kampanyaları için somut verilere dayalı kararlar almayı mümkün kılar. Sağlık sektöründe eş zamanlı reçete edilen ilaçların tespiti, bankacılıkta dolandırıcılık örüntüleri ve web analitiğinde birlikte ziyaret edilen sayfa kümeleri de aynı yöntemle araştırılır. Python ekosisteminde mlxtend kütüphanesi Apriori ve FP-Growth algoritmalarını; PySpark ise büyük ölçekli dağıtık ortamlar için birliktelik kuralı madenciliğini destekler. Verinin doğru ön işlenmesi — özellikle işlem matrisinin (transaction matrix) ikili formata dönüştürülmesi ve minimum destek eşiğinin belirlenmesi — analizin kalitesini doğrudan etkiler.

Pazar Sepeti Analizinin Temelleri

Pazar Sepeti Analizi, bağımsız görünen veri noktaları arasındaki gizli ilişkileri ortaya çıkarır. Bir süpermarketin haftalık satış kaydına baktığınızda, bazı ürün çiftlerinin ya da gruplarının sık sık aynı sepette yer aldığını fark edebilirsiniz: ekmek ve tereyağı, bebek bezi ve ıslak mendil gibi. Bu birliktelikleri sistematik biçimde tespit etmek ve ölçmek, işletmelere mağaza düzeni, fiyatlandırma, kampanya tasarımı ve öneri sistemleri konularında kritik kararlar almada yardımcı olur.

Birliktelik kuralları genellikle {A} → {B} biçiminde yazılır ve 'A satın alındığında B de satın alınır' ilişkisini ifade eder. Bu kuralın güvenilirliği; destek, güven ve kaldıraç değerleriyle sayısal olarak ölçülür ve yalnızca belirli eşik değerlerini geçen kurallar anlamlı kabul edilir.

Temel Metrikler

  • check_circle Destek (Support): Bir öğe kümesinin tüm işlemler içindeki görülme oranıdır. Düşük destekli birliktelikler genellikle gürültü olarak değerlendirilir ve minimum destek eşiğiyle filtrelenir.
  • check_circle Güven (Confidence): A öğesi alındığında B öğesinin de alınma olasılığıdır: P(B|A). Yüksek güven, kuralın öngörü gücünü gösterir; ancak tek başına yanlış yoruma açıktır.
  • check_circle Kaldıraç (Lift): Birlikteliğin rastlantısal oluşumdan ne kadar güçlü olduğunu ölçer. Lift > 1 pozitif ilişki, Lift = 1 bağımsızlık, Lift < 1 negatif ilişki anlamına gelir.
  • check_circle Conviction: Kuralın yönlü gücünü ölçen ek bir metriktir. Yüksek conviction değeri, öncül olmadan ardılın görülme olasılığının çok düştüğünü gösterir.

Uygulama Alanları

  • check_circle E-Ticaret Öneri Sistemleri: 'Bu ürünü alanlar bunu da aldı' ve 'Sıkça birlikte satın alınanlar' gibi öneri blokları doğrudan pazar sepeti analizine dayanır.
  • check_circle Mağaza Düzeni ve Raf Planlaması: Birlikte alınan ürünlerin yakın raflara yerleştirilmesi ya da kasaya yakın konumlandırılması sepet değerini artırır.
  • check_circle Sağlık Bilişimi: Eş zamanlı reçete edilen ilaç kombinasyonlarının tespiti, olası ilaç etkileşimlerinin proaktif olarak işaretlenmesine olanak tanır.
  • check_circle Bankacılık ve Dolandırıcılık Tespiti: Belirli işlem örüntülerinin bir arada görülmesi dolandırıcılık sinyali olarak değerlendirilebilir; birliktelik analizi bu örüntüleri otomatik tespit eder.

Pazar Sepeti Analizi Algoritmaları

Apriori

Klasik birliktelik kuralı algoritması; tüm sık öğe kümelerini tarar; küçük veri setleri için uygun; yavaş ama anlaşılması kolay

FP-Growth

Apriori'den 10-100x hızlı; veritabanını ağaç yapısında sıkıştırır; büyük perakende veri setlerinde tercih edilir

Eclat

Dikey veri biçimi kullanır; hızlı kesişim hesaplama; büyük seyrek veri setlerinde FP-Growth'a rakip

FPMAX / FPClose

Maksimal ve kapalı öğe kümelerine odaklanır; gereksiz kuralları eleyerek yönetilebilir kural sayısı üretir

Gerçek Dünya Uygulama Örnekleri

  • check_circle Süpermarket Yerleşimi: Birlikte satın alınan ürünler (bira-cips, bez bezi-bira) aynı rafa veya geçide konumlandırılır
  • check_circle E-ticaret 'Sıkça Birlikte Alınan' Kutusu: Amazon ve Trendyol'un ürün sayfalarındaki öneri bölümü MBA çıktısına dayanır
  • check_circle Çapraz Satış Kampanyaları: Dizüstü bilgisayar satın alana mouse pad e-postası göndermek; kural: laptop → mouse pad, conf=0.72
  • check_circle Menü Optimizasyonu: Restoranlarda birlikte sipariş edilen yemek-içecek kombinasyonları belirlenerek combo menüler oluşturulur
  • check_circle Sigorta Paketi Tasarımı: Hangi sigorta türlerinin birlikte alındığı analiz edilerek çok poliçeli indirim paketleri tasarlanır

Sıkça Sorulan Sorular

  • check_circle Apriori ile FP-Growth arasındaki fark nedir? Apriori aday öğe setleri üreterek adım adım filtreler; büyük veri setlerinde yavaş kalır. FP-Growth veriyi FP-Tree yapısında sıkıştırır ve aday üretmeden çalışır; büyük ölçekte çok daha verimlidir.
  • check_circle Minimum destek eşiği nasıl belirlenir? Alan bilgisine ve veri yoğunluğuna göre deneme-yanılmayla belirlenir. Çok düşük eşik gereksiz kural patlamasına, çok yüksek eşik ise anlamlı örüntülerin kaçırılmasına yol açar.
  • check_circle Lift değeri neden önemlidir? Güven tek başına yanıltıcı olabilir; yaygın ürünler her zaman yüksek güven verisi üretir. Lift, birlikteliğin gerçek istatistiksel gücünü ölçerek sahte ilişkileri filtreler.
  • check_circle Pazar sepeti analizi büyük veri ortamlarında nasıl ölçeklenir? PySpark MLlib ve Spark FP-Growth dağıtık ortamda milyarlarca işlemi işleyebilir. Hadoop ekosistemiyle entegrasyon büyük perakende veri ambarlarında yaygın kullanım şeklidir.