Auzef Web Analitiği Ve Zekâsı 2024-2025 Final Soruları
https://lolonolo.com/2026/04/14/web-analitigi-ve-zekasi-2024-2025-final-sorulari/
https://lolonolo.com
Show More Show Less View Video Transcript
0:00
Herkese merhaba. Bugün ilginç bir şey
0:02
yapacağız. Bir üniversitenin final
0:04
sınavını alıp onu web analitiği ve R
0:08
programlama dili üzerine hızlandırılmış
0:10
bir kursa çevireceğiz. Hadi dalalım
0:12
konuya. Bu gerçekten de devasa bir soru.
0:16
Peki cevabı nerede? Öyle gizli saklı bir
0:19
dosyada falan değil inanın bana. Aslında
0:21
cevap verilerin ta kendisinde yani
0:24
gözümüzün önünde duruyor. İşte bu
0:26
dijital ayak izlerimizin anlattığı
0:28
hikayeyi çözebilmek için önce veri
0:30
analizinin dilini konuşmamız lazım. Ve
0:32
inanın çoğu analist için bu dilin adı R.
0:37
O zaman gelin en temelden başlayalım.
0:39
Yani R programlama dilinde verinin yapı
0:42
taşları nelerdir? Bir bakalım. R'ya ilk
0:45
defa bir veri yüklediğinizde işte böyle
0:46
bir şey göreceksiniz. Panik yok. Bu
0:49
aslında RA'ın bize basit bir veri
0:51
tablosunu anlatma şekli. Yani diyor ki
0:54
elimde 200 satırlık 15 sütunluk bir
0:56
tablo var. Bu kadar basit. Şimdi bu
1:00
slaytta asıl ilginç olan şey ne biliyor
1:02
musunuz? Arın tıpkı bir tamircinin alet
1:05
çantası gibi farklı işler için özel
1:08
aletlerinin olması. Düşünün elinizdeki
1:11
veriyi şekillendirip temizlemek için
1:13
DPLI adında bir İngiliz anahtarı
1:16
kullanıyorsunuz. Sonra da o veriyi alıp
1:18
GG Plot 2 denen boya fırçasıyla harika
1:21
grafiklere dönüştürüyorsunuz. Daha da
1:23
güzeli AR bu işleri yaparken çok akıllı.
1:26
Yani veri kaybı olmasın diye tam sayıyla
1:29
ondalıklı sayıyı nasıl toplayacağını
1:31
kendi kendine biliyor. Harika değil mi?
1:34
Peki artık bu işin dilini ve alet
1:36
çantamızı az çok biliyoruz. Şimdi sırada
1:39
ne var? Analize başlamadan önce tıpkı
1:41
bir ressam tualini hazırlaması gibi
1:43
bizim de verilerimizi hazırlamamız yani
1:46
temizlememiz gerekiyor. Web siteleri
1:48
sizin bu dijital ayak izlerinizi birkaç
1:50
temel kaynaktan topluyor. İşte çerezler,
1:53
sunucu kayıtları, tıkladığınız yerler.
1:56
Ama şundan emin olabilirsiniz.
1:58
Kesinlikle bilgisayarınızın en temel
1:59
donanım ayarlarına yani biyosuna falan
2:01
bakmıyorlar. O kadar da değil. Şunu
2:04
unutmayın. Gerçek hayattaki veriler asla
2:07
mükemmel değildir. Genellikle
2:08
dağınıktır, eksiktir. Bu yüzden bir
2:11
analistin ilk işi adeta bir dedektif
2:13
gibi eksik parçaları bulmaktır. İşte bu
2:16
basit komutla her sütundaki bütün o boş
2:19
veya eksik değerleri bir çırpıda
2:21
saydırırız. Temizliğe buradan
2:23
başlıyoruz. İşte bu slayt müthiş önemli
2:26
bir çeviri sürecini gösteriyor. Olay şu:
2:29
Makine öğrenmesi modelleri bizim gibi
2:31
mobil ya da masaüstü gibi kelimelerden
2:33
anlamaz. Bizim ne yapıp edip bu insan
2:36
dilindeki kategorileri makinenin
2:38
anlayacağı sayılara yani sıfırlara ve
2:41
1'lere dönüştürmemiz gerekiyor. Bu bir
2:43
nevey tercümanlık işi. Verilerimiz artık
2:47
tertemiz. Şimdi tuvalimiz hazır olduğuna
2:49
göre boyaları çıkarma ve o verilerle bir
2:52
hikaye anlatma, bir resim çizme zamanı.
2:55
Buradaki kritik nokta şu: her grafik
2:57
farklı bir soruya cevap verir. Yani
2:59
doğru soruyu sormak doğru grafiği seçmek
3:02
demek. Mesela kaç kişi mobilden girdi
3:05
diye merak ediyorsanız çubuk grafik
3:06
kullanırsınız. Ama ziyaret süreleri
3:09
genel olarak nasıl dağılıyor? Çok uçuk
3:11
değerler var mı diye soruyorsanız o
3:13
zaman kutu grafiği size verinin bütün
3:15
hikayesini anlatır. Ve şimdi geldik en
3:18
heyecanlı kısma. Makine öğrenmesini bir
3:20
dedektif gibi kullanıp çıplak gözle asla
3:23
göremeyeceğimiz o gizli desenleri, o
3:25
bağlantıları ortaya çıkarma zamanı. İşte
3:27
bu cümlenin arkasında yatan fikir
3:29
kümeleme dediğimiz bir teknik. Olayın
3:32
güzelliği ne biliyor musunuz? Biz
3:33
makineye ne aradığını söylemiyoruz. O
3:35
verilere bakıp hım şunlar birbirine
3:37
benziyor, bunları bir gruba alayım."
3:39
diyerek doğal grupları kendi kendine
3:40
buluyor. Peki çok güzel bir soru. Madem
3:43
grupları makine kendi kafasına göre
3:45
yapıyor, biz onun işini iyi yapıp
3:47
yapmadığını nereden bileceğiz? Nasıl not
3:49
vereceğiz? İşte bunun için siluet
3:51
endeksi gibi bir ölçütümüz var. Diyelim
3:54
ki modelimizin karnesine 0.85 yazdık.
3:57
İyi de bu 0.85 ne demek? İyi bir not mu?
4:00
Kötü bir not mu? İşte bütün mesele bu.
4:03
Bu skor -1 ile +1 arasında bir değer
4:06
alıyor ve +1'e ne kadar yakınsa o kadar
4:09
iyi. Yani bizim 0.85'imiz
4:12
harika bir skor. Bu algoritmanın
4:14
oluşturduğu grupların cuk oturduğunu
4:17
yani kümelerin yoğun ve birbirinden
4:19
gayet iyi ayrıldığını gösteriyor. Bir
4:21
başka süper güç de sınıflandırma. Mesela
4:24
bir müşterinin sadık bir müşteri olup
4:26
olmayacağını önceden tahmin etmek. İşte
4:29
bunu yapmaya çalışıyoruz. Peki modelimiz
4:31
ne kadar başarılı? Bunu da doğruluk
4:33
dediğimiz şeyle ölçüyoruz. Aslında çok
4:35
basit. Modelin yaptığı tahminlerin yüzde
4:38
kaçı tuttu? İşte bu kadar. Ve son olarak
4:41
gizli alışveriş alışkanlıklarını ortaya
4:43
çıkarabiliriz. O meşhur bebek bezi alan
4:45
bir ada alır hikayesini duymuşsunuzdur.
4:47
İşte bu tür eğer bunu alırsan o zaman
4:50
şunu da alırsın gibi ilişkileri
4:51
buluyoruz. Bu kuralların ne kadar sağlam
4:54
olduğunu da güven dediğimiz bir skorla
4:56
ölçüyoruz. Tamam. Şimdiye kadar hep
4:58
makine dairesindeydik. Teknik detaylara
5:00
baktık. Şimdi gelin biraz yukarı çıkıp
5:02
güverteden manzaraya bakalım. Yani tüm
5:04
bu teknik beceriler gerçek dünyada iş
5:06
hayatında ne anlama geliyor? Web zekası
5:08
denen bl resimde nereye oturuyor? Ona
5:10
bir göz atalım. Web metrikleri deyince
5:12
akla ilk gelenlerden biri hemen çıkma
5:14
oranı. Bu ne demek? Sitenize bir
5:16
ziyaretçi geliyor, açılış sayfanıza
5:18
bakıyor ve yok burası bana göre değil
5:20
deyip başka hiçbir yere tıklamadan çekip
5:22
gidiyor. İşte bu tek sayfalık
5:24
ziyaretlerin oranı bu. Eğer bu oran
5:26
yüksekse bilin ki açılış sayfanız
5:28
ziyaretçiyi yakalayamıyor demektir.
5:30
Tehlike çanları çalıyor ve bu slayt çok
5:33
önemli bir farkı ortaya koyuyor. Şöyle
5:35
düşünün. Web zekası dediğimiz şey
5:38
koskoca bir evrense sosyal medya
5:40
analitiği o evrenin içindeki
5:42
gezegenlerden sadece bir tanesi. Yani
5:45
biri diğerinin çok daha geniş
5:47
kapsamlısı. Bakın ne kadar yol katettik.
5:51
Sadece birkaç dakika içinde tek bir
5:53
satır koddan yola çıktık. veriyi anlamlı
5:55
hale getirdik. İçindeki hikayeleri
5:58
ortaya çıkardık ve en sonunda bütün
6:00
bunları gerçek iş stratejilerine kadar
6:02
bağladık. Koddan konsepte oradan da
6:05
sonuca uzanan bir yolculuktu bu. Yani
6:07
aslında bütün bu teknik süreçler en
6:09
temelde tek bir şeye hizmet ediyor.
6:12
Verilerle hikaye anlatmak. Bu da bizi
6:15
hepimizi ilgilendiren o son soruya
6:17
getiriyor. Bir düşünün. Sizin
6:19
bıraktığınız o dijital ayak izleri acaba
6:21
hangi hikayeleri fısılıyor?

