Up next in 10
Auzef Web Analitiği ve Zekâsı 2025-2026 Bütünleme Soruları
https://lolonolo.com/2026/09/04/web-analitigi-ve-zekasi-2025-2026-butunleme-sorulari/
auzef, Web Analitiği Ve Zekâsı, Web Tasarım Ve Kodlama
Show More Show Less View Video Transcript
0:00
Lolo Nolo platformuna hoş geldiniz. Bu
0:02
dersimizde web analitiği ve zekası
0:05
2025-2026 bütünleme konularını, çıkmış
0:08
sorularını ve detaylı açıklamalarını
0:09
derinlemesini inceliyoruz. Sınav
0:12
hazırlığınızda size rehberlik etmek için
0:13
buradayım ve inanılmaz heyecanlıyım.
0:16
Şunu en baştan söyleyeyim. Bu inceleme
0:18
kavramları öyle yüzeysel geçiştirdiğimiz
0:21
sıradan bir özet falan kesinlikle değil.
0:23
Bu her bir teknik detayı, her bir
0:26
algoritmayı ve o arka planda yatan
0:28
karmaşık mantığı hiçbir noktayı
0:30
atlamadan adım adım ele alacağımız son
0:33
derece kapsamlı bir ustalık sınıfı.
0:35
Karmaşık veri setlerinden tutun da
0:37
makine öğrenmesi algoritmalarına kadar
0:39
her şeyi en ince ayrıntısına kadar
0:41
öğreneceğiz. O yüzden şimdi iyice
0:43
odaklanın. Çünkü sınavda karşınıza
0:45
çıkacak her sorunun anatomisini
0:47
kelimenin tam anlamıyla parçalarına
0:49
ayıracağız. Pekala, hadi bu işin içine
0:51
dalalım. Bugünkü veri yolculuğumuzun
0:53
haritası şu şekilde ilerleyecek. 1.
0:56
Dijital ayak izleri. 2. Sınıflandırma ve
0:58
tahmin, 3. Birliktelik kuralları, 4. K
1:01
ortalamalar ve 5. Ağır ile
1:03
görselleştirme. 1. bölüm dijital ayak
1:06
izleri. Kullanıcı yolculuğunun izini
1:09
sürmek. Biliyorsunuz modern web
1:12
analitiği gerçeği artık tamamen değişti.
1:15
Eskiden kullanıcıların ne istediğini
1:16
anlamak için basit anketlere veya
1:19
yüzeysel arama motoru verilerine falan
1:21
güvenirdik, değil mi? Ama artık o devir
1:23
kesinlikle kapandı. Bugün her tıklama,
1:26
her kaydırma sitede geçirilen her saniye
1:29
altın değerinde bir dijital iz
1:30
bırakıyor. Peki bu modern veriyi nereden
1:32
alıyoruz? Üç ana kaynağımız var.
1:35
Birincisi sunucu log dosyaları yani
1:37
sistemin arka planında sessizce tutulan
1:39
o bağlantı kayıtları. İkincisi
1:41
JavaScript etiketleri ki bu sayede
1:44
kullanıcının sayfa içindeki buton
1:46
tıklamaları gibi o mikro etkileşimlerini
1:48
ölçebiliyoruz. Ve üçüncüsü de tarayıcı
1:50
çerezleri yani kullanıcıyı tanıyan o
1:53
meşhur hafıza. İşte bu üç spesifik
1:55
kaynak birleştiğinde click yani tıklama
1:58
akışı adını verdiğimiz o inanılmaz
2:00
detaylı ve karmaşık davranış haritası
2:02
ortaya çıkıyor. Peki bu devasa tıklama
2:04
akışıyla ne yapıyoruz? İki çok önemli
2:06
metriği hesaplıyoruz. İlki geçilen yol
2:09
yani travers path. Şöyle düşünün. Bir
2:12
kullanıcının siteye girdikten sonra
2:14
hangi sayfalardan geçerek yolculuğunu
2:16
tamamladığını gösteren dijital bir
2:18
rotadır bu. Diğeri ise hemen çıkma oranı
2:20
yani bounce shade. Bu da kullanıcının
2:23
siteye girip hiçbir şeye dokunmadan
2:25
anında çıkıp gitmesi demek. Web
2:26
yöneticileri bu verileri ve örneğin
2:28
trafik kaynağı gibi boyutları kullanarak
2:31
kullanıcıların sitede nasıl bir yol
2:32
izlediğini ve aslında tüm bu sürecin
2:34
performans açısından ne anlama geldiğini
2:36
işte tam olarak bu şekilde
2:38
değerlendiriyorlar.
2:39
İkinci bölüm sınıflandırma ve tahmin
2:42
kullanıcı eylemlerini öngörmek. Sadece
2:44
geçmiş verileri toplamak yetmez. Bizim
2:47
asıl olayımız makine öğrenmesiyle
2:49
geleceği öngörmek. Karşımıza çıkan en
2:51
yaygın sorun nedir biliyor musunuz? Bir
2:53
kullanıcının siteyi terk edip
2:55
etmeyeceğini veya ürünü satın alıp
2:57
almayacağını önceden tahmin edebilmek.
3:00
Evet ya da hayır, alacak ya da
3:02
almayacak. İşte bu klasik bir ikili
3:04
sınıflandırma problemidir. Peki
3:07
kurduğumuz bu modellerin gerçekten ne
3:09
kadar başarılı olduğunu nasıl anlarız?
3:11
Modelin satın alacak veya almayacak
3:14
şeklindeki tahminlerini gerçek dünyadaki
3:16
sonuçlarla karşılaştırarak tabii ki.
3:18
İşte bunu karmaşıklık matrisi yani
3:21
confusion matrixile yapıyoruz. İki
3:23
kavrama çok dikkat edelim. TP yani true
3:26
positif modelimizin satın alacak dediği
3:28
ve gerçekten de satın alan kişileri
3:30
temsil ediyor. Tam 12'den vurmak yani FP
3:34
yani false positivese modelin satın
3:36
alacak dediği ama aslında hiçbir şey
3:38
almayan kullanıcılar. Buradaki en kritik
3:41
nokta bu değerleri dengede tutarak
3:43
modelin o yanılma payını minimuma
3:45
indirmektir. Ancak burada devasa bir
3:47
teknik zorlukla karşılaşıyoruz. Azınlık
3:50
sınıfı tahmini. Şöyle bir senaryo hayal
3:52
edin. Sitenize giren 100 kişiden sadece
3:55
biri alışveriş yapıyor. Geri kalan 99'u
3:57
öylece bakıp çıkıyor. Makine öğrenmesi
4:00
modeline bu veriyi verdiğinizde resmen
4:02
afallar. Öğrenmekte inanılmaz zorlanır.
4:05
Çünkü hedef kitlemiz olan o satın alan
4:07
sınıf bir azınlık sınıfıdır. Peki ne
4:10
yapacağız? İşte tam bu noktada modelin
4:12
doğruluğunu kurtarmak için SMOT tekniği
4:14
devreye giriyor. Smot sentetik veriler
4:17
üreterek bu dengesiz veri setini bir
4:19
güzel eşitliyor. Yani azınlık sınıfı
4:21
için yapay ama istatistiksel olarak
4:24
tamamen mantıklı yeni örnekler yaratarak
4:26
modelin o gerçek alıcıları çok daha
4:28
keskin bir şekilde tespit etmesini
4:30
sağlıyor. 3üncü bölüm birliktelik
4:33
kuralları. A priori ile gizli kalıpları
4:36
çözmek. Tahmin modelimizi kurduk.
4:39
Harika. Peki ya kullanıcıların alışveriş
4:41
sepetlerindeki o görünmez ilişkiler bunu
4:44
ortaya çıkarmak için AR programlama
4:47
dilinin o devasa istatistiksel gücünü
4:50
spesifik olarak da Aulis paketini
4:52
kullanacağız. İnsanların alışveriş
4:55
yaparken farkında olmadan oluşturdukları
4:57
o alışkanlıkları bulmak dev bir
4:59
bulmacayı çözmek gibidir. Süreç şöyle
5:01
işliyor. Birinci adım birbiriyle tamamen
5:04
ilgisizmiş gibi görünen sayfa
5:06
ziyaretlerini veya ürün alımlarını
5:08
inceliyoruz. İkinci adım ARS paketi
5:10
üzerinden a priori algoritmasını
5:12
çalıştırıyoruz. Bu algoritma bize bunu
5:15
alan şunu da aldı tarzında kurallar
5:17
üretiyor. Ama en heyecan verici kısım
5:19
3üncü adım. Bu kuralların gerçekten işe
5:21
yarayıp yaramadığını kanıtlamamız lazım.
5:24
İşte bunun için support ve lift
5:25
metriklerine bakıyoruz. Eğer
5:27
hesapladığımız lift değeri birden büyük
5:29
çıkarsa işte o zaman bingo. Bu
5:31
kurduğumuz çapraz satış kuralının
5:33
matematiksel olarak tesadüf falan
5:35
olmadığını, aksine son derece güçlü bir
5:38
bağ barındırdığını kesin olarak
5:39
kanıtlar. 4. bölüm. K ortalamalar
5:42
ziyaretçi davranışlarını segmente etmek.
5:45
Bakın nokta atışı stratejiler oluşturmak
5:47
istiyorsak tüm ziyaretçilere aynı
5:49
muameleyi yapamayız. Ziyaretçilerimizi K
5:52
ortalamalar yani K means yöntemini
5:54
kullanarak belirgin davranış gruplarına
5:56
ayırmamız yani onları segmente etmemiz
5:58
şart. Ziyaretçileri segmente ettik
6:01
diyelim. Peki bu işi ne kadar iyi
6:03
yaptık? Key means modelinin ayırdığı bu
6:05
kümelerin başarısını değerlendiren şeye
6:07
siluet indeksi diyoruz. Lütfen buradaki
6:10
1 rakamına çok dikkat edin. Bu indeks
6:12
matematiksel olarak ne kadar 1'e yakınsa
6:15
oluşturduğunuz müşteri segmentleri o
6:17
kadar kusursuzdur demektir. Eğer 1'e
6:19
yakınsak aynı kümedeki kullanıcılar
6:21
birbirine çok benzerken diğer kümelerden
6:24
tamamen farklılaşıyorlar demektir. Yani
6:26
hedefimiz her zaman ama her zaman bu
6:28
sihirli 1 rakamına yaklaşmaktır. 5.
6:31
bölüm R ile görselleştirme. Han veriyi
6:35
dijital stratejiye dönüştürmek. Evet.
6:37
Veri yolculuğumuzun sonuna geliyoruz. O
6:40
çok karmaşık soyut makine öğrenmesi
6:42
modellerini alıp herkesin anlayabileceği
6:45
anında aksiyon alınabilecek iş
6:47
stratejilerine dönüştürmenin sırrı R
6:49
dilindeki GG Plat 2 paketidir. Mesela
6:53
farklı web trafik kaynaklarına göre
6:55
sitede kalma sürelerini karşılaştırmak
6:58
istiyoruz diyelim. R'deki JOM_boxplat
7:01
fonksiyonunu kullanarak o meşhur kutu
7:03
grafiklerini oluşturuyoruz. Düşünsenize
7:05
sosyal medyadan gelen bir ziyaretçiyile
7:08
organik aramayla gelen ziyaretçinin
7:10
verisindeki dağılımı ve o uç değerleri
7:12
tek bir bakışta inanılmaz net bir
7:15
şekilde görebiliyorsunuz. Bu görsel
7:17
berraklık stratejinizi belirlerken karar
7:19
alma hızınızı kelimenin tam anlamıyla
7:22
uçuruyor. Bir diğer kritik adım da
7:24
oturum süresi ile dönüşüm oranı
7:26
arasındaki o hayati ilişkiyi
7:28
kavramaktır. Bu kez R'nin geon point
7:30
fonksiyonunu devreye sokarak saçılım
7:32
grafikleri oluşturuyoruz. Kullanıcı
7:34
sitede daha uzun süre kaldığında satın
7:36
alma olasılığı gerçekten artıyor mu?
7:38
Aradaki korelasyon nedir? İşte bu
7:40
grafikle o karmaşık bağları
7:42
istatistiksel zeka sayesinde saniyeler
7:44
içinde çözüyoruz. Zaten veri zekası
7:46
dediğimiz şey de tam olarak budur. Soyut
7:48
sayıları iş dünyasının anlayacağı
7:50
stratejilere dönüştürmek. Clickstream
7:52
verileriyle işe başladık. Makine
7:54
öğrenmesiyle o zorlu sınıflandırmaları
7:56
yaptık. Gizli birliktelik kurallarını
7:58
ari ile ortaya çıkardık. K ortalamalarla
8:01
kitlemizi segmente ettik ve Girg Plot
8:03
2'la tüm bunları harika görsellere
8:05
döktük. Şimdi size asıl sorumu
8:07
soruyorum. Siz öğrendiğiniz bu öngörüsel
8:10
modelleri ve ağır görselleştirme
8:12
yeteneklerini hem bütünleme sınavınızda
8:14
zirveye çıkmak hem de kusursuz bir
8:16
dijital strateji inşa etmek için nasıl
8:18
kullanacaksınız? Tüm bu veriler ışığında
8:20
kendi stratejinizi yeniden
8:22
şekillendirmeye hazır mısınız? Bu
8:24
incelemede işlediğimiz konulara ait
8:26
çıkmış soruları kendiniz deneme sınavı
8:28
formatında çözmek, eksiklerinizi
8:30
kapatmak ve kendinizi detaylıca test
8:32
etmek için lolonolo.com adresini ziyaret
8:35
edebilir, açıklama kısmında yer alan
8:37
bağlantıya tıklayabilirsiniz.
Jobs & Education