Up next in 10
Auzef Web Analitiği ve Zekâsı 2025-2026 Final Soruları
https://lolonolo.com/2026/07/02/web-analitigi-ve-zekasi-2025-2026-final-sorulari/
https://lolonolo.com
Show More Show Less View Video Transcript
0:00
Selamlar. Sınavlar ya da kritik projeler
0:02
öncesi o en güvendiğiniz, her şeyi
0:04
toparlayan çalışma arkadaşınız vardır ya
0:06
işte bugün tam olarak o rol
0:08
üstleniyorum. Karşınızda web analitiği
0:10
ve zekası dünyasını baştan sona
0:12
tarayacağımız HAP niteliğinde harika bir
0:14
konu özeti var. Ham RAW kodlarının
0:16
döndüğü o karmaşık makine dairesinden
0:18
çıkıp gerçek iş kararlarını
0:20
şekillendiren ışıl ışıl analitik
0:22
panellerine uzanacağız. En karmaşık
0:24
konuları bile net, akılda kalıcı ve
0:27
sohbet tadında işleyeceğiz. Hiç vakit
0:29
kaybetmeden başlayalım. Ne dersiniz?
0:31
Bugünkü yol haritamız oldukça net. Önce
0:33
ARV ile veri analizi diyerek motoru
0:35
çalıştıracağız. Sonra kümeleme ve
0:37
sınıflandırmayla makine öğrenmesine ufak
0:39
bir dalış yapacağız. Ardından web
0:42
analitiği metriklerine geçip kullanıcı
0:43
davranışlarını mercek altına alacak ve
0:45
son olarak veri görselleştirme ilkeleri
0:47
ile kapanış yapacağız. Birinci bölümümüz
0:50
corla veri analizi. Hemen kollarımızı
0:52
sıvayıp veri manipülasyonu için o çok
0:55
ihtiyacımız olan temel fonksiyonlara bir
0:57
bakalım. Veri setinizi önünüze aldınız
0:59
diyelim. Elinizin altında mutlaka
1:00
bulunması gereken dört temel fonksiyon
1:02
var. Verileri belirli merkezlere göre
1:04
gruplamak mı istiyorsunuz? Key means tam
1:06
aradığınız şey. Ya benim bu veri
1:08
çerçevemde tam olarak kaç satır var
1:10
diyorsanız NROV imdadınıza yetişiyor. En
1:13
çok tekrar eden değeri yani modu ship
1:15
diye bulmak isterseniz table ve which.
1:18
Max ikilisi inanılmaz iş görüyor. Anında
1:21
size en popüler kategoriyi söylüyor. Ve
1:23
son olarak elinizdeki o sayısal verileri
1:26
alıp belirli aralıklara yani kategorik
1:28
sepetlere bölmek isterseniz de kat
1:30
fonksiyonunu kullanıyoruz. Gerçekten de
1:33
veri hazırlamanın can damarı bu dörtlü
1:34
değil mi? Şimdi kodlamaya yeni başlayan
1:37
herkesin en az bir kere düştüğü o meşhur
1:40
tuzağa gelelim. Return ve print
1:42
meselesi. Bakın bu ikisi kesinlikle aynı
1:45
şey değil. return fonksiyonun
1:47
hesapladığı o değerli sonucu alır ve
1:49
sistemin arka planında size geri
1:51
döndürür. Yani o değeri cebinize koyup
1:53
sonraki işlemlerinizde kullanmaya devam
1:55
edebilirsiniz. Ama print o sadece sonucu
1:58
o an ekrana yansıtır. Yani değeri
2:00
ekranda görürsünüz ama o değerle gidip
2:02
kodun devamında hiçbir matematiksel
2:04
işlem yapamazsınız. Biri parayı banka
2:06
hesabınıza yatırır, diğeri sadece size
2:08
paranın fotoğrafını gösterir. Bu farkı
2:10
sakın unutmayın. Veri hazırlama faslını
2:12
kapatırken ufak ama kritik bir web
2:15
terimine değinelim. İlk sayfa
2:16
görüntüleme yani hepimizin bildiği
2:18
adıyla landing page. Bir ziyaretçinin
2:21
sitenize ayak bastığı o ilk sayfa
2:24
aslında tamamen bir URL'den ibarettir.
2:26
Öyle değil mi? URL'ler de benzersiz
2:28
metin adresleri olduklarına göre biz bu
2:31
veriyi her zaman ama her zaman kategorik
2:33
veri olarak ele almak zorundayız.
2:35
Sonuçta iki farklı URL'yi alıp
2:37
matematiksel olarak toplayıp
2:39
çıkaramayacağınıza göre bunlar her zaman
2:41
kategoriktir. Verilerimizi güzelce
2:44
toparladığımıza göre ikinci bölümümüze
2:47
yani kümeleme ve sınıflandırma dünyasına
2:49
geçiş yapabiliriz. Bakalım işin makine
2:52
öğrenmesi algoritmaları tarafında neler
2:54
oluyor. Diyelim ki kümeleme
2:56
algoritmalarınızı çalıştırdınız. Harika.
2:59
Peki ama ne kadar başarılı oldunuz? İşte
3:01
bunu anlamak için siluet indeksine
3:03
bakıyoruz. Bu indeksin çok net, asla
3:06
esnetilemez bir kuralı var. -1 ile +1
3:09
aralığı. Verilerinizin o kümeler içinde
3:12
ne kadar iyi eşleştiğini ölçen bu metrik
3:14
matematiksel olarak bu katı sınırların
3:16
dışına asla ama asla çıkamaz. Zaten
3:19
çıkıyorsa emin olun bir yerlerde fena
3:22
halde hesap hatası yapmışsınızdır.
3:24
Sırada Pazar Sepeti analizinin yıldızı
3:26
perakendecilerin can dostu ari
3:29
algoritması var. Aslında bu algoritma
3:31
sihir falan yapmıyor. Son derece
3:33
mantıklı. İki adımlı bir süreçten
3:34
bahsediyoruz. Adım bir, sık öe
3:37
kümelerini bulmak. Yani insanlar
3:39
birlikte en çok neleri satın alıyor
3:41
sorusunun cevabını arıyoruz. Adım 2 ise
3:43
güven eşiği yani confidence threshold.
3:46
Bir müşteri A ürününü sepete attıysa B
3:48
ürününü de alma ihtimaline ne kadar
3:50
güvenebiliriz? Kısacası önce neyin sık
3:53
alındığına bak. Sonra da bu ilişkinin ne
3:55
kadar güvenilir olduğunu test et. İşte
3:57
ari tamamen bundan ibaret. Makine
3:59
öğrenmesinde en hayati noktalardan biri
4:02
veriyi nasıl böldüğünüzdür. Bir
4:04
sınıflandırma modeli kurarken verinizin
4:06
büyük bir kısmını genelde %80'lik
4:08
dilimine eğitim, kalan %20'sini de test
4:11
için ayırırsınız. Modelin bir şeyleri
4:13
gerçekten öğrenebilmesi için o büyük
4:15
dilime kesinlikle ihtiyacı var. Ama
4:17
diyelim ki ben verimin sadece %15'ine
4:19
eğitim için ayıracağım dediniz. İşte o
4:21
zaman işler karışır. Bu oran bir modeli
4:24
eğitmek için inanılmaz derecede
4:25
yetersizdir. Sınava hiç çalışmadan giren
4:28
bir öğrenci gibi modelinizde gerçek
4:30
dünyada maalesef tamamen çuvallar.
4:32
Modelimizi kurduk. Peki nasıl
4:34
değerlendireceğiz? Karmaşıklık matrisi
4:36
yani confusion matrix kullanırken
4:38
modelin hangi sınıfı odak noktası olarak
4:40
alacağını belirtmemiz şart. Bunu da
4:42
pozitif argümanıyla yapıyoruz.
4:43
Hedeflediğiniz durumu işte böyle
4:45
tanımlıyorsunuz. Peki iş kn yani k en
4:48
yakın komşu gibi sınıflandırma
4:49
modellerinde başarı oranını hesaplamaya
4:51
geldiğinde ne yapıyoruz? Dünyanın en
4:53
basit matematiği işin içine giriyor.
4:54
Modelinizin yaptığı doğru tahmin
4:56
sayısını alıp yaptığı toplam tahmin
4:58
sayısına bölüyorsunuz. Tada doğruluk
5:00
oranınız tam karşınızda. Makine
5:02
öğrenmesini ve o uzun kod satırlarını
5:04
geride bırakıp biraz da işin ön yüzüne
5:07
3üncü bölümümüz olan web analitiği
5:09
metriklerine o renkli karar panellerine
5:11
doğru uzanalım. Web sitemizde
5:13
performansın nasıl gittiğini anlamak
5:15
istiyorsak önce kronometreyi nasıl
5:17
çalıştırdığımızı bilmeliyiz. Ortalama
5:19
ziyaret süresi dediğimiz metrik bir
5:21
kullanıcının siteye adım attığı o ilk
5:24
saniyeden siteden tamamen çıktığı o son
5:26
saniyeye kadar geçen toplam süredir.
5:29
İçeriklerimiz ne kadar ilgi çekici?
5:31
Ziyaretçileri ne kadar süre içeride
5:32
tutabiliyoruz? İşte bu kritik soruların
5:35
cevabı bu zaman çizelgesini doğru
5:37
ölçmekte saklı. Hazır metriklerden
5:39
bahsediyorken şu sektördeki meşhur
5:41
efsanede bir çürütelim. Ne dersiniz?
5:43
Hani şu hemen çıkma oranının yani bounce
5:46
rate'in %100 olmasının dünyanın son
5:48
olduğu inancı. Kullanıcı giriyor tek
5:50
sayfaya bakıp hiçbir şey tıklamadan
5:52
çıkıyor. Eyvah! De ki ya o kullanıcı
5:54
sitenize sadece ama sadece
5:56
restorantınızın iletişim numarasını
5:57
bulmak için girdiyse numarayı 3 saniyede
6:00
görüp siteden çıkması bir başarısızlık
6:01
mıdır? Kesinlikle hayır. Tam aksine
6:04
sitenizin amacına ne kadar hızlı ve
6:06
kusursuz hizmet ettiğini gösterir. Yani
6:08
metrikler körü körüne okunmaz. Her zaman
6:10
bağlamıyla arka plandaki hikayesiyle
6:13
birlikte değerlendirilmelidir. İyi ama
6:15
kullanıcıların sitemizde sayfa sayfa
6:17
neler yaptığını tam olarak nereden
6:19
biliyoruz? İşte burada sahneye log
6:21
dosyaları çıkıyor. Bunları
6:23
ziyaretçilerin sitenize bıraktığı
6:25
dijital ekmek kırıntıları gibi
6:26
düşünebilirsiniz. Kullanıcı hangi
6:28
sayfalarda gezinmiş, nereye tıklamış,
6:30
nasıl bir yol izlemiş? Tüm bu ziyaret
6:33
yolunu satır satır kaydeden o meşhur
6:35
sistem kayıtları işte bu log
6:36
dosyalarıdır. Arkada dönen her şeyin
6:39
gerçek kara kutusu. Geldik 4.
6:42
bölümümüze. Veri görselleştirme
6:44
ilkeleri. Tonla veri topladık, saatlerce
6:47
analiz ettik. Peki ama bütün bu
6:49
sonuçları karar alıcılara en etkili
6:51
şekilde nasıl sunacağız? Yeri
6:53
görselleştirme dünyasında her grafiğin
6:55
ayrı bir görevi vardır ve bunları
6:56
kesinlikle birbirine karıştırmamak
6:58
gerekir. Örneğin elinizde kategorik
7:00
veriler varsa ve bunların toplam
7:02
içindeki yüzdelik paylarını göstermek
7:03
istiyorsanız başvuracağınız ilk yer sol
7:06
taraftaki pasta grafiğidir. Ama eğer
7:08
elinizde iki farklı sayısal değişken
7:09
varsa ve acaba reklam bütçemi
7:11
arttırdıkça sistemin trafiği de artıyor
7:13
mu gibi iki değişken arasındaki ilişkiyi
7:15
arıyorsanız o zaman adresiniz kesinlikle
7:17
sağ taraftaki saçılım grafiği yani
7:19
scatter plot olmalı. Doğru veri, doğru
7:22
grafik. Görselleştirmeyi de doğru yaptık
7:24
diyelim. Harika. Ancak web sitenizi
7:27
büyütürken kesinlikle uzak durmanız
7:29
gereken bazı karanlık sular var.
7:31
Bunlardan en bilineni de anahtar kelime
7:33
yoğunluğu ya da sektördeki adıyla
7:36
keyword stuffing. Bakın bu masum bir
7:38
analitik stratejisi falan değildir.
7:40
Tamamen hileli, arama motorlarını
7:42
kandırmaya yönelik manipülatif bir
7:44
yöntemdir. Sayfayı aynı kelimelerle
7:46
anlamsızca doldurmak belki ilk birkaç
7:48
gün işe yarıyor gibi görünebilir ama
7:50
sonrasında arama motorları sitenizi
7:51
işaretleyip öyle bir spama düşürür ki
7:54
toparlanmanız çok zor olur. Ve işte tüm
7:56
bu heyecan verici incelememizi herkesin
7:59
durup bir sorması gereken o provokatif
8:01
soruyla noktalıyoruz. Sadece kısa
8:03
süreliğine trafiğinizi artırmak uğruna
8:05
hileye başvurmak tüm sitenizin spama
8:07
düşüp dijital dünyadan silinmesine
8:09
gerçekten değer mi? Hiç sanmıyorum.
8:12
Gerçek veri analitiği hileyle yapılmaz.
8:14
Doğru veriyi anlayarak, doğru metrikleri
8:16
kullanarak ve stratejik kararlar alarak
8:18
yapılır. Bugün işe R kodlarıyla
8:20
başladık. Algoritmaları çalıştırdık.
8:22
Metrikleri okuduk ve hikayemizi
8:23
görselleştirdik. Tüm bu süreçleri geride
8:25
bıraktığımıza göre artık kendi veri
8:27
hikayelerinizi yazmaya tamamen
8:29
hazırsınız. Şimdilik benden bu kadar.
8:30
Umarım keyif almışsınızdır. Kendinize
8:32
çok iyi bakın.
Jobs & Education