Müşteri analizleri 1 – Birliktelik analizi ve nedensellik

Birliktelik analizi ve nedensellik

 

Birliktelik analizleri nedenselliği sorgulamadan betimsel istatistiklerden yola çıkarak olayların-durumların birlikte gerçekleşmelerini tanımlamaya çalışır.

 

Örneğin; market sepet analizlerini göz önüne alalım.

Müşterilerin yaptıkları alışverişleri değerlendirerek belli kuralları çıkartma peşinde olalım. Bu kuralları market içerisindeki ürünlerin yerleştirilmesinde ve düzenlenecek kampanyalarda kullanacak olalım.

Yapacağımız birliktelik analizinde ürünlerin sepetlerde olma oranları ve dolayısı ile diğer ürünlerle birlikte bulunmaları oranları üzerinden bazı kurallar çıkartmak istiyor olacağız.

 

Müşteri A Süt, Yumurta, Un, Tereyağı, Elma, Armut, Çikolata
Müşteri B Süt, Yumurta, Un, Tereyağı, Salça
Müşteri C Süt, Yumurta, Peynir, Sosis, Şeker
Müşteri D Yumurta, Tereyağı, Şeker, Patates

 

Yukarıdaki 4 sepeti değerlendirecek olursak;

Müşteri A, [Süt, Yumurta, Un, Tereyağı, Elma, Armut, Çikolata] almış. Hemen aklıma “acaba meyveli pasta mı yapılacak?” sorusu geliyor.

 

Müşteri C, [ Süt, Yumurta, Peynir, Sosis, Şeker] den oluşan bir alışveriş sepeti oluşturmuş. Kahvaltı alışverişi gibi duruyor. Ama Süt, Yumurta ve Peynir evde bulunan Un ile birlikte “peynirli poğaça” yapımında kullanılacak da olabilir.

 

Müşteri B, [Süt, Yumurta, Un, Tereyağı, Salça] almış. Acaba yöresel bir atıştırmalık mı yapacak? Ya da bu ürünler evde genel kullanıma açık gıda stokunda  o anki eksikler mi?

 

Yukardaki gibi bir sürü çıkarsamalar, tahminler yapılabilir. Fakat alışverişlerin ne amaçla yapıldığını sadece bu alışveriş sepetlerine bakarak bulamayız.

 

Alışverişlerin neden yapıldıklarına dair bir çıkarsamada şu an bulunamıyorum. Fakat elimde sepetler var ve ben bu sepetleri genellemeler yapmak için kullanmak istiyorum. Bunun içinde ürünlerin birlikte olmaları durumlarını belli kurallara bağlamak istiyorum.

 

 

Birliktelik kuralı şu şekilde tanımlanabilir;

 

A_1, A_2,…,A_m ⇒ B_1, B_2,…,B_n

 

Bu ifadede yer alan, Ai ve Bj, yapılan iş veya nesnelerdir. Bu kural, genellikle “A1,A2,...,Am” iş veya nesneleri meydana geldiğinde, sık olarak “B1,B2, ...,Bn” iş veya nesnelerinin aynı olay veya hareket içinde yer aldığını belirtir.

 

Birliktelik kuralı, kullanıcı tarafından minimum değeri belirlenmiş destek ve güvenirlik eşik değerlerini sağlayacak biçimde üretilir. Bir ürün kümesindeki destek, D ile ifade edilen tüm hareketler içinde ilgili ürün kümesini içeren hareketlerin yüzdesidir. A ve B ürün kümelerinin, birliktelik kuralı “A ⇒ B” olarak gösterilirse, destek aşağıdaki gibi tanımlanır.

 

destek (A ⇒ B)= (A ve B’nin bulunduğu satır sayısı) / (toplam satır sayısı)

 

destek (A ⇒ B), yapılan tüm alışverişler içerisinde A ve B nin birlikte geçme oranıdır.

 

Yani destek (A ⇒ B)=0.1 ise 100 alışveriş yapıldığında, bu alışverişlerin 10 tanesinin A ve B’yi birlikte içereceğinin beklentisini ortaya koyar.

 

A ⇒ B birliktelik kuralının güven değeri ise, A’yı içeren hareketlerin B’yi de içerme yüzdesidir. Örneğin, bir kural % 85 güvenirliğe sahip ise, A’yı içeren ürün kümelerinin % 85’i B’yi de içermektedir. (A ⇒ B) güveni aşağıdaki gibi tanımlanır.

 

güven (A ⇒ B) = (A ve B’nin bulunduğu satır sayısı) / (A’nın bulunduğu satır sayısı)

 

 

destek (A ⇒ B) = 0.1 iken güven (A ⇒ B) = 0.5 ise;

 

0.5=(0.1*100) / (A’nın bulunduğu satır sayısı) dersek.

 

(A’nın bulunduğu satır sayısı)=20 olarak bulunur. Yani 100 alışverişten 20 sinde A ürünü alınmıştır.

 

 

Elde edilen birliktelik kuralları ile müşterilerinize bir rota oluşturabilirsiniz. Örneğin süt alan bir müşterinizin yumurta da alacağını bekliyorsanız, süt ile yumurta reyonları arasına tereyağlarını koyarak müşterilerinizin aradıklarına daha çabuk erişmelerini sağlayabilirsiniz.

 

Tabi bu durum aklında tereyağı almak olmayan müşteriler için daha cazip hale getirilebilir.

 

Müşteriniz normalde bitkisel yağ kullanmayı tercih ediyordur. Fakat X marka tereyağı firması yeni müşteri kazanabilmek için bir indirim kampanyası düzenleyerek ürünlerini yumurta ve süt reyonları arasına yerleştire bilir. Bu durumda düzenlenen kampanya kuşkusuz ki direkt hedef kitleye ulaşabildiğinden daha etkili olacaktır.

 

Yine elde ettiğiniz birliktelik kuralları ile kampanyalar düzenleyebilirsiniz. Örneğin Süt için %20 indirim uygularsanız, bu indirim dolayısı ile alışverişe gelen müşterilerinize yumurta da satabilirsiniz.

 

Tabi bu aşamada elinizde ürettiğiniz bir sürü kural olacaktır. Peki bu kurallardan hangisini kullanacaksınız?

 

Tabi ki destek ve güven değerlerini bir sıralama yapmak için kullanıyoruz, fakat gerçek hayatta bu değerlerin birbirine çok yakın olduğu bir çok kural bulunabilir. Böyle bir durumda kuşkusuz ki elde edilen kurallar içerisinden sizin için en faydalı olduğunu düşündüğünüz kurallar için aksiyon almak isteyeceksiniz.

 

Örneğin kuralın TL toplamı yani yumurta 5 lira, süt 3 lira, tereyağı 20 lira ise ve bu ürünlerden birer tane alınıyor ise kuralın TL tutarı 28 liradır.

 

Başka bir kural daha olsa : Sosis 15 lira, peynir 25 lira, yumurta 5 lira ve her birinden 2 şer tane alınıyor ise kural toplamı 90 TL olacaktır.

 

Dolayısı ile yumurtanın içerisinde geçeceği bir aksiyon için ikinci kural TL olarak daha büyük olduğundan daha çok tercih edilebilir olabilir. Yada karlılığa bakabilirsiniz, yada yeni müşteri kazandırma oranı gibi daha ileri seviyede bir karar verme kuralınız olabilir.

Nedenselliğe geri dönecek olursak;

 

Müşteri A’nın 35 yaşında, 2 çocuk annesi bir evli kadın olduğunu bilseydim. Bu bana bir şey ifade eder miydi? Acaba 35 yaşında 2 çocuk annesi evli kadınlar bu alışveriş sepetini oluşturuyor ise bu sepetin oluşturulma amacı hangi olasılıkla “pasta yapmak” olabilir?

 

Yada Müşteri B’nin alışveriş düzenini biliyor olsaydım bu bana bir şeyler ifade edebilir miydi, alışveriş nedenine dair?

 

Bu gibi daha kapsamlı analizler için gerekli bilgiyi toplamak için bir çok yöntem vardır. Sizin de farkında olduğunuz üzere bu yöntemlerin en genel kullanılanlarından biri Sadakat kart uygulamalarıdır. Yada diğer şekillerdeki üyelik uygulamalarıdır.

 

Bu tip uygulamalar ile müşterilerin demografik bilgileri ile alışveriş bilgileri birleştirilmiş olur. Dolayısı ile nedensellik konusunda daha net tahminler yapılabilmesine imkan veren analizlerin önü açılmış olur.

Comments are closed.