Bu arayüz, 2024 yılı lisans bitirme projem kapsamında geliştirilen Müşteri Segmentasyonu ve Öneri Sistemi çalışmasının görsel ve etkileşimli bir uzantısıdır. Python programlama dili ve Streamlit kütüphanesi kullanılarak geliştirilen bu uygulama, kullanıcıya veri ön işleme, modelleme ve sonuç analizlerini kolayca gerçekleştirme imkânı sunar.
CSV formatındaki müşteri verileri indirildikten sonra bu arayüz üzerinden işlenip analiz edilebilir. Bazı analizlerde sistemden doğrudan veri çekilemediği durumlarda, analiz sonuçlarını desteklemek amacıyla ilgili görseller (örneğin .png formatında) manuel olarak yüklenmiştir.
Uygulamanın temel modülleri şunlardır:
anasayfa.py:Ana çalışma ekranı ve yönlendirme arayüzüdata_cleaning.py,dp_end.py:: Eksik veri temizleme ve ön işleme adımlarıfeature_engineering.py: Özellik oluşturma ve dönüştürme işlemlerimodelling.py: Kümeleme algoritmaları ve öneri sistemiperformance.py: Model başarımları ve analizler
Kullanıcılar arayüz üzerinden:
Kendi CSV dosyalarını yükleyebilir, Sistem içinde hazır bulunan görsellerden yararlanabilir, Tüm analiz adımlarını adım adım takip edebilir.
Bu proje kapsamında uygulanan K-Means kümeleme algoritması, farklı algoritmalarla yapılan karşılaştırmalar sonucunda en başarılı sonuçları vermiştir. Aşağıda, bu algoritmanın çıktılarına ait görsel ve değerlendirme metrikleri yer almaktadır:
🔍 Görsel Yorum:
Yukarıdaki grafik, verilerin t-SNE yöntemiyle iki boyuta indirgenerek görselleştirilmiş halini göstermektedir. Genel olarak kümeler birbirinden net şekilde ayrışmaktadır.
Ancak bazı noktaların birbirine yakınlaştığı, hatta kısmen örtüştüğü görülebilir. Bu durum, veri doğasında benzer özelliklere sahip müşteri gruplarının bulunmasından veya boyut indirgeme sırasında bazı ilişkilerin görselde farklı yansıtılmasından kaynaklanabilir.
Bu tür küçük örtüşmeler, gerçek dünyadaki karmaşık verilerin doğasında vardır ve kümeleme başarısını olumsuz etkilemez. Özellikle bu projede kullanılan metrikler, segmentasyonun başarılı ve anlamlı olduğunu göstermektedir.
| Metrik | Değer | Açıklama |
|---|---|---|
| Silhouette Score | 0.6657 |
Küme içi tutarlılık ve kümeler arası ayrım gücünü ölçer. 0.6 üzeri değerler başarılı segmentasyonu gösterir. |
| Calinski-Harabasz | 2188.4509 |
Küme yoğunluğu ve ayrışma ölçütüdür. Yüksek değer daha iyi ayrımı temsil eder. |
| Davies-Bouldin Score | 0.4420 |
Küme benzerliğini ölçer. Düşük değer, iyi ayrışmış kümeleri ifade eder. |
Bu sonuçlar, K-Means algoritmasının proje verisi üzerinde yüksek doğrulukla çalıştığını ve kullanıcı segmentlerini etkili şekilde oluşturduğunu ortaya koymaktadır.
Bu arayüz, e-ticaret veri setlerinin işlenmesi ve anlamlı segmentlerin oluşturulması için tasarlanmıştır. Aynı zamanda öneri sistemiyle kullanıcıya özel içerikler sunulmasına olanak tanır.
👉 Bu sürecin nasıl tasarlandığı ve kullanılan yöntemlerin detayları için:
Proje Reposuna Git