2026 İçin Pazar Sepeti Analizi: Pratik Bir Rehber

Bir alışverişçi fişe bakar ve makarna, domates sosu, parmesan ve sarımsak görür. Bu satın alma sıradan görünür, ancak faydalı bir iş sorusunu yansıtır: bu ürünler neden bir arada? Cevap bir tarifi, bir promosyonu, bir alışkanlığı veya iyi tasarlanmış bir mağaza düzenini yansıtabilir.

Her fiş, insan karar alma sürecinin küçük bir kaydıdır. Çok sayıda fiş üzerinden bu kayıtlar, ekiplerin envanter planlamasına, paket tasarlamasına, önerileri iyileştirmesine ve olağandışı faaliyetleri araştırmasına yardımcı olacak tekrarlayan ürün kombinasyonlarını ortaya çıkarabilir. Aynı işlemdeki ürünler arasındaki ilişkiler üzerine kurulu bir yöntem olan pazar sepeti analizinin pratik vaadi de tam olarak budur.

Bu yöntem, bir kez çalıştırdığınız bir rapor yerine sürekli bir iş disiplini olarak ele alındığında daha faydalı hale gelir. Bu rehberin sonunda, işlemler, öğe kümeleri, ilişki kuralları ve bunların temel metrikleri hakkında işlevsel bir zihinsel model edinmiş olacaksınız. Ayrıca görünüşte güçlü kuralları nasıl sorgulayacağınızı, doğrulanmış örüntüleri kararlara nasıl dönüştüreceğinizi ve KOBİ verilerine bu yöntemi yapay zeka analitiğiyle uygulamak için pratik bir yol nasıl oluşturacağınızı bileceksiniz.

Alışveriş Sepetiniz Neden Bir Hikaye Anlatır

Bir süpermarket fişi, bir ürün listesinden daha fazlasını kaydeder. Müşterinin anlık amacını kaydeder. Makarna, domates sosu, parmesan ve sarımsak planlanmış bir yemeği düşündürebilir. Bu kombinasyon tekrar tekrar ortaya çıkıyorsa, perakendeci, kimse açıklamalarını istemese bile, alışverişçilerin o yemeği nasıl bir araya getirdiğine dair bir ipucu elde eder.

Önemli soru yalnızca ürünlerin iyi satıp satmadığı değildir. Önemli olan, bu ürünlerin aynı sepetlerde birlikte görünüp görünmediği ve bu ilişkinin bir kararı yönlendirecek kadar faydalı olup olmadığıdır. Bir perakendeci, tamamlayıcı ürünleri birbirine daha yakın yerleştirebilir, bir tarif paketi oluşturabilir, bir makarna satın alımından sonra parmesan önerebilir veya tekrarlayan bir talep örüntüsü için stok hazırlayabilir.

Pazar sepeti analizi genellikle ilişki kuralı madenciliğine dayandırılır. Apriori algoritması, yöntemin bu tarihsel özetinde özetlendiği gibi, Rakesh Agrawal ve Ramakrishnan Srikant'ın sık öğe kümesi keşfi ve boolean ilişki kuralları için bunu tanıttığı 1994 yılında temel bir dönüm noktası haline geldi. Altta yatan fikir hâlâ anlaşılır durumda: işlemleri incele, birlikte ortaya çıkan öğeleri bul ve faydalı ilişkileri kurallar olarak ifade et.

Fişlerden iş sorularına

Bir örüntü, ancak birisi ona göre hareket edebildiğinde değerli hale gelir. Şu soruları göz önünde bulundurun:

• Ürün yerleşimi: Fiziksel veya dijital katalogda hangi ürünler birbirine yakın yer almalıdır?
• Promosyonlar: Hangi kombinasyonlar rastgele bir indirim yerine anlamlı bir paket oluşturabilir?
• Envanter: Ekipler hangi ilgili ürünleri birlikte izlemelidir?
• Müşteri deneyimi: Hangi öneri, alışverişçinin bir görevi tamamlamasına yardımcı olur?
• Risk incelemesi: Hangi faaliyet kombinasyonları daha fazla araştırma gerektirir?

Analiz aynı zamanda zayıf varsayımları da ortaya çıkarabilir. Yüksek birlikte ortaya çıkma örüntüsü, müşterilerin kalıcı bir tercihi olduğu için değil, geçici bir kampanya nedeniyle var olabilir. Bu yüzden kuralı doğru okumak, onu üretmek kadar önemlidir.

Pratik kural: Her ilişkiyi körü körüne otomatikleştirilecek bir talimat değil, araştırılacak bir soru olarak ele alın.

KOBİ'ler için en faydalı sonuç, ham işlemleri kararlarla bağlayan tekrarlanabilir bir yoldur. Satış verileri standart bir raporun ortaya koyduğundan daha fazla sinyal içerdiğinde, kararları Electe ile optimize etmenin daha geniş yollarını da keşfedebilirsiniz.

Pazar Sepeti Analizi Gerçekte Ne Anlama Gelir

Bir pazar sepeti, tek bir alışveriş gezisinde veya işlemde satın alınan ürünler kümesidir. E-ticarette, sepet bir sipariş olabilir. Başka bir ortamda, birim bir müşteri oturumu, bir hesap faaliyet dizisi veya bir raporlama dönemi olabilir. Doğru birim, iş sorusuna bağlıdır.

İstatistiksel çerçeve, her sepeti bir gözlem olarak ele alır. Analistler daha sonra hangi öğelerin birlikte ortaya çıktığını inceler ve ilişkiyi, Tom Brijs'in pazar sepeti analizi üzerine araştırmasında belgelenen klasik işlem düzeyi çerçevesinde tanımlanan üç ölçüm olan destek, güven ve lift ile değerlendirir.

Terminoloji

• İşlem: Bir sepet, fiş, sipariş, oturum veya başka tanımlanmış bir birim.
• Öğe kümesi: {makarna, sos} gibi bir veya daha fazla öğeden oluşan bir grup.
• k-öğe kümesi: k öğe içeren bir öğe kümesi. Bir çift iki öğeli bir kümedir, {makarna, sos, parmesan} ise üç öğeli bir kümedir.
• Sık öğe kümesi: Seçilen bir destek eşiğini geçecek kadar sık ortaya çıkan bir öğe kümesi.
• İlişki kuralı: X → Y şeklinde yazılan yönlü bir ifade; X içeren işlemlerin Y'nin varlığı açısından incelendiği anlamına gelir.

Ok, X'in Y'ye neden olduğunu kanıtlamaz. Yalnızca işlem verilerinde gözlemlenen bir ilişkiyi tanımlar.

Basit bir fiş örneği

Bir mahalle bakkalının şu beş işlemi kaydettiğini varsayalım:

{ekmek, süt} öğe kümesi T1, T4 ve T5'te görünür. {yumurta, kahve} öğe kümesi T2, T3 ve T4'te görünür. Olası bir kural {ekmek} → {süt} şeklindedir, ancak bu kuralın kullanışlı sayılabilmesi için önce ölçülmesi gerekir.

Pazar sepeti analizinin amacı, temel bir baz çizgisinin öngördüğünden daha sık ortaya çıkan kombinasyonları belirlemektir. Destek genel sıklığı ölçer, güven öncül mevcut olduğunda sonucun ne sıklıkla ortaya çıktığını ölçer ve kaldırma (lift) gözlemlenen ilişkiyi bağımsızlık altında beklenen ilişkiyle karşılaştırır. Bu metrikler değerlendirmenin yerini almaz. Değerlendirmeye tutarlı bir temel sağlarlar.

Her Kuralı Yönlendiren Üç Metrik

Üç ana metrik farklı sorulara cevap verir. Destek, bir kombinasyonun önemli sayılacak kadar yaygın olup olmadığını sorar. Güven, kuralın öncülü içeren sepetler içinde geçerli olup olmadığını sorar. Kaldırma (lift) ise kombinasyonun ürünlerin bireysel popülerliğinin ötesinde bilgi katıp katmadığını sorar.

Beş mahalle bakkalı işlemini kullanarak, {ekmek, süt} → {yumurta} kuralını ele alalım.

Destek erişimi ölçer

{ekmek, süt} öğe kümesi T1, T4 ve T5'te görünür. Toplam beş işlemle:

{ekmek, süt} destek değeri = 3 ÷ 5 = %60.

Bu sayı, kombinasyonun veri kümesi genelinde ne kadar yaygın göründüğünü söyler. Ekmek ve sütün özel bir ilişkisi olup olmadığını söylemez. İki ürün de popüler olduğu için sıradan bir ürün çifti bile yüksek destek değerine sahip olabilir.

Güven, koşullu gücü ölçer

Tam kombinasyon olan {ekmek, süt, yumurta} T4 ve T5'te görünür. Öncül {ekmek, süt} üç işlemde görünür. Buna göre:

{ekmek, süt} → {yumurta} için güven değeri = 2 ÷ 3 = %67.

Basitçe söylemek gerekirse, hem ekmek hem süt içeren üç sepetten ikisinde yumurta bulunur. Güven yönlüdür, bu yüzden kuralı tersine çevirmek farklı bir değer verebilir.

Kaldırma (lift) kuralı bir baz çizgisiyle karşılaştırır

Yumurta T2, T3, T4 ve T5'te görünür; bu da yumurtaya 4 ÷ 5 = %80 baz olasılık kazandırır. Üç ürünün tamamının birlikte görülme olasılığı ise 2 ÷ 5 = %40'tır. Buna göre:

Kaldırma (lift) = 0,40 ÷ 0,80 = 0,5.

1'in altındaki bir kaldırma değeri bu örnekte negatif bir ilişkiyi gösterir. 1 değeri bağımsızlığı gösterirken, 1'in üzerindeki bir kaldırma değeri kuralın olumlu bir ilişki bilgisi kattığını gösterir.

Sonuç (consequent) zaten yaygınsa, güven (confidence) değeri yüksek bir kural yine de yanıltıcı olabilir. Her üç ölçüye birden bakmak, yalnızca confidence'ı değerli bir çapraz satış fırsatının kanıtı olarak görme gibi klasik hatayı önler.

Apriori ve FP-Growth Basitçe Açıklanıyor

Apriori ve FP-Growth, her ikisi de sık öğe kümelerini arar, ancak bu aramayı farklı şekillerde organize ederler. Apriori, kombinasyonlar arasında adım adım ilerler. FP-Growth ise işlem ilişkilerini madencilik için tasarlanmış bir yapıda sıkıştırır.

Apriori tek tek öğelerle başlar. Minimum destek (support) eşiğini karşılayan öğeleri tutar, bunları aday çiftler halinde birleştirir, eşiğin altında kalan adayları eler ve ardından hayatta kalanlardan daha büyük adaylar oluşturur.

Temel budama ilkesi basittir:

Bir öğe kümesi seyrekse, onu içeren daha büyük bir öğe kümesi de sık olamaz.

Bu ilke, birçok gereksiz kombinasyonu önler. Apriori'yi meslektaşlara açıklamak da kolaydır, çünkü seviye seviye işleyişi görünür bir kontrol listesine benzer. Zayıf yönü ise operasyonel yük. Katalog ve işlem hacmi büyüdükçe tekrarlanan veritabanı taramaları ve aday oluşturma işlemleri maliyetli hale gelebilir.

FP-Growth aramayı nasıl değiştirir

FP-Growth önce bir FP-ağacı oluşturur; bu, paylaşılan öğe yollarını koruyan, sıkıştırılmış bir işlem gösterimidir. Ardından, her aday kombinasyonu oluşturmadan sık öğe kümelerini çıkarmak için koşullu örüntü tabanlarını özyinelemeli olarak madenler.

Bu tasarım, özellikle işlemler çok sayıda örtüşen öğe içerdiğinde hız ve bellek verimliliğini artırabilir. Pazar sepeti analizinin zorluklarına ilişkin bu tartışmada aktarılan 2024 tarihli bir perakende çalışması, sık öğe kümelerini çıkarmak için FP-Growth'un Apriori'den daha hızlı ve daha etkili olduğunu ortaya koydu. Aynı kaynak, yorumlanabilir öneri kuralları oluşturmak için 38.765 market işlemi kullanan 2025 tarihli bir çalışmaya da değiniyor.

Bu bulgular, FP-Growth'un her zaman doğru cevap olduğu anlamına gelmez. Algoritma seçimi; veri kümesini, ekibin veri hattını sürdürme kapasitesini, parametre duyarlılığını ve entegrasyon gereksinimlerini yansıtmalıdır.

Küçük bir perakende veri kümesi için Apriori tamamen yeterli olabilir. Daha geniş iş yükleri için FP-Growth daha verimli olabilir. Yöntem seçimine pratik bir giriş Electe algoritma rehberinde bulunabilir.

Ham İşlemlerden Gerçek Kararlara

Yararlı bir analiz algoritmadan önce başlar. Öncelikle neyin bir işlem sayılacağını tanımlayın. Bir fiş, müşteri, oturum, hesap veya hafta, her biri farklı bir ilişki görünümü üretebilir ve bu farklı düzeyleri karıştırmak, net bir iş sorusuna yanıt vermeyen kurallar yaratabilir.

Ardından kayıtları temizleyin. Ürün etiketlerini ve tanımlayıcılarını standartlaştırın, yinelenenleri kaldırın ve iadeleri, iptalleri, test siparişlerini veya gerçek talebi yansıtmayan diğer kayıtları ele alın. Zaman aralığını gözden kaçırmayın çünkü bir dönemden çıkarılan bir kural başka bir dönemi temsil etmeyebilir.

Tekrarlayan operasyonel döngü

Güvenilir bir iş akışı şöyle görünür:

1. Birimi tanımlayın: Fişleri, siparişleri, oturumları, hesapları veya dönemleri analiz edip etmediğinize karar verin.
2. Kayıtları hazırlayın: Ürün kodlarını standartlaştırın ve soruyu çarpıtan işlemleri kaldırın.
3. Kalıpları çıkarın: Belgelenmiş eşiklerle sık öğe kümeleri ve birliktelik kuralları üretin.
4. Anlam için filtreleyin: Destek, güven, lift, ürün kısıtlamaları, marj bağlamı ve operasyonel uygulanabilirliği birleştirin.
5. Uygulayın ve izleyin: Bir paket, öneri, düzen değişikliği veya inceleme sinyali başlatın, ardından ne olduğunu takip edin.

Bir online mağaza için bir kural, “kurulumu tamamlayın” önerisini destekleyebilir. Uygulama seçenekleri arayan Magento kullanıcıları, ürün ilişkilerini mağaza önerilerine dönüştürmek için pratik bir kaynak olarak Magento için ilgili ürünler sayfasını inceleyebilir.

Son adım döngüyü kapatır. Mümkün olduğunda bir karşılaştırma grubuyla öneriyi test edin, ilişkinin geçerliliğini koruyup korumadığını izleyin ve sonucu bir sonraki güncellemeye dahil edin. Geçen dönem yararlı olan bir kural, fiyatlandırma, ürün yelpazesi, müşteri karması veya promosyonlar değiştiğinde zayıflayabilir.

Ekipler genellikle veri hazırlığını sıradan bir görev olarak ele alarak zaman kaybeder. Bu adım, algoritmanın gerçek sepetleri mi yoksa yinelenenlerin, tutarsız etiketlerin, iadelerin ve idari gürültünün bir karışımını mı gördüğünü belirler. Electe otomatik veri analizi gibi kaynaklar, ekiplerin ham kayıtlardan kullanılabilir içgörülere giden daha geniş yolu düşünmesine yardımcı olabilir.

Pazar Sepeti Analizi En İyi Nerede İşe Yarar

Bu yöntem, üç koşul bir araya geldiğinde en iyi şekilde çalışır: işletmenin tekrarlanan işlemleri vardır, öğelerin anlamlı tanımları vardır ve birisi bu kalıptan hangi kararın çıkması gerektiğini bilir.

Perakende, birliktelikleri kolaylığa dönüştürür

Diyelim ki bir perakendeci, yazıcıların ve yedek mürekkeplerin birlikte satın alındığını görüyor. Birkaç eylem izlenebilir:

• Navigasyon: Mürekkebi yazıcı sayfalarında tamamlayıcı bir ürün olarak gösterin.
• Ürün yerleşimi: Ürünleri bir katalogda veya mağazada birbirine yakın konumlandırın.
• Paketleme: Bir yazıcı ve uyumlu mürekkebi açıkça tanımlanmış bir paket olarak sunun.
• Planlama: Yazıcı satışları değiştiğinde ilgili talebi izleyin.

Bu kural, her yazıcı alıcısının hemen mürekkebe ihtiyaç duyacağını garanti etmez. Uyumluluk, mevcut stok, fiyat ve satın alma zamanlaması yine de önemlidir. Birliktelik, perakendecinin ilgili bir seçenek sunmasına yardımcı olur, bir sonucu dayatmaz.

Pazar sepeti analizi müşteri segmentasyonunu da destekleyebilir, ancak müşteri ihtiyaçlarının dikkatli bir şekilde anlaşılmasının yerini almamalıdır. Kurucu liderliğindeki mağazalar için müşteri segmentleri konusunda tamamlayıcı bir bakış açısı için ekipler, davranışsal grupların işlem düzeyindeki ilişkilerle nasıl bir arada durduğunu inceleyebilir.

Finans farklı bir sepet türü kullanır

Finansal hizmetlerde bir sepet; işyeri kategorilerini, kart işlemlerini, hesap olaylarını veya aktivite sıralarını içerebilir. Aynı ilişkilendirme mantığı; dolandırıcılık önceliklendirmesini, müşteri segmentasyonunu, çapraz satışı ve olağandışı davranış izlemesini destekleyebilir.

Gece geç saatlerdeki çevrimiçi satın alımları kartın fiziksel olarak bulunmadığı işlemlerle ilişkilendiren bir kuralı ele alalım. Bu örüntü bir incelemeyi önceliklendirmeye yardımcı olabilir, ancak dolandırıcılığın kanıtı değildir. Bir inceleme, bu sinyali müşteri geçmişi, kimlik doğrulama sonuçları, coğrafya, hesap bağlamı ve mevcut kontrollerle birleştirmelidir.

Risk ilkesi: Keşfedilen bir ilişki dikkati önceliklendirebilir. Tek başına bir uyumluluk veya finansal karar vermemelidir.

Her iki sektörde de kural sayısı zayıf bir başarı ölçütüdür. Test edilmiş bir operasyonel eyleme yol açan, daha küçük bir istikrarlı ve yorumlanabilir kural kümesi; kimsenin güvenmediği veya kullanmadığı uzun bir listeden daha değerlidir.

Çoğu Kılavuzun Atladığı Sınırlar ve En İyi Uygulamalar

Güçlü metrikler otomatik olarak iyi kararlar üretmez. Gerçek alışveriş örüntüleri değişir, ürün katalogları döner ve promosyonlar, kampanya sona erdiğinde kaybolan geçici ilişkiler yaratabilir. Yakın tarihli bir inceleme, performansın zamana ve mevsimselliğe büyük ölçüde bağlı olduğunu, talebin sürekli değiştiğini ve analizin tek seferlik bir uygulama olarak değil yeniden çalıştırılması gereken bir süreç olarak ele alınması gerektiğini vurguluyor. İnceleme ayrıca kural bozulmasını ve mevsimsel önyargıyı da ele alıyor.

Dikkat edilmesi gereken dört sorun

• Mevsimsellik: Yazın geçerli olan bir ilişki kışın kaybolabilir. Düzenleri veya envanter planlarını değiştirmeden önce analizi mevsime göre bölümlere ayırın ya da kuralları dönemler arasında karşılaştırın.
• Kural bozulması: Ürünler, fiyatlar ve müşteri alışkanlıkları değişir. Eski ilişkilerin varsayılan olarak etkin kalmaması için sürekli yenileme kullanın.
• Seyreklik: Uzun kuyruklu ürünler, ürün düzeyindeki desteğin anlamlı bir şey ortaya koyamayacağı kadar nadir görülebilir. İş anlamını koruduğu durumlarda kategori düzeyinde toplulaştırmayı değerlendirin.
• Korelasyon ve nedensellik: İki ürün, biri diğerine neden olmadan birlikte görülebilir. Ortak bir promosyon, özel gün veya müşteri segmenti bu ilişkiyi açıklayabilir.

Son sorun özellikle önemlidir. Yüksek lift değerine sahip bir kural, davranışla ilgili bir hipotezdir, nedensel bir açıklama değildir. Alan bilgisi ve kontrollü doğrulama hâlâ gereklidir.

Kısa bir inceleme kontrol listesi

Bir kuralı öneri, promosyon, envanter veya risk iş akışına yayınlamadan önce şunları sorun:

• Soru: Bu kural hangi iş kararını bilgilendirecek?
• Ayrıntı düzeyi: İşlem tanımı bu kararla uyuşuyor mu?
• Parametreler: Destek, güven, lift ve filtreleme seçimlerini kaydettiniz mi?
• Kararlılık: İlişki, ilgili zaman aralıklarında devam ediyor mu?
• Doğrulama: Bunu bir bekletme dönemi veya kontrollü bir mağaza deneyiyle test edebilir misiniz?

Bu disiplin, yakın tarihli çalışmalarda tespit edilen daha geniş bir soruna da değiniyor. Pazar sepeti analizi, çok sayıda kural üretebilir, seyreklik ve boyutluluk sorunlarından etkilenebilir ve yaygın sınırlamalara ilişkin bu genel bakışta özetlendiği gibi istatistiksel olarak geçerli ancak pratikte anlamlı olmayan ilişkiler ortaya çıkarabilir. İş sorusu “kaç kural bulduk?” değildir. Soru şudur: “Hangi kurallar güvenilir, açıklanabilir ve harekete geçmeye değer?”

ELECTE ile Hepsini Uygulamaya Dökmek

Bir KOBİ'nin pazar sepeti analizini ayrı bir araştırma projesine dönüştürmesine gerek yoktur. Pratik model; işlem verilerini, örüntü keşfini, insan incelemesini ve operasyonel eylemi birbirine bağlayan, tekrarlayan bir karar döngüsüdür.

KOBİ'ler için yapay zeka destekli bir veri analitiği platformu olan ELECTE, veri hazırlama, analiz, raporlama ve izlemeyi tek bir ortamda bir araya getirerek bu döngüyü destekleyebilir. Mantıklı bir uygulama, hangi ürünlerin bir pakette yer alması gerektiği, bir satın alma sonrasında hangi önerilerin gösterileceği veya hangi aktivite kombinasyonlarının risk incelemesini hak ettiği gibi tek bir soruyla başlar.

Dört adımlı bir işletim modeli

1. İşlem kayıtlarını içe aktarın. Sipariş kimliklerini, ürün kimliklerini, zaman damgalarını ve ilgili iş alanlarını koruyarak satış noktası veya e-ticaret kayıtlarını bağlayın.
2. Birliktelik kurallarını çıkarın. Platformun arka planda Apriori veya FP-Growth çalıştırmasına izin verin; eşik değerleri ve filtreler incelenmek üzere belgelenmiş olsun.
3. Sonuçları inceleyin. Destek, güven, kaldıraç, zaman dilimleri, ürün kategorileri ve kural kararlılığını incelemek için gösterge panellerini ve görsel filtreleri kullanın.
4. Doğrulanmış bulguları iş akışlarına aktarın. Onaylanmış paket önerilerini ve çapraz satış tekliflerini pazarlama veya CRM süreçlerine gönderin ya da portföy sinyallerini kontrollü inceleme için risk ekiplerine yönlendirin.

Ders kitabındaki bir alıştırmadan önemli fark, yenileme döngüsüdür. Yeni işlemler geldikçe, ilişki haritası gözden geçirilip güncellenmelidir; böylece işletme, zaten zayıflamış kalıplar üzerinden hareket etmeye devam etmez. Otomasyon tekrarlayan analizi azaltabilir, ancak onay, bağlam, gizlilik güvenceleri veya uyumluluk incelemesini ortadan kaldırmamalıdır.

Ekibinizin bir hafta içinde yanıtlayabileceği bir soruyla başlayın. İşlem ayrıntı düzeyini tanımlayın, yönetilebilir bir ürün grubu seçin, eşik değerlerini belgeleyin ve ortaya çıkan eylemin faydalı olup olmadığını nasıl değerlendireceğinizi önceden kararlaştırın. Finansal veya uyumluluk iş akışları için çıktıyı karar destek unsuru olarak ele alın ve harekete geçmeden önce kuruluşunuzun yasal, gizlilik ve kontrol gerekliliklerini uygulayın.

Electe, KOBİ'lerin işlem verilerini bağlamasına, birliktelik kurallarını ortaya çıkarmasına ve doğrulanmış kalıpları net gösterge panellerine, raporlara ve tekrarlayan içgörülere dönüştürmesine yardımcı olur. Yapay zeka destekli bir veri analitiği platformunun ham sepetlerden pratik iş kararlarına nasıl geçmenize yardımcı olabileceğini görmek için Electe'yi ziyaret edin.