🛒 Market Sepeti Analizi - Basit Versiyon

Bu proje, öğrencilerin Market Basket Analysis konusunu kolayca öğrenmesi için tasarlanmıştır.

📊 Kullanılan Veri

• Dosya: data/basket_analysis.csv
• Format: 999 satır (sepet) x 16 sütun (ürün)
• İçerik: Her hücre True/False - ürünün sepette olup olmadığını gösterir
• Ürünler: Apple, Bread, Butter, Cheese, Corn, Dill, Eggs, Ice cream, Kidney Beans, Milk, Nutmeg, Onion, Sugar, Unicorn, Yogurt, chocolate

🎯 Öğrenme Hedefleri

Bu proje ile öğrenciler şunları öğrenecek:

1. Market Basket Analysis nedir?
2. Support, Confidence, Lift kavramları
3. Ürün birlikteliklerini nasıl bulabiliriz?
4. Association Rules nasıl oluşturulur?
5. Sonuçları nasıl yorumlarız?

🚀 Nasıl Çalıştırılır?

1. Python ile Konsol Uygulaması

# Virtual environment'ı aktifleştir
source venv/bin/activate

# Basit analizi çalıştır
python basit_market_analizi.py

2. Web Arayüzü (Streamlit)

# Virtual environment'ı aktifleştir
source venv/bin/activate

# Web uygulamasını başlat
streamlit run basit_streamlit_app.py

Tarayıcınızda açılan sayfada:

• 🏠 Ana Sayfa: Teorik bilgiler
• 📊 Veri Görüntüleme: Ham verileri inceleyin
• 🔍 Popüler Ürünler: En çok satılan ürünler
• 🔗 Birliktelik Analizi: Hangi ürünler birlikte alınıyor?
• 📋 Kural Analizi: "X alan Y'yi de alır" kuralları
• 🎯 Ürün Önerileri: Müşterilere ne önerebiliriz?

📖 Temel Kavramlar

Support (Destek)

• Bir ürün veya ürün çiftinin ne kadar sık alındığı
• Formül: Support(A) = A içeren sepet sayısı / Toplam sepet sayısı
• Örnek: Milk %40 support → Sepetlerin %40'ında milk var

Confidence (Güven)

• A ürününü alan müşterilerin kaçta kaçının B ürününü de aldığı
• Formül: Confidence(A→B) = Support(A,B) / Support(A)
• Örnek: Milk→Bread %60 confidence → Milk alan müşterilerin %60'ı bread da alıyor

Lift

• İki ürünün birlikte alınma olasılığının tesadüfi duruma göre ne kadar güçlü olduğu
• Formül: Lift(A→B) = Confidence(A→B) / Support(B)
• Yorum:
  • Lift = 1: Tesadüfi birliktelik
  • Lift > 1: Pozitif birliktelik (birlikte alınma eğilimi var)
  • Lift < 1: Negatif birliktelik (birlikte alınma eğilimi yok)

🔍 Örnek Analiz Sonuçları

En Popüler Ürünler

1. chocolate: 421 sepet (%42.1)
2. Butter: 420 sepet (%42.0)
3. Yogurt: 420 sepet (%42.0)

En Güçlü Birliktelikler

• Milk + chocolate: 89 sepet (%8.9 support)
• Bread + Butter: 85 sepet (%8.5 support)
• Yogurt + chocolate: 83 sepet (%8.3 support)

En İyi Association Rules

1. Milk → chocolate: %68 confidence, 1.6 lift
   • "Milk alan müşterilerin %68'i chocolate da alıyor"
2. Bread → Butter: %65 confidence, 1.5 lift
   • "Bread alan müşterilerin %65'i butter da alıyor"

💡 İş Uygulamaları

Cross-Selling (Çapraz Satış)

• Milk alan müşterilere chocolate önerin
• Bread alan müşterilere butter önerin

Mağaza Düzeni

• İlgili ürünleri yakın raflara koyun
• Milk ve chocolate'ı aynı bölümde bulundurun

Kampanya Planlama

• Birlikte alınan ürünlerde "2. ürün %50 indirim" kampanyası
• Milk + chocolate paketi oluşturun

Stok Yönetimi

• Birlikte alınan ürünlerin stoklarını birlikte planlayın
• Milk bitiyorsa chocolate da bitebilir

📊 Beklenen Çıktılar

Konsol Uygulaması Çıktısı:

🛒 MARKET SEPETİ ANALİZİ
==========================================

📁 Veri yükleniyor...
✅ Veri yüklendi: 999 sepet, 16 ürün
✅ 999 sepet hazırlandı

📊 TEMEL İSTATİSTİKLER
==========================================
Toplam sepet sayısı: 999
Ortalama ürün/sepet: 8.2
En fazla ürün/sepet: 16
En az ürün/sepet: 1

En popüler 5 ürün:
  chocolate: 421 sepet (%42.1)
  Butter: 420 sepet (%42.0)
  Yogurt: 420 sepet (%42.0)
  ...

Web Arayüzü Özellikleri:

• 📊 İnteraktif grafikler
• 🔧 Parametreleri değiştirme
• 🎯 Gerçek zamanlı öneri sistemi
• 📋 Detaylı açıklamalar

⚙️ Teknik Detaylar

Gereksinimler

pandas>=1.5.0
numpy>=1.21.0
streamlit>=1.28.0
plotly>=5.15.0
matplotlib>=3.6.0
seaborn>=0.12.0

Dosya Yapısı

hafta6/
├── data/
│   └── basket_analysis.csv          # Ana veri dosyası
├── basit_market_analizi.py          # Konsol uygulaması
├── basit_streamlit_app.py           # Web uygulaması
├── README_BASIT.md                  # Bu dosya
└── requirements.txt                 # Python gereksinimleri

🔧 Troubleshooting

Problem: CSV dosyası bulunamıyor

Çözüm: data/basket_analysis.csv dosyasının doğru konumda olduğundan emin olun

Problem: Streamlit açılmıyor

Çözüm:

source venv/bin/activate
pip install streamlit
streamlit run basit_streamlit_app.py

Problem: Grafikler görünmüyor

Çözüm: Plotly ve matplotlib yüklü olduğundan emin olun