Web Analitiği Ve Zekâsı Ünite -4

Cihaz Kategorileri ve Kullanıcı Davranışları

Web analitiği araçları, kullanıcıların web sitelerine erişirken kullandıkları cihaz türünü belirlemek için “Device Category” değişkenini kullanır. Bu değişken, masaüstü, mobil ve tablet olmak üzere üç ana kategoriye ayrılır. Cihaz kategorisi analizi, kullanıcı deneyiminin geliştirilmesi açısından önemlidir. Örneğin, bir e-ticaret sitesi mobil trafiğin masaüstüne göre daha fazla olduğunu tespit ederse, mobil uyumlu bir tasarım geliştirerek dönüşüm oranlarını artırabilir.

Hemen Çıkma Oranı (Bounce Rate) ve Kullanıcı Etkileşimi

Bir web sitesinin başarısını ölçmede Hemen Çıkma Oranı (Bounce Rate) önemli bir metriktir. Bu oran, bir kullanıcının siteye girdikten sonra başka bir sayfaya geçmeden ayrılma yüzdesini ifade eder. Yüksek bir hemen çıkma oranı, aşağıdaki nedenlerden kaynaklanabilir:

• İçeriğin ilgi çekici olmaması
• Sayfa yüklenme hızının yavaş olması
• Kullanıcı dostu olmayan tasarım
• Kullanıcının aradığı bilgiye ulaşamaması

Bu oranı azaltmak için içerik kalitesini artırmak, sayfa yüklenme süresini optimize etmek ve kullanıcı deneyimini geliştirmek gereklidir.

Nümerik ve Kategorik Değişkenler

Veri analizi sırasında değişkenler iki temel kategoriye ayrılır:

• Nümerik Değişkenler: Sayısal değerlere sahip değişkenlerdir. Örneğin, “Pageviews” (Sayfa Görüntüleme Sayısı) nümerik bir değişkendir ve bir sayfanın kaç kez görüntülendiğini ifade eder.
• Kategorik Değişkenler: Belirli gruplara veya sınıflara ayrılan değişkenlerdir. Örneğin, “User Type”, “Gender” ve “Source” kategorik değişkenlerdir.

Analiz sürecinde nümerik değişkenlerin ortalama, medyan ve standart sapma gibi istatistikleri hesaplanırken, kategorik değişkenler için frekans dağılımı çıkarılır.

Eksik Verilerin Tespiti ve Yönetimi

Veri analizinde eksik verilerin (NA değerleri) tespit edilmesi önemlidir. R programlama dilinde, bir veri setindeki eksik değerlerin toplam sayısını bulmak için sum(is.na(veri)) fonksiyonu kullanılır. Eksik veriler farklı yöntemlerle işlenebilir:

• Eksik verilerin olduğu gözlemler tamamen çıkarılabilir.
• Eksik veriler ortalama veya medyan değerlerle doldurulabilir.
• İleri düzey modelleme teknikleri kullanılarak eksik değerler tahmin edilebilir.

Eksik verileri doğru şekilde yönetmek, analizlerin güvenilirliğini artırır.

Tekrarlayan Verilerin Tespiti

Veri setlerinde tekrarlayan (duplikat) satırların olması, analiz sonuçlarını bozabilir. R programında, duplicated() fonksiyonu kullanılarak tekrarlayan satırlar tespit edilebilir.

Örneğin, veri[duplicated(veri), ] komutu yalnızca tekrarlayan satırları gösterir.

Tekrarlayan veriler:

• Veri girişi hatalarından kaynaklanabilir.
• Yanlış analiz sonuçlarına neden olabilir.
• Veri setinin boyutunu gereksiz yere artırabilir.

Bu yüzden, analiz öncesinde tekrarlayan veriler belirlenmeli ve gerektiğinde temizlenmelidir.

Kategorik Değişkenlerin Frekans Dağılımı

Kategorik verilerin analizinde en yaygın kullanılan yöntemlerden biri frekans dağılımı hesaplamaktır. R programında, table() fonksiyonu kullanılarak belirli bir kategorinin kaç gözlem içerdiği hesaplanabilir.

Örneğin, table(veri$Gender) komutu veri setinde kaç erkek ve kaç kadın gözlem olduğunu gösterir. Bu tür analizler, anket sonuçları ve müşteri segmentasyonu gibi alanlarda yaygın olarak kullanılır.

Veri Setinin İncelenmesi ve Özetlenmesi

Veri analizi yaparken, ilk olarak veri setinin yapısını incelemek gerekir. R programında, head() fonksiyonu kullanılarak bir veri setinin ilk birkaç satırı görüntülenebilir. Örneğin, head(veri, 10) komutu veri setinin ilk 10 satırını ekrana yazdırır.

Bunun yanı sıra, summary() fonksiyonu veri setindeki tüm değişkenlerin özet istatistiklerini verir:

• Nümerik değişkenler için min, max, ortalama, medyan ve çeyrek değerleri gösterir.
• Kategorik değişkenler için frekans dağılımını raporlar.

Bu bilgiler, veri setindeki genel eğilimleri anlamak için oldukça faydalıdır.

Veri Seti Üzerinde Fonksiyonların Kullanımı

R programlama dilinde, büyük veri setleri üzerinde işlemler yapmak için lapply() fonksiyonu yaygın olarak kullanılır. lapply(), bir liste veya vektör içindeki her elemana belirli bir işlemi uygulamak için kullanılır.

Örneğin, lapply(veri, mean) komutu veri setindeki her sütunun ortalama değerini hesaplar. Bu yöntem, büyük veri setleri üzerinde tekrar eden işlemleri otomatikleştirmek için oldukça kullanışlıdır.

Oran Hesaplama ve Yüzdelik Dağılım

Web analitiğinde, bazı değişkenlerin yüzdelik dağılımını hesaplamak önemlidir. R programında, prop.table() fonksiyonu bu işlemi gerçekleştirmek için kullanılır.

Örneğin, prop.table(table(veri$Gender)) komutu, veri setindeki her cinsiyetin toplam içindeki yüzdesini hesaplar. Bu oranlar sayesinde, veriler daha anlamlı hale getirilir ve analizlerde daha doğru yorumlamalar yapılabilir.

Sonuç

Webde veri analizi, büyük veri setleri üzerinde anlamlı içgörüler elde etmek için kritik bir süreçtir. Cihaz kategorileri, hemen çıkma oranı, sayfa görüntüleme sayısı gibi metriklerin analizi sayesinde kullanıcı davranışları hakkında değerli bilgiler edinilebilir. Ayrıca, eksik verilerin tespiti, tekrarlayan verilerin temizlenmesi ve kategorik değişkenlerin frekans dağılımlarının hesaplanması, analiz sürecini daha etkili hale getirir.

R programlama dili, veri analizi için güçlü fonksiyonlar sunarak, büyük veri setleri üzerinde kolayca işlem yapılmasını sağlar. Web sitesi yöneticileri ve veri analistleri, bu analiz tekniklerini kullanarak web sitelerinin performansını artırabilir ve kullanıcı deneyimini iyileştirebilir.

Web Trafiği Analizi

1- Kullanıcıların siteye erişim sırasında kullandıkları cihaz türünü içeren değişken aşağıdakilerden hangisidir?

A) Source
B) User Type
C) Operating System
D) Browser
E) Device Category

Cevap: E) Device Category

Açıklama: “Device Category” değişkeni, kullanıcıların siteye erişirken kullandıkları cihaz türünü (mobil, tablet, masaüstü) belirtir. Google Analytics ve diğer web analitik araçlarında, cihaz kategorileri ayrı bir değişken olarak takip edilir ve raporlanır.
Device Category değişkeni, kullanıcıların siteye erişirken kullandıkları cihaz türünü (masaüstü, mobil veya tablet) belirten bir değişkendir. Web analitiği araçları, bu değişkeni kullanarak kullanıcı deneyimini cihaz türüne göre analiz etmeyi ve optimize etmeyi sağlar. Örneğin, mobil kullanıcılar için daha iyi bir deneyim sunmak amacıyla mobil uyumlu tasarım değişiklikleri yapmak bu değişkenin analizine dayanabilir

2- Veri setindeki “Bounce Rate (%)” değişkeni aşağıdakilerden hangisini ifade eder?

A) Hemen çıkma oranı
B) Sayfa görüntüleme sayısı
C) Hedef dönüşüm oranı
D) Ortalama oturum süresi
E) Kullanıcı türü

Cevap: A) Hemen çıkma oranı

Açıklama: Hemen çıkma oranı (Bounce Rate), bir kullanıcının siteye geldikten sonra başka bir sayfaya geçmeden ayrılma yüzdesini ifade eder. Yüksek bounce rate, içeriğin veya sayfa deneyiminin kullanıcıları yeterince çekmediğini gösterebilir.
Hemen çıkma oranı (Bounce Rate), bir kullanıcının web sitesine girdikten sonra herhangi bir etkileşimde bulunmadan ayrılmasını ifade eder. Yüksek bir hemen çıkma oranı, kullanıcıların sayfayı ilgi çekici bulmadığını veya istedikleri bilgiye ulaşamadığını gösterebilir. Web sitesi sahipleri bu oranı düşürmek için içerik kalitesini artırabilir, gezinme yapısını iyileştirebilir veya sayfa yükleme hızını artırabilir.

3- Veri setinde yer alan nümerik değişkenlerden biri aşağıdakilerden hangisidir?

A) Pageviews
B) Geography
C) User Type
D) Gender
E) Source

Cevap: A) Pageviews

Açıklama: “Pageviews” (sayfa görüntüleme sayısı) **nümerik bir değişkendir** çünkü bir sayfanın kaç kez görüntülendiğini sayısal bir değer olarak ifade eder. Diğer seçeneklerde yer alan “User Type”, “Gender” ve “Source” gibi değişkenler ise kategoriktir.
Pageviews (Sayfa Görüntüleme Sayısı) nümerik bir değişkendir çünkü doğrudan sayısal bir değeri temsil eder. Web analitiğinde, sayfa görüntüleme sayıları, kullanıcıların bir siteyle ne kadar etkileşimde bulunduğunu ölçmek için kullanılır. Yüksek sayfa görüntüleme oranı, içeriğin kullanıcıları cezbettiğini gösterirken, çok düşük bir oran içeriğin yeterince ilgi çekici olmadığını veya gezinme yapısının kullanıcı dostu olmadığını gösterebilir.

4- Bir veri setindeki eksik değerlerin toplam sayısını bulmak için aşağıdaki fonksiyonlardan hangisi kullanılır?

A) mean(is.na(veri))
B) summary(is.na(veri))
C) count(is.na(veri))
D) max(is.na(veri))
E) sum(is.na(veri))

Cevap: E) sum(is.na(veri))

Açıklama: `sum(is.na(veri))` fonksiyonu, bir veri setindeki **tüm eksik (NA) değerleri sayarak** toplam sayıyı döndürür. Diğer fonksiyonlar, eksik değerleri farklı şekillerde analiz edebilir ancak toplam eksik değer sayısını hesaplamak için en doğru yöntem budur.
Bir veri setinde eksik değerlerin toplam sayısını belirlemek için sum(is.na(veri)) fonksiyonu kullanılır.

is.na(veri), veri setindeki NA (eksik) değerleri tespit eder.
sum() fonksiyonu ise bu eksik değerlerin toplam sayısını döndürür.
Eksik veri analizleri, veri biliminde ve istatistiksel modellemede önemli bir adımdır. Eksik verileri analiz etmek, modelin doğruluğunu artırabilir ve verinin tamamlanması için hangi yöntemlerin uygulanması gerektiğini belirlemeye yardımcı olur.

5- Veri setinde tekrarlayan satırların tespit edilmesi için R programında hangi fonksiyon kullanılır?

A) is.na()
B) duplicated()
C) summary()
D) prop.table()
E) lapply()

Cevap: B) duplicated()

Açıklama: `duplicated()` fonksiyonu, veri setinde **tekrarlayan (duplikat) satırları bulmak için kullanılır**. Bu fonksiyon, tekrarlanan satırları **TRUE (doğru) / FALSE (yanlış)** olarak işaretleyerek analiz edilmesini sağlar.
Tekrarlayan satırları tespit etmek için duplicated() fonksiyonu kullanılır.

Bu fonksiyon, veri setindeki tekrarlanan satırları TRUE veya FALSE olarak işaretleyerek hangi verilerin tekrarlandığını analiz etmeye olanak tanır.
duplicated(veri) komutu, ilk kez görünen satırları FALSE, tekrar edenleri ise TRUE olarak işaretler.
veri[duplicated(veri), ] komutu, sadece tekrarlayan satırları döndürür.
Bu yöntem, veri temizleme işlemlerinde kritik öneme sahiptir, çünkü yinelenen veriler istatistiksel analizlerin ve makine öğrenmesi modellerinin doğruluğunu düşürebilir.

6- Kategorik değişkenlerin frekans dağılımını hesaplamak için R’da hangi fonksiyon kullanılabilir?

A) mean()
B) min()
C) sd()
D) table()
E) summary()

Cevap: D) table()

Açıklama: `table()` fonksiyonu, **kategorik verilerin frekans dağılımını hesaplamak için** kullanılır. Örneğin, bir veri setindeki cinsiyet sütunu için `table(veri$Gender)` komutu kullanıldığında, “Erkek” ve “Kadın” kategorilerinin kaç kez geçtiğini sayar.
Kategorik değişkenlerin frekans dağılımını hesaplamak için table() fonksiyonu kullanılır.

table(veri$Kategori) komutu, veri setindeki her bir kategoriye kaç adet gözlem düştüğünü gösterir.
Örneğin, bir Cinsiyet değişkeni için table(veri$Gender) komutu kullanıldığında, veri setinde kaç erkek ve kaç kadın gözlem bulunduğunu görebiliriz.
Bu yöntem, kategorik verilerin dağılımını anlamak için önemli bir istatistiksel tekniktir ve özellikle anket sonuçları, müşteri segmentasyonu gibi alanlarda sıkça kullanılır.

7- Bir veri setinin ilk birkaç satırını görüntülemek için kullanılan R fonksiyonu aşağıdakilerden hangisidir?

A) tail()
B) summary()
C) str()
D) head()
E) print()

Cevap: D) head()

Açıklama: `head()` fonksiyonu, bir veri setinin **ilk birkaç satırını (varsayılan olarak ilk 6 satırını) görüntülemek** için kullanılır. Eğer belirli bir satır sayısı görmek istenirse, `head(veri, 10)` gibi bir kullanım mümkündür.
Bir veri setinin ilk birkaç satırını görüntülemek için head() fonksiyonu kullanılır.

head(veri), varsayılan olarak ilk 6 satırı döndürür.
head(veri, 10), ilk 10 satırı göstermek için kullanılabilir.
Bu fonksiyon, veri setini hızlıca gözden geçirmek ve değişkenlerin nasıl göründüğünü anlamak için oldukça faydalıdır. Veri analistleri, veri setini yükledikten sonra ilk olarak head() fonksiyonunu kullanarak veri hakkında genel bir fikir edinir.

8- R programlama dilinde lapply() fonksiyonunun temel amacı aşağıdakilerden hangisidir?

A) Veri setindeki eksik değerleri silmek.
B) Tüm veri setini sütun bazında gruplamak.
C) Bir veri kümesi üzerinde işlem yaparak her elemana tek bir işlem uygulamak.
D) Bir sütundaki sayısal değerlerin toplamını hesaplamak.
E) Grafik çizmek için veri hazırlamak.

Cevap: C) Bir veri kümesi üzerinde işlem yaparak her elemana tek bir işlem uygulamak.

Açıklama: `lapply()` fonksiyonu, **bir liste veya vektörün her elemanına belirli bir işlemi uygulamak** için kullanılır. Örneğin, `lapply(veri, mean)` komutu, veri setindeki her sütunun ortalama değerini hesaplar.
lapply() fonksiyonu, bir veri kümesi üzerindeki her elemana tek tek işlem uygulamak için kullanılır.

Bu fonksiyon, listeler ve vektörler üzerinde iterasyon yapmak için kullanılır.
Örneğin, lapply(veri, mean) komutu, veri setindeki her sütunun ortalamasını hesaplar.
lapply() fonksiyonunun kullanımı, veri dönüşümleri ve büyük veri setleri üzerinde aynı işlemi tekrar tekrar uygulamak gerektiğinde büyük kolaylık sağlar. Özellikle, sapply() ve tapply() fonksiyonları ile birlikte kullanılarak daha gelişmiş veri manipülasyonu işlemleri yapılabilir.

9- R programlama dilinde summary() fonksiyonunun kullanımı ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

A) Yalnızca nümerik değişkenlerin ortalamasını hesaplar.
B) Veri setindeki tüm değişkenlerin özet istatistiklerini verir.
C) Kategorik değişkenler için yalnızca frekans dağılımını gösterir.
D) Eksik veri olup olmadığını kontrol eder.
E) Yalnızca ilk 6 satırı görüntüler.

Cevap: B) Veri setindeki tüm değişkenlerin özet istatistiklerini verir.

Açıklama: `summary()` fonksiyonu, **veri setindeki tüm değişkenlerin temel istatistiklerini** döndürür. Nümerik değişkenler için ortalama, medyan, min/maks değerlerini, kategorik değişkenler için ise frekans dağılımını gösterir.
summary() fonksiyonu, bir veri setindeki tüm değişkenlerin özet istatistiklerini verir.

Nümerik değişkenler için minimum, maksimum, ortalama, medyan ve çeyrek değerleri hesaplar.
Kategorik değişkenler için her kategorinin frekans dağılımını gösterir.
Örneğin:

summary(mtcars)

komutu, mtcars veri setindeki her değişken için temel istatistikleri döndürür.

Bu fonksiyon, veri seti hakkında genel bir bakış sağlamak ve veri temizleme sürecine başlamak için kritik bir araçtır

10- R programlama dilinde prop.table() fonksiyonunun temel görevi aşağıdakilerden hangisidir?

A) Veri setindeki eksik değerleri hesaplar.
B) Sayısal sütunlardaki ortalama değerleri hesaplar.
C) Bir tablo içindeki frekans değerlerini oranlara çevirir.
D) Kategorik değişkenler için frekans dağılımı oluşturur.
E) Veri setindeki tekrar eden satırları bulur.

Cevap : C) Bir tablo içindeki frekans değerlerini oranlara çevirir.

Açıklama : prop.table() fonksiyonu, bir tablo veya matris içindeki frekans değerlerini yüzdelik oranlara çevirerek istatistiksel analizlerde daha anlamlı hale getirmek için kullanılır. Özellikle kategorik değişkenlerin oranlarını hesaplamak amacıyla tercih edilir.

Örneğin, bir veri setinde cinsiyet dağılımını görmek için önce table(veri$Gender) ile frekans tablosu oluşturulur, ardından prop.table(table(veri$Gender)) kullanılarak bu frekans değerleri toplamın yüzdesi olarak dönüştürülür.

Bu sayede, veri setindeki her kategorinin toplam içindeki yüzdesi hesaplanarak, analizlerin daha doğru yorumlanması sağlanır. Aynı zamanda satır veya sütun bazlı oranlar hesaplamak için margin = 1 veya margin = 2 argümanları da kullanılabilir (prop.table(table(veri), margin = 1)).

1- Kullanıcıların siteye erişim sırasında kullandıkları cihaz türünü içeren değişken aşağıdakilerden hangisidir?

Cevap: E) Device Category

Açıklama: “Device Category” değişkeni, kullanıcıların siteye erişirken kullandıkları cihaz türünü (mobil, tablet, masaüstü) belirtir. Google Analytics ve diğer web analitik araçlarında, cihaz kategorileri ayrı bir değişken olarak takip edilir ve raporlanır.

2- Veri setindeki “Bounce Rate (%)” değişkeni aşağıdakilerden hangisini ifade eder?

Cevap: A) Hemen çıkma oranı

Açıklama: Hemen çıkma oranı (Bounce Rate), bir kullanıcının siteye geldikten sonra başka bir sayfaya geçmeden ayrılma yüzdesini ifade eder. Yüksek bounce rate, içeriğin veya sayfa deneyiminin kullanıcıları yeterince çekmediğini gösterebilir.

3- Veri setinde yer alan nümerik değişkenlerden biri aşağıdakilerden hangisidir?

Cevap: A) Pageviews

Açıklama: “Pageviews” (sayfa görüntüleme sayısı) **nümerik bir değişkendir** çünkü bir sayfanın kaç kez görüntülendiğini sayısal bir değer olarak ifade eder. Diğer seçeneklerde yer alan “User Type”, “Gender” ve “Source” gibi değişkenler ise kategoriktir.

4- Bir veri setindeki eksik değerlerin toplam sayısını bulmak için aşağıdaki fonksiyonlardan hangisi kullanılır?

Cevap: E) sum(is.na(veri))

Açıklama: `sum(is.na(veri))` fonksiyonu, bir veri setindeki **tüm eksik (NA) değerleri sayarak** toplam sayıyı döndürür. Diğer fonksiyonlar, eksik değerleri farklı şekillerde analiz edebilir ancak toplam eksik değer sayısını hesaplamak için en doğru yöntem budur.

5- Veri setinde tekrarlayan satırların tespit edilmesi için R programında hangi fonksiyon kullanılır?

Cevap: B) duplicated()

Açıklama: `duplicated()` fonksiyonu, veri setinde **tekrarlayan (duplikat) satırları bulmak için kullanılır**. Bu fonksiyon, tekrarlanan satırları **TRUE (doğru) / FALSE (yanlış)** olarak işaretleyerek analiz edilmesini sağlar.

6- Kategorik değişkenlerin frekans dağılımını hesaplamak için R’da hangi fonksiyon kullanılabilir?

Cevap: D) table()

Açıklama: `table()` fonksiyonu, **kategorik verilerin frekans dağılımını hesaplamak için** kullanılır. Örneğin, bir veri setindeki cinsiyet sütunu için `table(veri$Gender)` komutu kullanıldığında, “Erkek” ve “Kadın” kategorilerinin kaç kez geçtiğini sayar.

7- Bir veri setinin ilk birkaç satırını görüntülemek için kullanılan R fonksiyonu aşağıdakilerden hangisidir?

Cevap: D) head()

Açıklama: `head()` fonksiyonu, bir veri setinin **ilk birkaç satırını (varsayılan olarak ilk 6 satırını) görüntülemek** için kullanılır. Eğer belirli bir satır sayısı görmek istenirse, `head(veri, 10)` gibi bir kullanım mümkündür.

8- R programlama dilinde lapply() fonksiyonunun temel amacı aşağıdakilerden hangisidir?

Cevap: C) Bir veri kümesi üzerinde işlem yaparak her elemana tek bir işlem uygulamak.

Açıklama: `lapply()` fonksiyonu, **bir liste veya vektörün her elemanına belirli bir işlemi uygulamak** için kullanılır. Örneğin, `lapply(veri, mean)` komutu, veri setindeki her sütunun ortalama değerini hesaplar.

9- R programlama dilinde summary() fonksiyonunun kullanımı ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Cevap: B) Veri setindeki tüm değişkenlerin özet istatistiklerini verir.

Açıklama: `summary()` fonksiyonu, **veri setindeki tüm değişkenlerin temel istatistiklerini** döndürür. Nümerik değişkenler için ortalama, medyan, min/maks değerlerini, kategorik değişkenler için ise frekans dağılımını gösterir.

10- R programlama dilinde prop.table() fonksiyonunun temel görevi aşağıdakilerden hangisidir?

Cevap: C) Bir tablo içindeki frekans değerlerini oranlara çevirir.

Açıklama: `prop.table()` fonksiyonu, **veri setindeki frekans değerlerini oransal ifadelere dönüştürmek için** kullanılır. Örneğin, `prop.table(table(veri$Kategori))` komutu, her kategorinin toplam içindeki oranını hesaplar.