Perakendede veri analizi: fiş verisinden karara giden yol

Perakende verisi nereden gelir ve neye benzer?

Perakendede analizin ham maddesi satış satırıdır: hangi fişte, hangi üründen, hangi mağazada, hangi saatte, hangi fiyattan satış yapıldığı. Bunun yanına ürün kartı (kategori, marka, maliyet), mağaza kartı (bölge, büyüklük, format), stok hareketleri, kampanya takvimi ve varsa müşteri kartı ya da sadakat programı kayıtları eklenir. Çevrimiçi kanal varsa web ve uygulama olayları da aynı çerçeveye girer.

Analizden önce bu tabloların birbirine nasıl bağlandığını görmek gerekir. Fiş başlığı ile fiş satırı arasındaki ilişki, ürün koduyla ürün kartının eşleşmesi, mağaza kodunun tüm tablolarda aynı yazılması temel kontrollerdir. Perakendede en sık veri sorunları şunlardır: iade fişlerinin eksi satış olarak ayrı işlenmemesi, aynı ürünün farklı kodlarla yaşaması, müşteri kartı olmayan alışverişlerin tek bir sahte müşteri altında toplanması ve kampanya fiyatının liste fiyatından ayrışmaması.

İlk iş, bu sorunları listeleyip hangisinin hangi analizi bozduğunu not etmektir. Örneğin sahte müşteri kodu, müşteri segmentasyonunu bozar ama mağaza satış raporunu etkilemez.

Satış analitiği: doğru göstergelerle başlayın

Bir satış raporu tek bir ciro rakamından ibaret değildir. Mağaza ve kategori bazında şu göstergeler birlikte okunur: • Fiş sayısı: kaç alışveriş yapıldığı • Ortalama sepet tutarı: ciro bölü fiş sayısı • Sepetteki ürün adedi: ortalama sepet büyüklüğü • Metrekare başına satış ve çalışan başına satış: mağazalar arası kıyas için • Marj: ciro değil, maliyet düşüldükten sonraki kazanç • Aynı mağaza karşılaştırması: geçen dönemde de açık olan mağazalarla büyüme

Ciro arttığında nedenini ayırmak gerekir: daha fazla müşteri mi geldi, müşteri başına sepet mi büyüdü, yoksa fiyat mı yükseldi? Bu üçü ayrıştırılmadan alınan karar yanlış yöne gidebilir. Örneğin trafik düşerken ortalama sepet artıyorsa, indirim kampanyası yerine müşteri çekmeye odaklanmak daha doğru olabilir.

Raporun kullanıcıya göre katmanlanması da önemlidir. Mağaza müdürü günlük satışı ve kategori sıralamasını, kategori yöneticisi marj ve stok devrini, yönetim ise bölge karşılaştırmasını görmek ister. Tek bir dev tablo yerine her role kendi sorusunu yanıtlayan bir panel tasarlayın.

RFM ile müşteri segmentasyonu nasıl yapılır?

RFM, müşteriyi son alışveriş zamanına (Recency), alışveriş sıklığına (Frequency) ve toplam harcamasına (Monetary) göre sınıflandırır. Müşteri kartlı satış verisi varsa bu ölçüler tek bir sorguyla çıkar. Örnek bir sorgu:

SELECT customer_id, MAX(fis_tarihi) AS son_alisveris, COUNT(DISTINCT fis_no) AS siklik, SUM(tutar) AS harcama FROM satis_satirlari WHERE customer_id IS NOT NULL GROUP BY customer_id

Sonraki adım her ölçüyü eşit dilimlere bölüp puanlamaktır; yakın tarihli alışveriş yüksek puan, uzun süredir gelmeyen düşük puan alır. Puanların birleşiminden anlamlı gruplar çıkar: sık gelen ve çok harcayan sadık müşteriler, geçmişte düzenli alışveriş yapıp uzun süredir gelmeyen kaybedilmek üzere olanlar, yeni gelip tekrar etmeyenler.

Segmentasyonun değeri eyleme bağlandığında ortaya çıkar. Sadık müşteriye erken ürün erişimi, kaybedilmek üzere olana kişisel hatırlatma, yeni müşteriye ikinci alışverişi teşvik eden küçük bir tutundurma sunulabilir. Sık yapılan hata, segmentleri yalnız rapor olarak bırakmak ve hiçbir kampanyayı bu gruplara bağlamamaktır. Bir diğer hata, kartsız alışverişi dışarıda bırakıp müşteri tabanını olduğundan küçük görmektir; analiz bu sınırı raporda belirtmelidir.

Sepet analizi: birlikte satın alınanı bulmak

Sepet analizi (market basket analysis), hangi ürünlerin aynı fişte birlikte göründüğünü inceler. Temel ölçüler şunlardır: destek, ürün çiftinin tüm fişlerdeki payıdır; güven, A ürününü alanların ne kadarının B ürününü de aldığını gösterir; lift ise bu birlikteliğin tesadüfen beklenenden ne kadar güçlü olduğunu söyler. Lift birin üzerindeyse ürünler tesadüfen beklenenden sık birlikte alınıyordur.

Örnek kullanım: Bir gıda zincirinde makarna ile sos çiftinin lifti yüksek çıkarsa, sosu makarna reyonuna yakın yerleştirmek ya da ortak kampanya yapmak denenebilir. Giyimde pantolon alan müşterinin kemer alma eğilimi, kasa önü ürün seçimini yönlendirebilir.

Dikkat edilecek noktalar: • Çok satan ürünler her şeyle birlikte görünür; yalnız destek değil lift ile birlikte değerlendirin • Çok nadir ürünlerde çift sayısı küçük kalır; sonuç gürültülü olur • Birliktelik nedensellik değildir; bulguyu küçük bir yerleşim ya da kampanya denemesiyle sınayın • Fişleri mağaza formatına göre ayırın; büyük ve küçük mağazalarda sepet davranışı farklıdır

Sonuç tablosu, ürün çifti ve bu ölçülerden oluşan bir liste olur; bunu kategori yöneticisine görsel yerleşim önerisiyle birlikte sunmak tabloyu karara çevirir.

Talep tahmini ve mağaza performans analizi

Talep tahmini, ürün ve mağaza bazında gelecek satışı öngörerek sipariş ve stok kararını destekler. Basit bir başlangıç, geçmiş haftaların hareketli ortalamasıdır; sonra mevsimsellik (aynı haftanın geçen yılki değeri), takvim etkileri (bayram, maaş günü, hafta sonu) ve kampanya etkisi eklenir. Karmaşık modelden önce basit bir referans tahmin kurun: gelişmiş model bu referanstan iyi değilse eklediği karmaşıklık işe yaramamıştır.

Özel durumlar ayrı ele alınır. Yeni ürünün geçmişi yoktur; benzer ürünün ilk haftalarına bakılır. Stoksuz kalan günlerin satışı gerçek talebi yansıtmaz; bu günler modelde işaretlenmelidir. Kampanyalı dönemler normal dönemden ayrı değerlendirilir.

Mağaza performansında amaç, mağazaları benzer mağazalarla kıyaslamaktır. Büyüklük, bölge ve format olarak benzeşen grup içinde satış, marj, stok devri ve fire farkına bakılır. Grubun altında kalan mağazada nedeni anlamak için müşteri trafiği, dönüşüm (giren müşteri ile fiş sayısı), ortalama sepet ve personel saatleri incelenir. Böylece aynı sapmanın farklı nedenleri ayırt edilir: trafik düşükse konum ya da görünürlük, dönüşüm düşükse mağaza içi hizmet ve stok bulunurluğu öne çıkar.

Görselleştirme, paneller ve sık yapılan hatalar

Panel tasarımında kural, her grafiğin tek bir soruyu yanıtlamasıdır. Zaman içindeki değişim için çizgi, kategori kıyası için çubuk, parçaların toplam içindeki payı için sınırlı sayıda dilimli gösterim kullanılır. Panelin üstünde tarih ve mağaza filtreleri bulunur; ilk bakışta okunacak birkaç ana gösterge en üstte durur. Yararlı bir panel kullanıcıya hangi aksiyonu alacağını söyler: sıradan ayrışan mağazayı vurgular, stok riskini işaretler.

Sık yapılan hatalar: • Ciroyu marj ve stokla birlikte okumadan karar vermek • Kampanya dönemini normal dönemle karıştırarak büyümeyi yanlış okumak • Veri kalitesini kontrol etmeden panele geçmek; iade, çift kod ve eksik mağaza sorunları sonucu bozar • Her mağazaya aynı hedefi vermek • Bulguyu denemeye çevirmeden raporda bırakmak

Yapay zeka destekli araçlar tahmin ve anomali tespitinde yardımcı olabilir, ancak girdi verisi kirliyse çıktı da güvenilmez olur. Önce veri tanımlarını sabitleyin, sonra otomasyona geçin.

Mindset programlarında bu beceriyi nerede çalışırsınız?

Mindset kataloğundaki Perakendede Veri Analitiği programı, perakende verisini iş kararına çevirmek isteyen analistler ve kategori, operasyon ya da mağaza yöneticileri için tasarlanmıştır. Program perakende veri ekosistemi, satış analitiği ve raporlama, müşteri segmentasyonu ve RFM analizi, talep tahmini ve planlama, mağaza performans analitiği ile veri görselleştirme ve panel araçları başlıklarını işler; son modülde yapay zekanın perakende analitiğindeki yerini ele alır.

Kurumsal ekipler için uygulanabilir yanı, analist ile iş birimi arasındaki ortak dili kurmasıdır: kategori yöneticisi hangi soruyu soracağını, analist hangi veriyle yanıtlayacağını aynı çerçevede çalışır. Stok tarafını derinleştirmek isteyenler için Perakendede Talep Tahmini ve Perakendede Stok ve Kayıp Yönetimi programları tamamlayıcıdır.