PortfolyoPortfolio

Açık verilerle hazırladığım analizler. Her biri bir soruyla başlıyor, bulgularla ilerliyor ve bir öneriyle bitiyor.

Analyses built on open data. Each starts with a question, works through the findings and ends with a recommendation.

Araçlar:Tools: SQL, Python, Power BI, BigQuery, Excel

Müşteri analitiği: gelir kimden geliyor, kim kaybolmak üzere? Customer analytics: who drives revenue, and who is about to leave?

Bir online perakendecinin iki yıllık satış verisiyle hazırladığım CRM raporu. Müşterileri RFM skorlarıyla segmentlere ayırıyor, kohort analiziyle elde tutmayı ölçüyor ve her segmenti somut bir aksiyona ve kampanyaya hazır bir hedef listesine dönüştürüyor.

A CRM report built on two years of sales from an online retailer. It segments customers with RFM scores, measures retention with cohort analysis, and turns each segment into a concrete action and a campaign-ready target list.

Canlı rapor. Alttaki oklarla sayfalar arasında gezinebilir, Target lists sayfasında segment seçerek listeyi değiştirebilirsiniz. Live report. Use the arrows at the bottom to move between pages, and pick a segment on the Target lists page to change the list. Tam ekranda açOpen full screen

AraçTool: Power BI (Power Query, DAX)
VeriData: Online Retail II (UCI, CC BY 4.0). İngiltere merkezli bir online hediyelik eşya satıcısının Aralık 2009 – Aralık 2011 işlemleri; temizlik sonrası 776.579 satır, 5.852 müşteri. Online Retail II (UCI, CC BY 4.0). Transactions of a UK-based online gift-ware retailer, Dec 2009 to Dec 2011; 776,579 lines and 5,852 customers after cleaning.
KapsamScope: 4 sayfa: yönetici özeti, RFM segmentleri, elde tutma (kohort), hedef listeleri 4 pages: executive summary, RFM segments, retention (cohorts), target lists
YöntemMethod: Power Query'de veri temizliği (iki sayfada tekrar eden 1–9 Aralık 2010 satırları dahil), RFM skorları, kohort ısı haritası, ikinci sipariş süresi analizi Data cleaning in Power Query (including the 1–9 Dec 2010 rows repeated in both sheets), RFM scores, cohort heatmap, time-to-second-order analysis

SoruQuestion

Gelir hangi müşterilerden geliyor ve hangileri kaybolmak üzere?

Which customers drive revenue, and which ones are slipping away?

İki yılda 36.594 siparişten £17,07M gelir.

£17.07M of revenue from 36,594 orders over two years.

Öne çıkan bulgularKey findings

%5252% Champions segmentinin gelir payı; bu müşteriler tabanın sadece %14'üRevenue share of Champions, who are only 14% of customers
£1,52M£1.52M Son siparişi yaklaşık bir yıl önce olan 709 At Risk ve Can't Lose Them müşterisinin toplam harcamasıSpent by 709 At Risk and Can't Lose Them customers whose last order was about a year ago
−%54−54% Ocak–Kasım 2011'de yeni müşteri sayısındaki düşüş; gelir buna rağmen sabit kaldıDrop in new customers in Jan–Nov 2011, while revenue stayed flat
63 gün63 days İkinci siparişe kadar geçen medyan süre; ikinci siparişlerin %61'i ilk 90 günde geliyorMedian time to a second order; 61% of second orders arrive within 90 days

ÖneriRecommendation

Gelirin %82'sini mevcut müşteri tabanı taşıyor. Champions segmentini sonbahar sezonu öncesinde erken erişim ve özel hizmetle korumak, At Risk ve Can't Lose Them müşterilerini yaz sonunda en yüksek harcayandan başlayarak geri kazanmak gerekiyor.

The existing customer base carries 82% of revenue. Protect Champions with early access and service before the autumn peak, and win back At Risk and Can't Lose Them customers in late summer, starting with the highest spenders.

Yeni müşterilere ilk siparişten 30–60 gün sonra ikinci sipariş teklifi göndermek ve müşteri kazanımını sezon öncesinde yeniden güçlendirmek de raporun öne çıkan önerileri.

The report also recommends a second-order offer 30–60 days after the first purchase, and rebuilding customer acquisition before the peak season.

İK analitiği: çalışanlar neden ayrılıyor? HR analytics: why do employees leave?

Bir şirkette çalışanların neden ayrıldığını anlamak için hazırladığım Power BI raporu. Önce işgücünün yapısını ve ayrılma oranlarını ortaya koyuyor, ardından seyahat, maaş, işe uzaklık, kademe ve işe bağlılık gibi etkenleri tek tek inceliyor. Bulguları da yöneticilerin uygulayabileceği önerilere bağlıyor.

A Power BI report built to understand why employees leave a company. It first maps the workforce and its attrition rates, then examines factors such as travel, pay, commute distance, job level and involvement one by one, and ties the findings to actions managers can take.

Canlı rapor. Alttaki oklarla sayfalar arasında gezinebilir, grafiklere tıklayarak filtreleyebilirsiniz. Live report. Use the arrows at the bottom to move between pages, and click the charts to filter. Tam ekranda açOpen full screen

AraçTool: Power BI
VeriData: IBM HR Analytics Employee Attrition & Performance. Kaggle'da yayımlanan açık ve kurgusal veri seti: 1.470 çalışan, 35 değişken. IBM HR Analytics Employee Attrition & Performance. An open, fictional dataset published on Kaggle: 1,470 employees, 35 variables.
KapsamScope: 8 sayfa: İK genel bakış, ayrılma analizi, ayrılma nedenleri, çalışan memnuniyeti, departman detayı 8 pages: HR overview, attrition analysis, reasons for attrition, employee satisfaction, department detail
YöntemMethod: Yaş, işe uzaklık ve kademe için özel gruplamalar; sayfalar arası gezinme, filtreler ve departman detay sayfası Custom groupings for age, commute distance and job level; page navigation, slicers and a department detail page

SoruQuestion

Hangi çalışanlar ayrılmaya daha yatkın ve bu riski ne azaltır?

Which employees are most likely to leave, and what lowers that risk?

Veri setindeki 1.470 çalışanın 237'si şirketten ayrılmış, yani yaklaşık %16'sı.

237 of the 1,470 employees in the dataset have left, about 16%.

Ayrılma oranının en yüksek olduğu gruplarGroups with the highest attrition

%33,7333.73% İşe bağlılığı düşük olan çalışanlarEmployees with low job involvement
%24,9124.91% Sık iş seyahatine çıkanlarFrequent business travellers
%22,0622.06% İşyerine uzak oturanlarEmployees living far from work
%18,1118.11% Junior kademedekiler; oran kademe yükseldikçe düşüyorJunior-level staff; the rate falls as job level rises

ÖneriRecommendation

Kalma kararını maaş ve hisse opsiyonu kadar fiziksel konfor ve işe bağlılık da belirliyor. Rapor hibrit ve esnek çalışma modellerini, koçlukla netleşen kariyer yollarını ve çalışanlara karar süreçlerinde söz hakkı tanınmasını öneriyor. Bu metriklerin düzenli izlenmesi için bir çalışan deneyimi dashboard'u kurulmasını da tavsiye ediyor.

The decision to stay depends on physical comfort and engagement as much as on pay and stock options. The report recommends hybrid and flexible working, career paths clarified through coaching, and giving employees a say in decisions. It also proposes an employee-experience dashboard to track these metrics over time.

Performans puanının yalnızca iki seviyeden oluştuğunu ve ayrılmayı açıklamakta yetersiz kaldığını da tespit ediyor; daha ayrıntılı bir değerlendirme sistemine ihtiyaç olduğunu not ediyor.

It also flags that performance ratings have only two levels and explain little about attrition, pointing to the need for a more detailed evaluation system.