Veri Madenciliğinde Birliktelik Analizi: Tarihsel Gelişimi, Matematiksel Temelleri ve Stratejik Rolü

Birliktelik analizi (Association Rule Learning), büyük veri setlerindeki farklı öğeler arasında gizli kalmış anlamlı ilişkileri ve örüntüleri (patern) keşfetmek için kullanılan temel bir makine öğrenmesi ve veri madenciliği yöntemidir. Perakende sektöründe Sepet Analizi (Market Basket Analysis) adıyla bilinen bu yöntem, tüketicilerin hangi ürünleri eşzamanlı satın alma eğiliminde olduğunu belirleyerek olaylar arası nedensellik ve eşzamanlılık kuralları koyar.
Nasıl ve Neden Ortaya Çıktı?
Birliktelik analizi akademik bir meraktan ziyade, perakende sektörünün teknolojik dönüşümüyle tetiklenen ticari bir zorunluluktan doğmuştur. 1980'lerin sonu ve 1990'ların başında süpermarketlerde POS sistemlerinin standartlaşmasıyla, işletmeler devasa boyutlarda transactional data biriktirmeye başladı.
Bu veri yığınını salt stok takibi sınırlarından değiştirip kârlılığa dönüştürme ihtiyacı, 1993 yılında IBM Araştırma Merkezi'nde çalışan Rakesh Agrawal, Tomasz Imieliński ve Arun Swami'yi harekete geçirdi. Ekibin yayımladığı makale, büyük veri tabanlarındaki sepet hareketlerini tarayıp gizli satın alma örüntülerini matematiksel olarak kanıtlayan algoritmanın temellerini oluşturdu. 1994 yılında Agrawal ve Srikant tarafından geliştirilen Apriori Algoritması ile bu süreç optimize edildi ve bilgisayarların milyonlarca satır veriyi saniyeler içinde analiz edebilmesi sağlandı. Efsaneleşen "cuma akşamları bebek bezi alan babaların sıklıkla bira da satın aldığı" keşfi, bu algoritmik dönüm noktasının en popüler yansımasıdır.
Neden Kullanılır? (Stratejik Uygulama Alanları)
Günümüzde modern işletmeler, içgüdüsel karar alma mekanizmalarını terk ederek birliktelik analizinin sunduğu matematiksel kanıtları şu alanlarda kullanır:
Çapraz Satış ve Kişiselleştirme: E-ticaret platformlarında ve dijital içerik servislerinde (Netflix, Spotify) "Bunu alanlar/izleyenler şunları da tercih etti" algoritmalarını besleyerek ciro ve etkileşim artışı sağlamak.
Merchandising ve Mağaza Yerleşimi: Fiziksel ve dijital mağazalarda, birbiriyle yüksek korelasyona sahip ürünleri birbirine yakın veya bağlantılı konumlandırarak müşterinin alışveriş rotasını satışa dönüştürmek.
Dinamik Fiyatlandırma: Birlikte satın alınma olasılığı yüksek olan A ve B ürünleri için stratejik paketler oluşturmak. (Örneğin; lider ürünün fiyatını rekabetçi tutup, yüksek güven oranına sahip yan ürünün kâr marjını artırmak).
Tedarik Zinciri Optimizasyonu: Bir ürünün stok tükenme durumunun (out-of-stock), sepet korelasyonu yüksek olan diğer ürünlerin satışlarını nasıl negatif etkileyeceğini öngörerek akıllı envanter yönetimi yapmak.
Matematiksel Temelleri: Kurallar Nasıl Hesaplanır?
Birliktelik kuralları X⇒Y (Eğer X gerçekleşirse, Y de gerçekleşir) formatında ifade edilir. Burada X öncül (antecedent), Y ise sonuçtur (consequent). Tesadüfi alımları gerçek örüntülerden ayırmak için algoritmalar üç temel olasılık metriğine dayanır:

1. Destek (Support): Bir kuralın veya ürün grubunun analiz edilen tüm işlemler (sepetler) içinde görülme olasılığıdır. Algoritmanın "popülerlik" filtresidir. Çok nadir satılan ürünlerin yarattığı gürültüyü elemek için minimum destek (min_sup) eşiği kullanılır. İşlem sayısı N olmak üzere:

Support(X⇒Y)=P(X∪Y)="Frekans" (X,Y)/N

2. Güven (Confidence): X ürününü içeren sepetlerin yüzde kaçında Y ürününün de bulunduğunu gösteren koşullu olasılık metriğidir. Kuralın güvenilirliğini ölçer.

Confidence(X⇒Y)=P(Y|X)=Support(X∪Y)/Support(X)

3. Kaldıraç (Lift): İki ürünün birlikte satılma olasılığının, birbirinden tamamen bağımsız olarak satılma olasılıklarına kıyasla ne kadar güçlü bir ilişkiye sahip olduğunu ölçer. Kuralın gerçek etkisini gösteren en kritik metriktir.
   4.Lift(X⇒Y)=Confidence(X⇒Y)/Support(Y) =P(X∪Y)/P(X)P(Y)
   Lift>1: X ve Y arasında pozitif bir bağ vardır. X'in varlığı, Y'nin satılma ihtimalini artırır.
   Lift=1: X ve Y birbirinden tamamen bağımsızdır.
   Lift<1: X ve Y birbirinin ikamesidir (negatif korelasyon); biri alınırken diğeri tercih edilmez.

Kaynak
Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD international conference on Management of data (pp. 207-216).
Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. Proc. 20th int. conf. very large data bases, VLDB (Vol. 1215, pp. 487-499).