Problem
Web sitesi ve sipariş verileri, trafik kalitesini, dönüşüm davranışını ve kanal bazında ticari performansı açıklayan raporlama modeline dönüştürülmelidir.
Teknik vaka çalışması
E-commerce Marketing & Web Performance Analytics
dbt/BigQuery veri katmanı, DuckDB CI, Power BI, DAX, Olist analizi, kohort/RFM SQL ve istatistiksel testleri birleştiren analitik mühendisliği ve BI çalışması.
Teknik açıklamalar Türkçeye çevrilmiştir. Sonuç metriklerinin ölçüm koşulları, başarısız denemeler ve kaynak bağlantıları özgün proje kanıtlarıyla aynı kapsamda korunur.
Hızlı teknik inceleme
Teknik vaka çalışması: dört temel nokta.
Mimari
Üç katmanlı dbt mimarisi BigQuery içinde BI için hazır dört mart oluşturur. Modeller Jinja dispatch ile farklı adaptörlerde çalışır; aynı kod ve 57 test, veri ambarı kimlik bilgileri olmadan DuckDB ortamında yeniden çalıştırılabilir.
Sonuçlar
10 dbt modeli + BI için hazır 4 mart
Sınırlamalar ve kapsam
Herkese açık Olist analizi EDA, kohort bazlı tutma, RFM segmentleme, teslimat analizi, T-testi, ANOVA ve ki-kare iş akışlarını içerir.
Kaynaklarda yayımlanmış teknik kanıtlar kullanılmıştır. Ölçüm koşulları için tam vaka çalışmasını inceleyin.
Kanıta dayalı görsel inceleme
Projenin gerçek çıktılarını inceleyin.
Gerçek proje ekran görüntüleri ve kaynak figürleri, kaynaklarıyla birlikte sunulur.
Kaynak depoda yayımlanan görsel
Kaynak depoda yayımlanan ekran görüntüsüdür; mevcut geliştirmeden daha eski olabilir.
Yayımlanmış kaynağı aç10 dbt modeli + BI için hazır 4 mart
73 dbt testi + 57 DuckDB CI testi
680,450 oturumda ki-kare p 0.15
Belgelenmiş 30 DAX ölçüsü
Yaklaşık 99K Olist siparişi analiz edildi
Proje kanıtları
Doğrulanabilir dış kaynaklar
Son doğrulama 2026-10-05
Problem ve yaklaşım
Problem
Web sitesi ve sipariş verileri, trafik kalitesini, dönüşüm davranışını ve kanal bazında ticari performansı açıklayan raporlama modeline dönüştürülmelidir.
Mimari
Üç katmanlı dbt mimarisi BigQuery içinde BI için hazır dört mart oluşturur. Modeller Jinja dispatch ile farklı adaptörlerde çalışır; aynı kod ve 57 test, veri ambarı kimlik bilgileri olmadan DuckDB ortamında yeniden çalıştırılabilir.
İstatistiksel doğrulama
Kanal sıralaması varsayılmaz, istatistiksel olarak test edilir. 680,450 oturumda ki-kare testi trafik kaynaklarının eşit dönüşüm oranına sahip olduğu hipotezini reddetmez. Bu nedenle depo kanal büyütme önerisi vermek yerine sıralamanın gelir ve hacme dayandığını belirtir.
Veri yönetişimi
Doğrudan kimlik bilgileri, ayrı erişim kontrolü bulunan staging katmanında tutulur. Kullanıcı boyut tablosunda ad, ham e-posta ve sokak adresi çıkarılır; e-posta yalnızca özet değeri ve alan adına indirgenir, koordinatlar yaklaşık 11 km hassasiyete yuvarlanır. Eylül 2026 incelemesinde bir ara görünümün kullanıcı özelliklerini tüm olay satırlarına ekleyerek ad ve e-postaları hiçbir alt sistemin okumadığı görünüme taşıdığı bulundu; gereksiz birleştirme kaldırıldı.
Analizin kapsamı
Herkese açık Olist analizi EDA, kohort bazlı tutma, RFM segmentleme, teslimat analizi, T-testi, ANOVA ve ki-kare iş akışlarını içerir.
Neden önemli?
Modellenmiş veri, BI teslimi, analitik SQL ve istatistiksel testlerin birbirinden ayrı ama bağlantılı teknik kanıtlar olarak sunulabildiğini gösterir.
Mimari ve analiz
- Web performansı, sipariş pazarlaması, müşteriler ve ürünler için 10 dbt modeli ve BI için hazır dört mart oluşturur.
- 73 dbt testi kullanır; 57 test kimlik bilgisi gerektirmeyen DuckDB CI ortamında çalışır.
- Kanal sıralamasının gerçek fark içerip içermediğini raporlamadan önce sınar ve olumsuz sonucu kanal önerisi yapmadan açıklar.
- Üç sayfalı Power BI raporunu ve belgelenmiş 30 DAX ölçüsünü kohort, RFM, EDA ve istatistiksel analiz notebooklarına bağlar.
Test ve doğrulama
- BigQuery üretim ve DuckDB yerel/CI doğrulaması için farklı adaptörlerde çalışan dbt modelleri
- 680,450 oturumlu ki-kare anlamlılık testi ve yeniden üretilebilir analiz sorgusu
- Doğrudan kimlik bilgileri yayımlamayan; e-postayı hashleyen ve koordinatları yuvarlayan kullanıcı boyut tablosu
- 30 belgelenmiş DAX ölçüsü olan üç sayfalı Power BI raporu
- EDA, kohort, RFM ve hipotez testleri için Olist Python/DuckDB notebookları
Operasyonel değer
- Üç Olist hipotez testini etki büyüklükleriyle yeniden yorumlar: teslimat hızı d = 0.36, kategori eta-kare 0.038, ödeme yöntemi V = 0.035, vade sonrasına kalan teslimat d = 1.45.
- 10 dbt modeli, BI için hazır dört mart ve 73 dbt testi sunar; bunların 57 tanesi DuckDB CI içinde kimlik bilgisi olmadan çalışır.
- 680,450 oturum üzerinde dönüşümün trafik kaynaklarına göre ölçülebilir farklılık göstermediğini ortaya koyar (ki-kare 6.73, serbestlik derecesi 4, p 0.15); bunun gösterge paneli sıralamasındaki anlamını açıklar.
- Üç sayfalı Power BI raporlama ekranında 30 DAX ölçüsünü belgeler.
- Yaklaşık 99K Olist siparişini kohort, RFM, EDA, T-testi, ANOVA ve ki-kare yöntemleriyle analiz eder.
Nasıl incelenir
- Modellenmiş raporlama katmanını anlamak için işe alım özetinden ve dbt mart tanımlarından başlayın.
- Power BI ve DAX kanıtlarından önce DuckDB CI akışı ile test kapsamını inceleyin.
- Kohort, RFM ve istatistiksel analiz derinliğini BI katmanından ayrı incelemek için Olist notebooklarına başvurun.