Sıfırdan Python ilə Data Analitika Bələdçisi: Biznes Qərarlarını Data ilə Verməyin Yolları

Müasir biznes dünyasında ən qiymətli aktiv məlumatdır (data). Hər gün milyardlarla bayt məlumat istehsal olunur, lakin bu məlumatları oxuya, analiz edə və onlardan strateji qərarlar çıxara bilməyən şirkətlər rəqabətdə geri qalırlar. Məhz bu nöqtədə data analitikası və bu sahənin ən güclü aləti olan Python proqramlaşdırma dili köməyə çatır.

Python, sadə sintaksisi, geniş kitabxana ekosistemi və güclü icma dəstəyi ilə həm yeni başlayanlar, həm də peşəkar analitiklər üçün ideal seçimdir. Bu bələdçidə biz sıfırdan Python ilə data analitikasının əsaslarını, ən çox istifadə olunan kitabxanaları və real biznes məlumatları üzərində praktiki tətbiq addımlarını araşdıracağıq.

---

Data Analitikası Nədir və Biznes üçün Niyə Vacibdir?#

Data analitikası, xam məlumatların toplanması, təmizlənməsi, çevrilməsi və mənalı nəticələr əldə etmək üçün modelləşdirilməsi prosesidir. Bizneslər bu proses vasitəsilə müştəri davranışlarını anlayır, satış trendlərini proqnozlaşdırır və əməliyyat xərclərini optimallaşdırırlar.

"Data ilə dəstəklənməyən hər hansı bir rəy sadəcə fərziyyədir. Müasir rəqabət mühitində uğur qazanmaq üçün instinktlərə deyil, rəqəmlərə güvənməliyik."

Biznesdə data analitikasının dörd əsas növü var:

1. Təsviri Analitika (Descriptive): "Nə baş verdi?" sualına cavab verir (Məsələn, keçən ayın ümumi satışı).
2. Diaqnostik Analitika (Diagnostic): "Niyə baş verdi?" sualını araşdırır (Məsələn, satışların niyə 15% düşməsi).
3. Proqnozlaşdırıcı Analitika (Predictive): "Gələcəkdə nə baş verə bilər?" sualını cavablandırır (Məsələn, növbəti rübdə tələb artımı).
4. Preskriptiv Analitika (Prescriptive): "Nə etməliyik?" sualına yol göstərir (Məsələn, mənfəəti artırmaq üçün optimal qiymət strategiyası).

---

Python-un Data Analitikasında Rolu və Alətlər Müqayisəsi#

Data analizi üçün Excel, SQL, Tableau və R kimi bir çox alət mövcuddur. Lakin Python-un populyarlığı son illərdə sürətlə artmışdır. Gəlin bu alətləri əsas parametrlərə görə müqayisə edək:

Excel kiçik hesabatlar üçün faydalı olsa da, milyonlarla sətirdən ibarət böyük verilənlər bazaları (Big Data) və mürəkkəb riyazi hesablamalar üçün Python əvəzolunmazdır.

---

Python Data Analitikası Ekosistemi: Əsas Kitabxanalar#

Python-da data analizi apararkən hər bir iş üçün xüsusi hazırlanmış kitabxanalardan (libraries) istifadə edirik. Ən vacib dörd kitabxana bunlardır:

1. NumPy (Numerical Python)

Çoxölçülü massivlər (arrays) və matrislərlə işləmək üçün əsas kitabxanadır. Riyazi və məntiqi əməliyyatları yüksək sürətlə yerinə yetirir.

2. Pandas

Data analitiklərinin ən çox vaxt keçirdiyi kitabxanadır. Cədvəl formalı məlumatları (Excel və ya SQL cədvəlləri kimi) idarə etmək, təmizləmək və analiz etmək üçün istifadə olunur. Əsas strukturları Series (təkölçülü) və DataFrame (ikiölçülü cədvəl) adlanır.

3. Matplotlib və Seaborn

Məlumatları vizuallaşdırmaq, yəni qrafiklər, diaqramlar və xəritələr yaratmaq üçün istifadə olunur. Seaborn, Matplotlib üzərində qurulmuşdur və daha estetik vizuallar təqdim edir.

4. Scikit-learn

Məlumatlar üzərində proqnozlar vermək, müştəriləri qruplaşdırmaq (clustering) və maşın öyrənməsi modelləri qurmaq üçün istifadə olunan ən populyar kitabxanadır.

---

Praktiki Tətbiq: Python ilə Satış Məlumatlarının Analizi#

İndi isə real bir ssenari üzərindən Python ilə data analizi prosesini addım-addım tətbiq edək. Təsəvvür edin ki, əlimizdə bir e-ticarət mağazasının satış məlumatlarını ehtiva edən CSV faylı var. Biz bu məlumatları təmizləməli, ümumi gəliri hesablamalı və ən çox satılan məhsulları tapmalıyıq.

Addım 1: Kitabxanaların Qoşulması və Məlumatın Oxunması

İlk növbədə lazımi kitabxanaları layihəmizə daxil edirik və məlumat bazamızı yükləyirik.

# Lazımi kitabxanaları idxal edirik
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# CSV formatındakı satış məlumatlarını oxuyuruq
# Real layihədə bu fayl 'sales_data.csv' adlana bilər
data = {
    'Sifaris_ID': [101, 102, 103, 104, 105, 106, 107],
    'Mehsul': ['Smartfon', 'Noutbuk', 'Smartfon', 'Qulaqlıq', 'Noutbuk', 'Monitor', 'Qulaqlıq'],
    'Miqdar': [2, 1, np.nan, 3, 1, 2, 5], # np.nan boş buraxılmış məlumatı göstərir
    'Qiymet': [800, 1500, 800, 150, 1500, 300, 150],
    'Seher': ['Baku', 'Ganja', 'Baku', 'Sumqayit', 'Baku', 'Ganja', 'Baku']
}

df = pd.DataFrame(data)
print("İlkin Məlumat Cədvəli:")
print(df)

Addım 2: Eksplorativ Data Analizi (EDA) və Təmizləmə

Məlumatlarda boşluqlar (missing values) və ya səhvlər ola bilər. Analizə başlamazdan əvvəl bunları təmizləməliyik.

# Boş (NaN) dəyərlərin olub-olmadığını yoxlayırıq
print("\nBoş dəyərlərin sayı:")
print(df.isnull().sum())

# Boş olan Miqdar dəyərlərini median (orta) dəyərlə doldururuq
median_miqdar = df['Miqdar'].median()
df['Miqdar'] = df['Miqdar'].fillna(median_miqdar)

# Hər sifariş üçün ümumi məbləği hesablayırıq (Miqdar * Qiymət)
df['Umumi_Mebleg'] = df['Miqdar'] * df['Qiymet']

print("\nTəmizlənmiş və Hesablanmış Data:")
print(df)

Addım 3: Biznes Suallarına Cavab Tapmaq

İndi isə təmizlənmiş data üzərindən biznes üçün kritik suallara cavab tapaq.

# 1. Ümumi mağaza gəliri nə qədərdir?
umumi_gelir = df['Umumi_Mebleg'].sum()
print(f"\nÜmumi Mağaza Gəliri: {umumi_gelir} AZN")

# 2. Şəhərlər üzrə ümumi satış payı necədir?
seher_satislari = df.groupby('Seher')['Umumi_Mebleg'].sum()
print("\nŞəhərlər üzrə Satış:")
print(seher_satislari)

# 3. Ən çox satılan məhsul hansıdır?
mehsul_satislari = df.groupby('Mehsul')['Miqdar'].sum().sort_values(ascending=False)
print("\nMəhsulların Satış Miqdarı:")
print(mehsul_satislari)

Addım 4: Nəticələrin Vizuallaşdırılması

Məlumatları vizual olaraq təqdim etmək qərarların daha tez verilməsinə kömək edir. Şəhərlər üzrə satış qrafikini çəkək:

# Qrafik yaradırıq
plt.figure(figsize=(8, 5))
plt.bar(seher_satislari.index, seher_satislari.values, color='skyblue')
plt.title('Şəhərlər üzrə Ümumi Satış Gəliri')
plt.xlabel('Şəhər')
plt.ylabel('Gəlir (AZN)')
plt.grid(axis='y', linestyle='--', alpha=0.7)

# Qrafiki göstəririk
plt.show()

---

Biznes Qərarlarında Data Analitikasının Tətbiqi Metodologiyası#

Uğurlu bir data analitikası layihəsi yalnız kod yazmaqdan ibarət deyil. Proses müəyyən bir çərçivədə aparılmalıdır. Biznesdə buna CRISP-DM (Cross-Industry Standard Process for Data Mining) metodologiyası deyilir:

1. Biznesin Anlanması: Hansı problemi həll edirik? (Məsələn, müştəri itkisini azaltmaq).
2. Məlumatın Anlanması: Hansı dataya sahibik və haradan toplayacağıq?
3. Məlumatın Hazırlanması: Boşluqların doldurulması, lazımsız sütunların silinməsi.
4. Modelləşdirmə və Analiz: Statistik analiz və ya maşın öyrənməsi tətbiqi.
5. Qiymətləndirmə: Əldə olunan nəticələr biznes hədəflərinə uyğundurmu?
6. Tətbiqetmə (Deployment): Nəticələrin idarəetmə panelinə (dashboard) köçürülməsi və qərarların verilməsi.

---

Nəticə və Gələcəyə dair Tövsiyələr#

Python ilə data analitikası, müasir biznes idarəçiliyində sadəcə texniki bir bacarıq deyil, həm də strateji bir üstünlükdür. Data əsaslı qərarlar verən şirkətlər, fərziyyələrlə hərəkət edən rəqiblərinə nisbətən daha sürətli və effektiv böyüyürlər.

Əgər bu sahəyə yeni başlayırsınızsa, aşağıdakı addımları izləməyiniz tövsiyə olunur:

• Python-un əsaslarını öyrənin: Dəyişənlər, dövrlər (loops) və funksiyalar.
• Pandas kitabxanasında ixtisaslaşın: Real Excel fayllarını Python-a yükləyib analiz etməyə çalışın.
• SQL öyrənin: Çünki real biznes dünyasında məlumatlar verilənlər bazalarında saxlanılır və onları Python-a gətirmək üçün SQL bilikləri vacibdir.
• Kiçik layihələr edin: Kaggle və ya GitHub kimi platformalarda pulsuz data setləri taparaq öz analiz portfolionuzu yaradın.