Power BI ile e-Ticaret Analizi: Gelir, Dönüşüm ve Müşteri Yaşam Boyu Değeri

Her tıklama, kaydırma ve terk edilen alışveriş sepeti bir veri noktasıdır. E-ticaret, çoğu sektörün bir ayda ürettiğinden daha fazla davranışsal veriyi saat başına üretiyor ve bu verileri kararlara dönüştüren işletmeler, içinde boğulan işletmelerden daha hızlı büyüyor.

Power BI, Shopify, WooCommerce, Magento ve Google Analytics'ten gelen ham veri akışlarını, pazarlama ekiplerinin hangi kampanyaların karlı müşteriler ürettiğini, operasyon ekiplerinin tatminin nerede bozulduğunu gördüğü ve yöneticilerin her kararın net marja nasıl yansıdığını gördüğü entegre bir analiz ortamına dönüştürür. Bu kılavuz, bağlantı mimarisinden büyümeyi destekleyen belirli ölçümlere ve panolara kadar Power BI'daki e-Ticaret analiz yığınının tamamını kapsar.

Önemli Çıkarımlar

• Power BI vitrin, reklam platformu, e-posta ve sipariş karşılama verilerini tek bir gelir görünümünde birleştirir
• Power BI ile dönüşüm hunisi analizi, alışveriş yapanların nerede bıraktığını ortaya çıkarır ve gelir fırsatını ölçer
• Müşteri Yaşam Boyu Değer (CLV) modellemesi, yüksek değeri düşük değerli edinme kanallarından ayırır
• Kohort analizi, müşteriyi elde tutmanın edinme dönemleri boyunca nasıl değiştiğini gösterir
• Ürün performansı analitiği, hangi SKU'ların marjı artırdığını, hangisinin yalnızca hacmi artırdığını belirler
• Power BI'daki pazarlama ilişkilendirme modelleri, çok noktalı müşteri yolculukları boyunca gelir kredisi atar
• Envanter ve talep tahmini yoğun dönemlerde stokların tükenmesini önler
• Gönderim ve sipariş karşılama analizleri geç teslimatları ve iade oranlarını azaltır

---

Power BI'da e-Ticaret Veri Mimarisi

Panolar oluşturmadan önce veri mimarisi sorusunun yanıtlanması gerekir: Veriler nerede yaşıyor ve Power BI'a nasıl giriyor?

Tipik bir e-Ticaret yığınında 8-12 veri kaynağı bulunur:

• Mağaza platformu: Shopify, WooCommerce, Magento, BigCommerce
• Reklam platformları: Google Ads, Meta Reklamlar, TikTok Reklamları, Amazon Reklamcılığı
• Analytics: Google Analytics 4, Segment, Mixpanel
• E-postayla pazarlama: Klaviyo, Mailchimp, Omnisend
• CRM: HubSpot, Salesforce, Klaviyo (çift amaçlı)
• Karşılama: ShipStation, ShipBob, FedEx, UPS API'leri
• Dönüşler: Döngü Dönüşleri, ReturnLogic
• Finans: QuickBooks, Xero, NetSuite

Power BI'ı doğrudan 12 API'ye bağlamak kırılganlık yaratır; tek bir API değişikliği panoyu bozar. Daha iyi mimari, tüm kaynak verilerini Power BI sorgulamadan önce birleştirildiği bir veri ambarına (BigQuery, Snowflake veya Azure Synapse) yerleştirmek için özel bir veri hattı (Fivetran, Airbyte veya özel ETL) kullanır.

Bu mimari, Power BI raporlarının temiz, dönüştürülmüş verilerle çalıştırılması anlamına gelir. Power BI'daki anlamsal model, iş mantığını (gelirin nasıl hesaplandığı, ilişkilendirmenin nasıl atandığı) tek bir yerde tanımlayarak her raporun ve kontrol panelinin tutarlı olmasını sağlar.

---

Gelir Analizi: Temel

Gelir analitiği çoğu e-Ticaret Power BI uygulamasının başlangıç ​​noktasıdır. Amaç şu sorulara yanıt veren bir gösterge tablosudur: Bugün ne kadar kazandık, nereden geldi ve dün, geçen hafta ve geçen yılla karşılaştırıldığında nasıl?

Brüt Ürün Değeri (GMV) ile Net Gelir arasındaki ilk önemli ayrımdır. GMV, verilen tüm siparişleri içerir; net gelirden iadeler, geri ödemeler ve iptal edilen siparişler çıkarılmıştır. Pek çok e-Ticaret analiz aracı GMV'yi gösteriyor çünkü bu daha büyük bir sayı - ancak aslında banka hesabına çarpan net gelir.

Net Revenue =
SUM(Orders[GrossRevenue]) -
SUM(Returns[RefundAmount]) -
SUM(Orders[Discounts]) -
SUM(Orders[ShippingRevenue]) -- if excludin shipping from product revenue

Kanal bazında gelir net gelirin edinme kaynağına göre dökümünü yapar: organik arama, ücretli arama, ücretli sosyal, e-posta, doğrudan, satış ortağı ve pazaryerleri. Bu görünüm, pazarlama ekibine yalnızca trafiği değil, gerçekte hangi kanalların gelir sağladığını söyler.

Ürün kategorisine göre gelir hangi kategorilerin büyüdüğünü, hangilerinin düşüşte olduğunu ve hangilerinin marjı/hacimi artırdığını gösterir. Gelirin %30'unu, ancak brüt kârın yalnızca %10'unu sağlayan bir kategori, zayıf getiriler için orantısız operasyonel kaynakları tüketiyor.

---

Dönüşüm Hunisi Analizi

Dönüşüm hunisi, e-Ticaret analitiğinin en eyleme geçirilebilir içgörüleri ürettiği yerdir. İlk ziyaretten satın alma işleminin tamamlanmasına kadar her adımın bir dönüşüm oranı vardır ve her adımdaki kayıp şelalesi, ölçülmüş gelir fırsatını temsil eder.

Standart e-Ticaret dönüşüm hunisi aşamaları:

1. Oturumlar → Ürün Sayfası Görüntülemeleri (etkileşim oranı)
2. Ürün Sayfası Görünümleri → Sepete Ekle (ürün sayfası dönüşümü)
3. Sepete Ekle → Ödeme Başlatıldı (sepetten vazgeçme)
4. Ödeme Başlatıldı → Satın Alma Tamamlandı (ödeme işleminden vazgeçme)

Power BI huni grafiği, her aşamadaki hacmi ve ayrılma oranını gösterir. En büyük yüzdesel düşüş en büyük fırsatı tanımlar. Sepete ekleyen müşterilerin %70'i ödemeyi terk ederse ve aylık sipariş hacminiz 10.000 ise, terk edilen sepetlerin %20'sini kurtarmak bile ayda binlerce ek siparişe bedeldir.

Dönüşüm hunisinin segmentlere ayrılması, hangi kullanıcı segmentlerinin farklı şekilde dönüşüm sağladığını ortaya çıkarır. Yeni ve geri gelen müşteriler, mobil ve masaüstü müşteriler, trafik kaynağına ve ürün kategorisine göre genellikle önemli ölçüde farklı dönüşüm oranları görülür. Ücretli sosyal medyadan yeni bir mobil ziyaretçi %0,8 oranında dönüşüm gerçekleştirebilir; E-postadan geri dönen bir masaüstü ziyaretçisi %12 oranında dönüşüm gerçekleştirebilir. Pazarlama ve kullanıcı deneyiminin etkileri derindir.

Ödeme adımı analizi özellikle ödemeden vazgeçme konusunu ayrıntılı olarak ele alır. Hangi ödeme adımı en çok alışveriş yapan kişiyi kaybediyor? Yaygın bulgular: nakliye maliyetinin açığa çıkması (müşteri yatırım yaptıktan sonra ilk kez nakliye maliyetlerini gösterir), hesap oluşturma gerekliliği, ödeme formu uzunluğu ve zayıf mobil ödeme kullanıcı deneyimi. Her bulgu belirli bir teste karşılık gelir.

Funnel Conversion Rate =
DIVIDE(
    CALCULATE(COUNTROWS(Sessions), Sessions[HitCheckoutComplete] = TRUE()),
    COUNTROWS(Sessions),
    0
)

Cart Abandonment Rate =
1 - DIVIDE(
    CALCULATE(COUNTROWS(Sessions), Sessions[HitCheckoutComplete] = TRUE()),
    CALCULATE(COUNTROWS(Sessions), Sessions[HitCartAdd] = TRUE()),
    0
)

---

Müşteri Yaşam Boyu Değer Modellemesi

Müşteri Yaşam Boyu Değeri (CLV), sürdürülebilir e-Ticaret büyümesi için en önemli ölçümdür. Şu soruyu yanıtlıyor: Yeni bir müşterinin önümüzdeki 12, 24 veya 36 ayda gerçekte değeri nedir?

CLV her pazarlama kararını değiştirir. Instagram aracılığıyla edinilen müşterilerin ortalama ilk sipariş değerinde 65 ABD doları tutarında dönüşüm sağladığını ancak 12 aylık CLV'nin 95 ABD doları olduğunu, e-postayla yönlendirilen müşterilerin ise ortalama 80 ABD doları ilk sipariş değerinde dönüşüm sağladığını ve 12 aylık CLV'nin 310 ABD doları olduğunu biliyorsanız, pazarlama bütçesine yatırım yapmak için doğru yer açıktır.

Geçmiş CLV hesaplaması zaman içinde müşteri gruplarından elde edilen gerçek gelirin ortalamasını alır:

CLV (12M Historical) =
AVERAGEX(
    FILTER(Customers, Customers[FirstPurchaseDate] <= DATE(2025, 3, 19)),
    CALCULATE(
        SUM(Orders[NetRevenue]),
        DATESINPERIOD(Orders[OrderDate], Customers[FirstPurchaseDate], 12, MONTH)
    )
)

Tahmini CLV gelecekteki değeri tahmin etmek için satın alma sıklığını, ortalama sipariş değerini ve müşteri ömrünü kullanır. BG/NBD modeli (Beta-Geometrik/Negatif Binom Dağılımı), sözleşmesiz e-Ticaret CLV'ye yönelik akademik standarttır. Uygulamada çoğu Power BI uygulaması basitleştirilmiş bir sürüm kullanır: Ortalama Sipariş Değeri × Satın Alma Sıklığı × Beklenen Müşteri Ömrü.

Edinim kanalına göre CLV en fazla işlem yapılabilir görünümdür. Her bir edinme kanalının şunları gösteren bir tablo oluşturun: birinci sipariş dönüşüm oranı, ortalama ilk sipariş değeri, 90 günlük tekrar satın alma oranı, 12 aylık CLV ve müşteri edinme maliyeti. Edinme kanalı verimliliğinin temel ölçüsü olan LTV:CAC oranını elde etmek için CLV'yi CAC'ye bölün.

Yukarıdaki tablo, e-postanın ücretli sosyal medyadan önemli ölçüde daha değerli olduğunu ortaya koyuyor; bu, e-posta listesi oluşturmaya yatırımı yönlendiren ortak bir bulgu.

---

Kohort Analizi

Kohort analizi, aynı dönemde ilk satın alma işlemini gerçekleştiren müşteri gruplarını takip eder ve davranışlarının zaman içinde nasıl geliştiğini gösterir. Şu soruyu yanıtlıyor: Yakın zamanda edindiğimiz müşteriler önceki dönemlerde edindiğimiz müşterilere göre daha mı iyi, daha kötü veya benzer mi davranıyor?

Elde tutma kohortu tablosu standart görselleştirmedir: satırlar satın alma gruplarıdır (ilk satın almanın yapıldığı ay), sütunlar zaman dönemleridir (1. Ay, 2. Ay, ... 12. Ay) ve hücreler, o dönemde satın alma işlemi gerçekleştiren grubun yüzdesini gösterir. Sağlıklı bir e-Ticaret işletmesi, istikrarlı bir kalıcılık gösterir; eğriler sıfıra düşmek yerine düzleşir.

Gelir grubu bunu yalnızca müşterilerin geri dönüp dönmediğini değil aynı zamanda ne kadar harcadıklarını da gösterecek şekilde genişletir. Bazı kohortların getiri oranları yüksek ancak sıralama değerleri düşüyor; diğerlerinin getiri oranları daha düşük ancak sepet boyutları artıyor. Her iki dinamiğin iş sağlığı açısından farklı etkileri vardır.

Kohort büyüklüğü ve satın alma maliyeti takibi üçüncü bir boyut daha ekliyor: Kohortun edinilmesi pahalı mıydı yoksa ucuz muydu? 3. Ayda %35 elde tutma oranı gösteren, 50 ABD doları ortalama CAC'ye sahip 500 müşteriden oluşan bir grup, 3. Ayda %20 elde tutma oranı gösteren 80 ABD doları CAC'ye sahip 2.000 müşteriden oluşan bir gruptan daha değerlidir.

Power BI'da kohort analizi, DAX'taki DATEDIFF hesaplamaları kullanılarak oluşturulur:

Cohort Month =
DATEDIFF(
    RELATED(Customers[FirstPurchaseDate]),
    Orders[OrderDate],
    MONTH
)

---

Pazarlama İlişkilendirmesi

Pazarlama ilişkilendirmesi (bir dönüşüm için onu etkileyen pazarlama temas noktalarına kredi atamak), e-Ticaret analitiğindeki en tartışmalı konulardan biridir. Her kanal aynı dönüşüm için kredi talebinde bulunur; Gerçek şu ki çoğu satın alma birden fazla temas noktası içeriyor.

Son tıklama ilişkilendirmesi, kredinin %100'ünü satın almadan önceki son temas noktasına atar. Bu basit ama doğrudan dönüşüm sağlayan tıklamayı oluşturmadan müşterilere markayı tanıtan farkındalık kanallarını (sosyal, görüntülü reklam, video) sistematik olarak hafife alıyor.

İlk tıklama ilişkilendirmesi ilk temas noktasına %100 kredi verir. Edinme kanalına aşırı değer verir ve müşteriyi geri getiren elde tutma/besleme temas noktalarına gereken değeri vermez.

Doğrusal ilişkilendirme, krediyi müşteri yolculuğundaki tüm temas noktalarına eşit şekilde böler. Her etkileşimi eşit derecede önemli olarak ele alır ve bu nadiren doğrudur.

Veriye dayalı ilişkilendirme, her temas noktasının dönüşüm olasılığı üzerindeki artan etkisine göre kredi atamak için makine öğrenimini kullanır. Bu, Google Ads ve GA4'te mevcuttur ve Power BI, bu ilişkilendirme sonuçlarını diğer pazarlama verileriyle birlikte içe aktarabilir.

Power BI'ın ilişkilendirme analizindeki değeri, ilişkilendirme modellerini hesaplamak değil (kaynak sistemlerde gerçekleşir), birden fazla ilişkilendirme modelini yan yana sunmaktır; böylece pazarlamacılar, kullandıkları modele bağlı olarak bütçe tahsis kararlarının nasıl değiştiğini görebilirler.

---

Ürün Performans Analizi

Tüm ürünler eşit değildir. Bazıları geliri artırır, bazıları marjı artırır, bazıları müşteri kazanımını artırır, bazıları ise tekrar satın almaları teşvik eder. Hangi ürünlerin hangi işleve hizmet ettiğini anlamak, daha iyi satış, satın alma ve fiyatlandırma kararlarına olanak sağlar.

Gelir ve marj matrisi, her ürünü (veya kategoriyi), x ekseninde gelir ve y ekseninde brüt marj yüzdesi olacak şekilde bir dağılım grafiği üzerinde gösterir. Sağ üstteki ürünler (yüksek gelir, yüksek marj) yıldızlardır. Sol alttaki ürünler (düşük gelir, düşük marj) durdurulmaya adaydır. Sol üstteki ürünlerin (yüksek marj, düşük gelir) daha iyi satışlara ihtiyacı var. Sağ alttaki ürünler (yüksek gelir, düşük marj) trafiği artırıyor olabilir ancak kâr getirmiyor olabilir.

Ürün benzeşimi analizi hangi ürünlerin sıklıkla birlikte satın alındığını belirler. DSLR fotoğraf makinesi satın alan bir müşteri muhtemelen hafıza kartı, fotoğraf makinesi çantası ve temizleme seti de satın alacaktır. Surface these recommendations prominently and in bundles. Power BI'ın matris görselleştirmesi, en üstteki SKU'lardaki ortak oluşum oranlarını gösterir.

Ürüne göre iade oranı anormal derecede yüksek iade oranlarına sahip ürünleri tanımlar. %12'lik kategori ortalamasına kıyasla %35 iade oranına sahip bir ayakkabı, bir beden sorununa, fotoğraf sorununa veya ürünü yanlış tanıtan bir açıklamaya işaret eder. Getiri oranındaki her düşüş noktası doğrudan net marja gider.

Ürüne göre envanter hızı her SKU'nun ne kadar hızlı satıldığını gösterir. Hızlı hareket eden SKU'ların güvenilir bir şekilde yenilenmesi gerekir; yavaş hareket edenler elde tutma maliyetlerini biriktirir. Hız ve marj oranının birleşimi, gerçekten değerli SKU'ları (hızlı ve kârlı bir şekilde satan SKU'ları) tanımlar.

---

Yerine Getirme ve Operasyon Analitiği

Sipariş karşılama performansı, müşteri memnuniyetini, iade oranlarını ve tekrar satın alma oranlarını doğrudan etkiler. Geç teslimatlar ve hasarlı siparişler para iadesine, olumsuz değerlendirmelere ve müşteri kaybına neden olur. Power BI'ın sipariş karşılama panosu, nakliye şirketi verilerini eyleme geçirilebilir operasyon zekasına dönüştürür.

Taşıyıcıya, gönderim bölgesine ve hizmet düzeyine göre zamanında teslimat oranı birincil ölçümdür. UPS zamanında %94 zamanında gösterdiğinde, ancak USPS benzer bölgeler ve fiyat noktaları için %87 gösterdiğinde, bu bölgeler için UPS'i tercih etme yönlendirme kararı, müşteri hizmetleri bağlantılarının ve iade maliyetlerinin azalmasıyla kendini amorti eder.

Karşılama süresi dağıtımı, siparişin verilmesinden sevkiyat onayına kadar geçen süreyi izler. Çoğu işletme için aynı gün veya ertesi gün yerine getirilmesi hedefine ulaşılabilir; 3-5 günlük sipariş karşılama süresindeki aykırı değerlerin (stok yokluğu, toplama hatası veya depo kapasitesi sorunları) araştırılması gerekir.

İade analitiği iade hacmini, iade nedenlerini ve iade maliyetini ürüne ve kanala göre izler. Kanala özgü geri dönüş oranları, genellikle belirli trafik kaynaklarından gelen müşterilerin, ürünler hakkında sistematik olarak yanlış beklentilere sahip olduğunu ortaya çıkarır ve bu da hedefleme veya açıklama sorunlarına işaret eder.

---

Sıkça Sorulan Sorular

Power BI doğrudan Shopify'a bağlanır mı?

Evet. Power BI, siparişleri, müşterileri, ürünleri, envanter düzeylerini ve indirim verilerini içe aktaran sertifikalı bir Shopify bağlayıcısına sahiptir. Yüksek hacimli mağazalar veya daha sık yenileme gereksinimleri için, bir veri ambarı üzerinden bağlantı kurmak (Shopify'ı BigQuery veya Snowflake ile senkronize etmek için Fivetran veya Airbyte kullanarak, ardından Power BI'yı depoya senkronize etmek) daha iyi performans ve güvenilirlik sağlar. ECOSIRE'ın e-Ticaret analitiği uygulamaları genellikle ölçeklenebilirlik için depo yaklaşımını kullanır.

Power BI'da Müşteri Yaşam Boyu Değerini nasıl hesaplarım?

Geçmiş CLV, belirli bir dönem boyunca gerçek geliri toplayan müşteri grupları üzerinden AVERAGEX'i kullanır. Tahmine dayalı CLV şu formülü kullanır: CLV = (Ortalama Sipariş Değeri × Satın Alma Sıklığı × Brüt Marj %) / Kaybetme Oranı. Daha karmaşık yaklaşımlar, Python veya R'de hesaplanan ve Power BI'a tablo olarak aktarılan istatistiksel modelleri (BG/NBD, Pareto/NBD) kullanır. Doğru yaklaşım, veri hacminize ve analitik gelişmişliğinize bağlıdır.

Power BI, Google Ads, Meta Reklamlar ve e-posta genelinde çok kanallı ilişkilendirmeyi izleyebilir mi?

Power BI, her platformdan ilişkilendirme verilerini içe aktarabilir ve yan yana sunabilir ancak çoklu dokunma ilişkilendirme modellerini yerel olarak hesaplamaz. Google Analytics 4, Power BI'ın görüntüleyebileceği veriye dayalı ilişkilendirme sağlar. Gerçek çoklu dokunuşlu ilişkilendirme için özel ilişkilendirme platformları (Northbeam, Triple Whale, Rockerbox) modelleri hesaplar ve Power BI, gelir ve maliyet verilerinin yanı sıra çıktılarını içe aktarır ve görselleştirir.

Power BI'da kohort elde tutma analizini nasıl oluştururum?

Kohort analizi, ilk satın alma tarihini içeren bir müşteri tablosu, tüm siparişleri içeren bir sipariş tablosu ve bir tarih tablosu gerektirir. DAX'ta, kohort ayını hesaplayın (ilk satın alma tarihi ile her sipariş tarihi arasındaki DATEDIFF), ardından satırlar olarak kohort (aya göre) ve sütunlar olarak kohort ayı (0, 1, 2... 12) içeren bir matris görselleştirmesi oluşturun. Hücre değeri, o ay içinde satın alma işlemi gerçekleştiren grup üyelerinin sayısı veya yüzdesidir. Bu aynı zamanda SQL pencere işlevleri kullanılarak veri ambarında da oluşturulabilir.

İlk olarak hangi e-Ticaret metriklerine öncelik vermeliyim?

Kanala ve ürüne göre gelirle ("neler oluyor") başlayın, ardından dönüşüm hunisi analizini ("neden") ekleyin, ardından müşteri segmentasyonunu ve CLV'yi ("kim") oluşturun. Çoğu ekip, değerin %80'ini ilk iki aşamadan alır ve CLV/kohort analitiğine yalnızca temel ölçümlerin güvenilir bir şekilde çalışmasını sağladıktan sonra ihtiyaç duyar. Ekibinizin her hafta fiilen aldığı kararlarla bağlantılı metriklere öncelik verin.

Power BI, milyonlarca sipariş içeren e-Ticaret verilerini nasıl işler?

Power BI'ın içeri aktarma modu, verileri on milyonlarca satırı verimli bir şekilde işleyen bellek içi sütunlu bir depoya yükler. Gerçekten büyük veri kümeleri (100 milyondan fazla satır) için, artımlı yenileme, her yenileme döngüsünde yalnızca yeni ve değiştirilmiş kayıtları yükler ve her şeyi yeniden yüklemeden modeli güncel tutar. DirectQuery modu, veri ambarını canlı olarak sorgular ancak iyi optimize edilmiş bir ambar gerektirir. Yıllık geliri 500 milyon doların altında olan çoğu e-ticaret işletmesi, artımlı yenilemeyle içe aktarma modunda rahatça çalışır.

---

Sonraki Adımlar

Power BI ile e-ticaret analitiği, veri mimarisi, anlamsal model ve panolar parça parça bir araya getirilmek yerine bir sistem olarak birlikte tasarlandığında tam potansiyeline ulaşır. En fazla değeri elde eden işletmeler, her ekibin (pazarlama, operasyon, finans ve satış) aynı verilerden çalıştığı tek bir doğruluk kaynağı oluşturur.

ECOSIRE'ın Power BI hizmetleri, Shopify, WooCommerce ve büyük reklam platformları için önceden oluşturulmuş bağlayıcılara sahip e-Ticaret analitiği uygulamalarını içerir. Shopify'da faaliyet gösteren işletmeler için Shopify hizmetlerimiz hem platform operasyonlarını hem de analiz entegrasyonunu kapsar.

Mevcut analiz yığınınızı ve Power BI'ın en fazla etkiyi nerede sağlayabileceğini görüşmek için bizimle iletişime geçin.