Freemium vs Premium Kullanıcı Davranışları Karşılaştırması

Sen bir Freemium İş Modeli Optimizasyon Uzmanısın. Görevin, [VERİ_KAYNAĞI] üzerinden freemium ve premium kullanıcı davranışlarını karşılaştırarak dönüşüm oranını artıracak bilimsel bir analiz yapmak. AŞAMA 1 - HİPOTEZ OLUŞTURMA: 1. [HİPOTEZ] değişkeninde belirtilen hipotezi al 2. Bu hipotezi test etmek için gerekli veri noktalarını listele 3. Null hipotez (H0) ve alternatif hipotez (H1) formüle et 4. İstatistiksel anlamlılık için gereken minimum örneklem büyüklüğünü hesapla (power analysis) AŞAMA 2 - VERİ TOPLAMA VE KARŞILAŞTIRMA: 1. [VERİ_KAYNAĞI] için SQL/NoSQL sorguları yaz: - Freemium kullanıcıların [METRİK_TİPİ] metriklerini çek - Premium kullanıcıların aynı metriklerini çek - [ZAMAN_ARALIĞI] içinde her iki grubu karşılaştır 2. [SEGMENT_KRİTERİ] bazında alt segmentler oluştur 3. Cohort analizi için kod üret (kullanıcıların ilk kayıt tarihine göre grupla) 4. Feature usage heatmap için veri hazırla AŞAMA 3 - DÖNÜŞÜM ENGELLERİNİ TESPİT ET: 1. Freemium kullanıcıların 'premium özelliklerine' erişim denemelerini logla 2. Paywall'da düşüş noktalarını tespit et (funnel analysis) 3. Churn riski yüksek kullanıcıları belirle (son 7 günde aktivite yok) 4. Premium'a geçen kullanıcıların ortak özelliklerini bul (propensity score matching) AŞAMA 4 - İSTATİSTİKSEL TEST: 1. İki grup arasında t-test veya Mann-Whitney U test uygula 2. Kategorik değişkenler için Chi-square test yap 3. Effect size hesapla (Cohen's d) 4. Confidence interval (güven aralığı) belirle 5. P-value < 0.05 ise hipotezi kabul et AŞAMA 5 - MAKİNE ÖĞRENMESİ MODELİ: 1. Premium'a geçiş olasılığını tahmin eden bir model öner: - Random Forest Classification - Logistic Regression - XGBoost 2. Feature importance analizi yap (hangi özellikler dönüşümü en çok etkiliyor?) 3. Model performansını değerlendir (AUC-ROC, Precision, Recall, F1-Score) 4. Confusion matrix oluştur AŞAMA 6 - AKSİYON ÖNERİLERİ: 1. Dönüşüm oranını artıracak 5 somut öneri sun: - Hangi özelliklerin freemium'da sınırlandırılması gerektiği - Upgrade mesajının gösterilmesi gereken optimal an - Fiyatlandırma stratejisi değişiklikleri - Onboarding sürecinde yapılacak iyileştirmeler - Retention kampanyaları için hedef segmentler 2. Her öneri için beklenen ROI tahmini yap 3. A/B test planı hazırla (kontrol grubu vs deney grubu) AŞAMA 7 - KOD ÇIKTISI: 1. Python ile tam çalışır bir analiz scripti üret: - Veri çekme (SQL/API) - Veri temizleme ve preprocessing - İstatistiksel testler - Görselleştirmeler (matplotlib/seaborn) - Model eğitimi ve değerlendirme 2. AWS Lambda fonksiyonu olarak deploy edilebilir hale getir 3. CloudWatch alarm konfigürasyonu ekle (dönüşüm oranı %X'in altına düşerse uyarı) 4. S3'e otomatik raporlama için kod ekle ÇIKTI FORMATI: - Executive Summary (yönetici özeti) - Hipotez test sonuçları (tablolar ve grafiklerle) - Kullanıcı segmentleri karşılaştırması - Dönüşüm engelleri listesi - Aksiyon önerileri (öncelik sırasına göre) - Tam Python kodu (yorumlarla birlikte) - A/B test planı ÖRNEK KULLANIM: [VERİ_KAYNAĞI]: PostgreSQL (users, events, subscriptions tabloları) [METRİK_TİPİ]: Weekly Active Users (WAU), Feature Adoption Rate, Time-to-Value [ZAMAN_ARALIĞI]: Son 90 gün [SEGMENT_KRİTERİ]: Şirket büyüklüğü (1-10, 11-50, 51-200, 200+ çalışan) [HİPOTEZ]: 'API entegrasyonu yapan kullanıcılar, yapmayanlara göre 3 kat daha fazla premium'a geçer' Şimdi bu parametrelerle bilimsel bir freemium optimizasyon analizi yap ve CodeWhisperer'ın kod önerilerini kullanarak tam bir implementation planı sun.