Fırsat Radar

Proje Hakkında

Fırsat Radar, Türkiye'deki tüketicilerin enflasyonist ortamda bilinçli alışveriş yapabilmesi için tasarlanmış kapsamlı bir fiyat takip ve karşılaştırma platformudur. Uygulama, farklı perakende kanallarındaki ürün fiyatlarını gerçek zamanlı olarak izleyerek kullanıcılara en uygun alışveriş fırsatlarını sunar. Platformun çekirdeğinde gelişmiş bir fiyat izleme motoru yer alır. Bu motor, 50'den fazla online ve fiziksel mağazanın fiyat verilerini toplayarak normalize eder. Kullanıcılar istedikleri ürünün barkodunu tarayarak veya arama yaparak ürünü takip listesine ekleyebilir, hedef fiyat belirleyebilir ve fiyat düştüğünde anlık bildirim alabilir. Yapay zeka modülü, geçmiş fiyat verilerini analiz ederek fiyat trendlerini tahmin eder. Mevsimsel indirim dönemleri, kampanya periyotları ve arz-talep dalgalanmalarını göz önünde bulundurarak kullanıcılara "şimdi al" veya "bekle" önerileri sunar. Bu tahmin modeli, kategori bazlı olarak özelleştirilmiş olup, elektronik, gıda, giyim ve ev eşyası için ayrı algoritmalar kullanır. Toplu alışveriş listesi özelliği, kullanıcının haftalık veya aylık alışveriş listesindeki tüm ürünlerin fiyatlarını mağaza bazında karşılaştırarak en ekonomik alışveriş rotasını hesaplar. Bu özellik, tek tek ürün bazında en ucuz mağazayı bulmak yerine, toplam sepet maliyetini minimize eden akıllı bir optimizasyon sunar. Kupon ve kampanya aggregation modülü, mağazaların aktif kampanyalarını, kupon kodlarını ve sadakat programı avantajlarını tek bir yerde toplar. Kullanıcının alışveriş geçmişi ve tercihleri doğrultusunda kişiselleştirilmiş kampanya önerileri sunulur.

Özellikler

Süreç

Zorluklar & Çözümler

Teknik Detaylar

Fırsat Radar, MVVM mimarisi üzerine Repository Pattern ile inşa edilmiştir. SwiftUI declarative UI katmanı, Combine reactive pipeline'ları ile beslenir. Dependency injection için Swift 5.9 macro tabanlı özel bir DI container geliştirilmiştir. Barkod tarama modülü, AVCaptureSession üzerinde custom video pipeline kullanır. CIFilter zinciri (CIColorControls → CIUnsharpMask → CIAffineTransform) ile ön işleme yapılır, ardından VNDetectBarcodesRequest ile barkod konumu tespit edilir. Çoklu barkod formatı desteklenir: EAN-13, EAN-8, UPC-A, QR Code, Data Matrix. Fiyat geçmişi grafikleri Swift Charts framework ile render edilir. InteractiveMark ve RuleMark kullanılarak kullanıcının grafiği dokunarak belirli bir tarihteki fiyatı görmesi sağlanır. Grafik verisi, CloudKit'ten çekilen ham fiyat verisi üzerinden istemci tarafında interpolasyon ve smoothing uygulanarak oluşturulur. Widget altyapısı WidgetKit ile geliştirilmiş olup, 3 farklı widget boyutu desteklenir. Small widget takip edilen ürünün anlık fiyatını, medium widget fiyat grafiğini, large widget ise alışveriş listesi özetini gösterir. Timeline provider, Background App Refresh ile koordineli çalışarak widget verilerini güncel tutar. Core ML modeli, CreateML ile eğitilmiş bir tabular regressor temelinde çalışır. Feature vektörü: geçmiş 90 günlük fiyat serisi, kategori one-hot encoding, mevsimsellik sinüsoidal encoding, enflasyon oranı ve döviz kuru değişimi içerir. Model boyutu 4.2MB olup, cihaz üzerinde inference süresi 15ms'nin altındadır. Ağ katmanı, Alamofire üzerine özel retry policy ve cache stratejisi ile yapılandırılmıştır. Fiyat sorguları için URLCache ile 15 dakikalık cache uygulanır, stale data durumunda background refresh tetiklenir. Rate limiting middleware, mağaza API'lerinin kota sınırlarını aşmamayı garanti eder.

Araştırma Notları

Türkiye'de e-ticaret pazarı 2024 itibarıyla 1.2 trilyon TL büyüklüğe ulaşmış olup, fiyat karşılaştırma segmenti bu pazarın kritik bir altyapı bileşeni konumundadır. Yüksek enflasyon ortamında tüketicilerin %78'i satın alma öncesi fiyat karşılaştırması yaptığını belirtmektedir. Rakip analizi kapsamında Akakçe, Cimri, En Ucuzu ve uluslararası oyunculardan Honey, CamelCamelCamel, Keepa incelenmiştir. Mevcut Türk platformlarının çoğunun web tabanlı olduğu ve mobil deneyimde yetersiz kaldığı tespit edilmiştir. AI tabanlı fiyat tahmini özelliği hiçbir yerel rakipte bulunmamaktadır. Kullanıcı araştırmasında 300+ kişilik anket ve 50+ derinlemesine görüşme gerçekleştirilmiştir. Tüketicilerin %64'ü en çok elektronik kategorisinde fiyat karşılaştırma ihtiyacı duyduğunu, %52'si market alışverişinde fiyat takibi yapmak istediğini belirtmiştir. Widget ile hızlı fiyat kontrolü, kullanıcıların %71'i tarafından en çok istenen özellik olarak öne çıkmıştır. ML model araştırmasında, fiyat tahmin literatürü kapsamlı şekilde taranmıştır. ARIMA, Prophet, LSTM ve Gradient Boosting modellerinin karşılaştırmalı performans analizi yapılmış, Türkiye'nin yüksek enflasyon ortamında ensemble yaklaşımın tek başına bir modelden tutarlı şekilde daha iyi performans gösterdiği doğrulanmıştır.

Tasarım Süreci

Tasarım süreci, hedef kitle segmentasyonu ile başlamıştır. Üç ana kullanıcı profili belirlenmiştir: bilinçli tasarrufçu (fiyata çok duyarlı, liste bazlı alışveriş), fırsat avcısı (indirim ve kampanya odaklı, impulsif) ve teknoloji meraklısı (veri ve grafik odaklı, analitik yaklaşım). Her profil için ayrı kullanıcı yolculuğu haritası çıkarılmıştır. Information architecture tasarımında, kullanıcıların en sık gerçekleştirdiği eylemler ön plana çıkarılmıştır. Barkod tarama butonu floating action button olarak her ekrandan erişilebilir konumda yerleştirilmiştir. Ana sayfa, kişiselleştirilmiş fırsat önerileri, takip edilen ürünlerin fiyat değişimleri ve popüler indirimler olmak üzere 3 feed'den oluşur. Görsel tasarımda, aciliyet ve fırsat hissini yansıtan canlı renkler tercih edilmiştir. Kırmızı-turuncu gradient ana tema rengidir. Fiyat düşüşleri yeşil, artışlar kırmızı renk koduyla gösterilir. Grafiklerde Apple Human Interface Guidelines'a uygun renk paleti kullanılmıştır. Prototip testlerinde 3 farklı fiyat gösterim formatı denenmiştir: (1) tablo formatı, (2) kart bazlı karşılaştırma, (3) grafik öncelikli. Kullanıcıların %58'i grafik öncelikli tasarımı tercih etmiş, ancak hızlı karar verme senaryolarında kart bazlı karşılaştırmanın daha etkili olduğu görülmüştür. Sonuçta hibrit bir yaklaşım benimsenmiş, varsayılan görünüm kart bazlı, detay görünümü grafik öncelikli tasarlanmıştır.

Sonuçlar & Etki

Fırsat Radar, lansmanından itibaren 6 ay içinde 85.000+ aktif kullanıcıya ulaşmış ve App Store Alışveriş kategorisinde Türkiye'de ilk 10'a girmiştir. Toplam 250.000+ indirme ile 4.8 ortalama puan elde edilmiştir. Kullanıcı başına aylık ortalama tasarruf 340 TL olarak hesaplanmıştır. Platform genelinde aylık toplam tasarruf 28 milyon TL'yi aşmıştır. Bu veriler, kullanıcıların satın aldığı ürünlerin fiyat geçmişi ile karşılaştırılarak hesaplanmaktadır. Barkod tarama özelliği günlük ortalama 120.000 tarama ile en çok kullanılan özellik olmuştur. Tarama başarı oranı %96.3'tür. AI fiyat tahmini modeli, 7 günlük fiyat yönü tahmininde %81 doğruluk oranına ulaşmıştır. Widget kullanım oranı %43 olup, widget kullanan kullanıcıların günlük uygulama açma sıklığı %35 daha yüksektir. Alışveriş listesi paylaşma özelliği, kullanıcı davet organik büyümesinin %28'ini oluşturmaktadır. Platform, 6 büyük perakende zinciri ile resmi API ortaklığı kurmuştur. Bu ortaklıklar sayesinde fiyat verisi doğruluğu %99.2'ye yükselmiş ve kullanıcılara özel indirim kuponları sunulabilir hale gelmiştir.

Öğrenilen Dersler

Fırsat Radar projesi, veri kalitesinin ürün deneyimini doğrudan etkilediğini net bir şekilde gösterdi. İlk sürümde web scraping ile toplanan fiyat verileri %15 hata oranına sahipti ve kullanıcı güvenini olumsuz etkiliyordu. Resmi API entegrasyonlarına geçiş sürecinde hata oranı %0.8'e düşürüldü ve kullanıcı memnuniyeti 3.9'dan 4.8'e yükseldi. Core ML model güncelleme stratejisi önemli bir öğrenme noktasıydı. İlk yaklaşımda model app güncellemesi ile dağıtılıyordu ve bu 2-3 haftalık gecikme yaratıyordu. OTA model güncelleme mekanizmasına geçildiğinde, model güncelliğini korudu ve tahmin doğruluğu %72'den %81'e yükseldi. Widget geliştirmede WidgetKit'in bellek sınırlamaları (30MB) kritik bir faktör oldu. İlk sürümde grafik render eden medium widget, bellek limitini aşarak crash yapıyordu. Pre-rendered image yaklaşımına geçilerek bu sorun çözüldü ve widget güvenilirliği %99.5'e ulaştı. Kullanıcı davranış analizi, fiyat bildirimi stratejisinin optimize edilmesi gerektiğini gösterdi. Çok sık bildirim gönderilmesi bildirim izinlerinin kapatılmasına yol açıyordu (%22 opt-out). Akıllı bildirim throttling (günlük maksimum 3, kullanıcının aktif olduğu saatlerde) uygulandığında opt-out oranı %6'ya düştü.