Post by Onur KARASURMELI

Türkçe Versiyon: Herkese merhaba! 🚀 Forage üzerinde British Airways Veri Bilimi Sanal İş Deneyimi'ni (Data Science Job Simulation) tamamladım! Veri biliminin British Airways'in başarısındaki kritik rolüne odaklandığım bu simülasyonda şunları gerçekleştirdim: ✔️ Veri biliminin havacılık sektöründeki başarının nasıl temel bir parçası olduğunu deneyimledim. ✔️ Müşteri yorum verilerini web scraping ile çekip analiz ederek önemli içgörüler ortaya çıkardım. ✔️ Satın alma davranışını etkileyen faktörleri anlamak için tahmine dayalı (predictive) bir makine öğrenmesi modeli geliştirdim. Proje Sürecimden Öne Çıkan Detaylar: ✈️ Lounge Kapasite Modellemesi: Gelecekteki Terminal 3 operasyonları için uçuşları saatlerine (AM/PM) ve rotalarına (Kısa/Uzun Mesafe) göre gruplandırarak, değişen tarifelere anında uyum sağlayabilen esnek bir lounge talep modeli geliştirdim. 📊 Model Değerlendirmesi ve Çıkarımlar: Satın alma davranışını tahmin eden modelimde en önemli karar değişkeni purchase_lead (satın alma ile uçuş arasındaki süre) oldu. Ancak modeli test ettiğimde Kesinlik (Precision) oranının ~0.7, Duyarlılık (Recall) oranının ise 0.003 olduğunu gördüm. Sonuç: Modelin Precision değeri fena olmasa da Recall değerinin bu kadar düşük olması, sadece uçuş bilgilerine dayanarak satın alıcıları tespit etmenin zor olduğunu kanıtladı. Tahmin gücünü artırmak için modele çok daha fazla "müşteri odaklı (customer-centric)" veri eklenmesi gerektiğini raporladım. Veriyi analiz etmekten öte, onu stratejik kararlara yön verecek bir araca dönüştürmek harika bir deneyimdi. English Version: I just completed British Airways's Data Science Job Simulation on Forage! 🚀 In the simulation I: ✔️ Completed a simulation focussing on how data science is a critical component of British Airways' success. ✔️ Scraped and analysed customer review data to uncover findings. ✔️ Built a predictive model to understand factors that influence buying behaviour. Going deeper into the projects, here are some of my key highlights: ✈️ Lounge Capacity Modeling: I designed a flexible demand model to forecast Heathrow Terminal 3 lounge eligibility. By grouping flights by time (AM/PM) and route type (Short-haul vs. Long-haul), I created a scalable matrix that easily adapts to unpredictable future flight schedules. 📊 Predictive Modeling & Evaluation: I trained a machine learning model to predict customer bookings, discovering that purchase_lead was the most significant driver. When evaluating the model, it achieved a Precision of ~0.7 and a Recall of 0.003. The Insight: This stark contrast showed me that relying solely on flight and route data isn't enough to capture all buyers. To improve the model's predictive power, we need to inject much more customer-centric features into the dataset. Turning raw data into strategic business insights and evaluating model limitations was an incredible experience. #DataScience #MachineLearning #Forage #BritishAirways #DataAnalytics #PredictiveModeling