1. Kullanıcı Kılavuzu ve Sonuçları Yorumlama
Bu bölüm, Odak Projesi'nin sunduğu analizlerin ne anlama geldiğini ve bu sonuçları kendi tasarımlarınızı iyileştirmek için nasıl kullanabileceğinizi basit bir dille açıklar.
a. Isı Haritası (Heatmap)
Bu Analiz Nedir?: Isı haritası, bir kullanıcının bir görsele ilk baktığında gözünün istemsizce nereye odaklanacağını gösteren bir haritadır. Kırmızı ve sarı "sıcak" bölgeler en çok dikkat çeken alanları, mavi ve yeşil "soğuk" bölgeler ise en az dikkat çeken alanları temsil eder.
Sonuçlar Nasıl Yorumlanmalıdır?:
- Olumlu Göstergeler: Sıcak bölgelerin, logonuz, ana başlığınız, ürün görseliniz veya "Satın Al" gibi önemli bir buton üzerinde yoğunlaşması, tasarımınızın mesajını başarıyla ilettiğini gösterir. Web siteleri için, sıcak bölgelerin Nielsen Norman Group tarafından tanımlanan "F-Şeklinde Tarama Deseni" ile uyumlu olması (sayfanın sol üst ve orta kısımlarında yoğunlaşması) genellikle olumlu bir işarettir.
- İyileştirme Alanları: Sıcak bölgelerin alakasız bir stok fotoğraf, dekoratif bir element veya önemsiz bir metin üzerinde yoğunlaşması, kullanıcının dikkatinin dağıldığına ve ana mesajınızın gözden kaçtığına işarettir. Kritik elementlerin "soğuk" bölgelerde kalması, tasarım hiyerarşisinin gözden geçirilmesi gerektiğini belirtir.
b. Bakış Rotası (Gaze Plot)
Bu Analiz Nedir?: Bu simülasyon, bir kullanıcının gözünün görsel üzerindeki en dikkat çekici noktalar arasında hangi sırayla gezinebileceğini tahmin eder. Rota, en dikkat çekici noktadan (1) başlar ve azalan dikkat sırasına göre devam eder.
Sonuçlar Nasıl Yorumlanmalıdır?:
- Olumlu Göstergeler: Rotanın mantıksal bir "görsel hikaye" anlatmasıdır. Örneğin, rota sırasıyla "1. Başlık -> 2. Ürün Görseli -> 3. Buton" gibi bir akışı takip ediyorsa, tasarımınızın yönlendirmesi başarılıdır.
- İyileştirme Alanları: Rotanın kaotik olması, önemli elementleri atlaması (örneğin 1'den 3'e atlarken 2. önemli noktayı es geçmesi) veya alakasız yerler arasında gidip gelmesi, tasarımınızda görsel bir hiyerarşi ve gruplama sorunu olduğunu gösterir.
c. CTA Skoru ve Tespiti
Bu Analiz Nedir?: Algoritma, görselinizdeki "Satın Al", "İncele", "Başvur" gibi eyleme çağrı butonlarını bulur ve bu butonların genel dikkat çekme potansiyelini 0-100 arasında puanlar.
Sonuçlar Nasıl Yorumlanmalıdır?:
- Skor > 75 (Çok İyi): Butonunuz hem metin olarak nettir (eylem fiili içerir) hem de görsel olarak (dikkat, kontrast) çok baskındır. Kullanıcıların gözden kaçırma ihtimali çok düşüktür.
- Skor 50-74 (İyi): Butonunuz işlevsel ve bulunabilir ancak daha dikkat çekici hale getirilebilir. Rengini, boyutunu veya konumunu gözden geçirebilirsiniz.
- Skor < 50 (Zayıf): Butonunuz ya görsel olarak çok sönük kalıyor ya da metni bir eylem içermediği için algoritma tarafından zayıf bir aday olarak görülüyor. Kullanıcıların bu butonu fark etmesi veya tıklanabilir olduğunu anlaması zordur.
2. Sistemin Teknik Mimarisi ve İşleyişi
Bu bölüm, uygulamanın arka planında çalışan teknolojileri ve veri akışını mühendislik bakış açısıyla detaylandırmaktadır.
2.1. Teknoloji Yığını
- Backend Framework:
Python 3.10,Flask - Görüntü İşleme:
OpenCV-Python 4.x - Optik Karakter Tanıma (OCR):
Pytesseract - Veri Görselleştirme:
Matplotlib - Frontend:
HTML5,CSS3,JavaScript - Konteynerizasyon:
Docker,Docker Compose
2.2. Veri Akışı ve Sistem Mimarisi
Uygulama, stabil ve güvenli bir kullanıcı deneyimi için Post-Redirect-Get (PRG) mimari desenini kullanır.
- Dosya Yükleme (
POST): Kullanıcı bir dosya yüklediğinde,multipart/form-dataolarak ilgili/upload_...endpoint'ine gönderilir. Flask,werkzeug.utils.secure_filenameile dosya adını sanitize eder ve dosyayı geçici olarak/static/uploadsdizinine yazar. - Analiz Süreci Tetikleme:
- Video için:
process_videofonksiyonu, videoyucv2.VideoCaptureile okur. Belirli saniye aralıklarıyla (`SAMPLING_INTERVAL_SECONDS`) kareler arasındacv2.absdiffile mutlak fark hesaplar. Bu farkın belirli bir eşik (`CHANGE_THRESHOLD`) değerini geçmesi, o anki karenin "Anahtar Kare" olarak kabul edilmesini sağlar. - Görsel için:
perform_analysisfonksiyonu doğrudan çağrılır.
- Video için:
- Çekirdek Analiz (
perform_analysis): Her bir resim (veya anahtar kare), bu merkezi fonksiyon içinde sırasıylagenerate_heatmap,generate_focus_map,generate_gaze_plotvescore_button_candidatesalt fonksiyonlarından geçirilir. Her bir fonksiyonun çıktısı (görsel dosyalar),/static/outputsdizinine yazılır. - Veri Kalıcılığı ve Yönlendirme: Tüm analiz sonuçları bir Python sözlüğünde toplanır ve Flask'in
sessionobjesinde saklanır. Ardından, sunucuredirect(url_for('...'))ile kullanıcıyı sonuçların gösterileceği yeni bir URL'e yönlendirir. - Sonuçların Gösterimi (
GET): Kullanıcının tarayıcısı bu yeni URL'e standart birGETisteği yapar. İlgili Flask rotası,session'dan sonuç verilerini çeker verender_templateile HTML sayfasını dinamik olarak oluşturarak kullanıcıya sunar.
3. Analizlerin Bilimsel Temelleri ve Kazanımlar
Bu bölüm, analiz modüllerinin dayandığı akademik prensipleri ve pazarlama alanındaki önemini açıklar.
a. Isı Haritası (Saliency)
Bilimsel Arka Plan: Isı haritası, insan görsel sisteminin "aşağıdan yukarıya dikkat" (bottom-up attention) mekanizmasını modellemeye çalışır. Bu, kullanıcının hedeflerinden bağımsız olarak, görselin kendi içsel özelliklerinin (renk, kontrast, yönelim) istemsizce dikkati nasıl çektiği prensibine dayanır. Temelleri, alanda çığır açan Itti, Koch ve Niebur (1998) tarafından geliştirilen "Saliency-Based Visual Attention" modeline dayanmaktadır.
Pazarlama Açısından Önemi: Isı haritası, "Banner Körlüğü" (kullanıcıların reklamları bilinçsizce görmezden gelmesi) gibi olguları tespit etmenizi sağlar. Tasarımınızdaki görsel hiyerarşiyi ortaya çıkararak, en önemli mesajınızın mı yoksa alakasız bir görselin mi dikkat çektiğini veriye dayalı olarak gösterir.
b. Bakış Rotası (Gaze Plot)
Bilimsel Arka Plan: İnsan gözü, bir sahneyi tararken "sakkad" (hızlı sıçramalar) ve "fiksasyon" (kısa duraklamalar) yapar. Algoritmamız, dikkat haritasındaki en yoğun bölgeleri bularak bu fiksasyon noktalarını tahmin eder ve "Geri Dönüşün Engellenmesi" (Inhibition of Return - IoR) prensibini simüle ederek bu noktalar arasında mantıksal bir rota çizer.
Pazarlama Açısından Önemi: Bakış Rotası, bir tasarımın "görsel anlatısını" deşifre eder. Kullanıcının bilgi akışını istediğiniz sırayla (örneğin: Başlık -> Ürün -> Buton) takip edip edemediğini gösterir. Kaotik bir rota, tasarımınızın yönlendirmesinin zayıf olduğuna işarettir.
c. CTA Tespiti ve Yorumlama
Bilimsel Arka Plan: Bu modül, tasarımcı Don Norman'ın "Olanaklılık" (Affordance) kavramına dayanır. Bir elementin tasarımı, onun nasıl kullanılacağını (örneğin "tıklanabilir" olduğunu) ima etmelidir. Algoritmamız bu olanağı, anlamsal içerik (eylem bildiren metin), görsel ayırt edicilik (kontrast, şekil) ve geometrik form gibi birden çok özelliği birleştirerek tespit etmeye çalışır.
Uzman Yorum Sistemi: Bu projede, analiz sonuçları bir yapay zeka dil modeline gönderilmez. Bunun yerine, her bir analiz metriği için ("Görünürlük", "Odaklanma", vb.) ve her bir skor aralığı için ("Çok İyi", "İyi", "Orta", "Zayıf") önceden hazırlanmış, uzman bakış açısını yansıtan kural tabanlı yorumlar kullanılır. Bu, hem son derece hızlı sonuçlar alınmasını sağlar hem de her seferinde tutarlı ve eyleme geçirilebilir öneriler sunulmasını garanti eder.
Elde Edeceğiniz Kazanımlar
- Veriye Dayalı Tasarım Kararları: "Bu renk dikkat çeker mi?" gibi sübjektif sorular yerine, tasarımlarınızın hangi bölgelerinin bilimsel olarak daha dikkat çekici olduğunu görerek objektif kararlar alın.
- Dönüşüm Oranlarını Artırma: Eyleme çağrı (CTA) butonlarınızın ne kadar fark edilebilir olduğunu ölçerek optimizasyon yapın ve tıklanma oranlarını artırın.
- Geliştirilmiş Kullanıcı Deneyimi (UX): Kullanıcıların bir arayüzde bilgiye ne kadar kolay ulaştığını Bakış Rotası analizi ile test ederek daha sezgisel tasarımlar oluşturun.
4. Kaynakça
Bu projede kullanılan algoritmalar ve metodolojiler, aşağıda listelenen temel bilimsel çalışmalara ve teknolojilere dayanmaktadır.
- Itti, L., Koch, C., & Niebur, E. (1998). A model of saliency-based visual attention for rapid scene analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence.
- Hou, X., & Zhang, L. (2007). Saliency detection: A spectral residual approach. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
- Nielsen, J. (2006). F-Shaped Pattern For Reading Web Content. Nielsen Norman Group.
- Norman, D. (2013). The Design of Everyday Things: Revised and Expanded Edition. Basic Books.
- Google Tesseract OCR Engine: Official GitHub Repository
- OpenCV (Open Source Computer Vision Library): Official Website