DERİN ÖĞRENME TABANLI YÖNTEMLER KULLANILARAK E-TİCARET PLATFORMLARINDA ANOMALİ KULLANICI DAVRANIŞLARININ TESPİTİ

With the rapid growth of e-commerce platforms, detecting anomalous transactions and user behaviors from large-scale operational data has become a critical requirement for ensuring system security and operational efficiency. This study presents a comparative analysis of several deep learning– and machine learning–based anomaly detection approaches applied to e-commerce systems. The dataset used in this research was obtained from the Kaggle platform and consists of 17,049 observations with 18 attributes, including customer demographic information, order and payment details, delivery time, website interaction metrics, and customer satisfaction scores. This rich combination of behavioral and transactional features provides a realistic representation of real-world e-commerce environments. The experimental evaluation includes five anomaly detection methods: Autoencoder, LSTM-Autoencoder, Deep Support Vector Data Description (Deep SVDD), a GAN-based reconstruction approach (GAR-AD), and Isolation Forest. Model performance was assessed using AUROC, AUPRC, best F1 score, and Top-K metrics (Top 1%, 5%, and 10%) to reflect practical investigation capacity constraints in real-world e-commerce operations. The results indicate that the Autoencoder model achieves strong discriminatory performance, while the GAN-based GAR-AD approach provides more balanced and robust results in terms of AUPRC and best F1 score. In particular, the Top-K analysis demonstrates that GAR-AD yields superior precision and lift values under limited inspection budgets.

E-ticaret platformlarının hızlı büyümesiyle birlikte, kullanıcı davranışları ve işlem kayıtları üzerinden ortaya çıkabilen anormal durumların tespiti, güvenlik ve operasyonel verimlilik açısından kritik bir gereksinim hâline gelmiştir. Bu çalışmada, e-ticaret sistemlerinde anomali tespiti amacıyla farklı derin öğrenme ve makine öğrenmesi tabanlı yaklaşımlar karşılaştırmalı olarak incelenmiştir. Çalışmada kullanılan veri seti, Kaggle platformundan elde edilen ve 17.049 gözlem ile 18 değişkenden oluşan gerçekçi bir e-ticaret veri tabanıdır. Veri seti; müşteri demografik bilgileri, sipariş detayları, ödeme yöntemleri, teslimat süresi, web sitesi etkileşimleri ve müşteri memnuniyeti gibi hem davranışsal hem de işlemsel nitelikte özellikler içermektedir. Araştırma kapsamında Autoencoder, LSTM-Autoencoder, Deep Support Vector Data Description (Deep SVDD), GAN tabanlı yeniden yapılandırma yaklaşımı (GAR-AD) ve Isolation Forest olmak üzere beş farklı anomali tespit yöntemi uygulanmıştır. Modeller, AUROC, AUPRC, en iyi F1 skoru ve operasyonel senaryoları yansıtmak amacıyla Top-K (Top %1, %5 ve %10) metrikleri üzerinden değerlendirilmiştir. Deneysel sonuçlar, Autoencoder modelinin yüksek ayrıştırma gücü sağladığını; GAN tabanlı GAR-AD yaklaşımının ise AUPRC ve Best-F1 metrikleri açısından daha dengeli ve tutarlı bir performans sunduğunu göstermektedir. Top-K analizleri, özellikle GAR-AD modelinin sınırlı inceleme kapasitesi senaryolarında yüksek doğruluk ve lift değerleri ürettiğini ortaya koymuştur.