BKM Assignment Document
Understanding Turkeys Sectoral Card Transaction Changes In Six Month
The Interbank Card Center (BKM) was established in 1990 with the partnership of 13 public and private Turkish banks for the purpose of providing solutions to the common problems and developing the rules and standards of credit and debit cards in Turkey, within the card payment system.For further info please visit BKM website.
Gathering Civilized Data
To get last 6 months transaction data from BKM, I used rvest packege in for loop to follow the link pattern. After that data clearence process started in order to gather our civilized data.
library(rvest)
library(dplyr)
library(ggplot2)
url <- "https://bkm.com.tr/secilen-aya-ait-sektorel-gelisim/?filter_year=2019&filter_month=1"
page <- read_html(url)
tablo <- html_table(page, fill = TRUE)[[4]][-c(1:2),]
for(i in 2:6) {
url <- paste("https://bkm.com.tr/secilen-aya-ait-sektorel-gelisim/?filter_year=2019&filter_month=", i, sep = "")
page <- read_html(url)
tablo <- bind_rows(tablo, html_table(page, fill = TRUE)[[4]][-c(1:2),-1])}
is_yeri <- c(tablo%>% select(X1) %>% filter(X1 != "NA"))
is_yeri_1 <- c(rep(is_yeri[["X1"]], times=6))
tablo_1 <- tablo %>% mutate(X1 = is_yeri_1) %>% filter(X1 != "TOPLAM")
month_1 <- c(rep(1:6, times=1, each=26))
tablo_son <- tablo_1 %>% mutate(month = month_1)
tablo2 <- as.data.frame(lapply(tablo_son, function(x) as.numeric(gsub(",", ".", gsub("\\.", "", x)))))## Warning in FUN(X[[i]], ...): Zorlamadan dolayı ortaya çıkan NAstablo2[,1] <- tablo_son[,1]
tablo_son <- tablo2
colnames(tablo_son) <- c("isyeri_grubu","kredi_kartı_islem_adedi","banka_kartı_islem_adedi","kredi_kartı_islem_tutarı","banka_kartı_islem_tutarı","ay")Analyses Related to Transaction Activity In Different Sectors
Total Transaction Amounts and Share
For the first 6 months of 2019, sectors total amounts of transaction debit and credit card and also their shares as percentage.
tablo_son %>% select(isyeri_grubu,kredi_kartı_islem_tutarı,banka_kartı_islem_tutarı) %>%
mutate(toplam_islem_tutarı = kredi_kartı_islem_tutarı + banka_kartı_islem_tutarı) %>%
group_by(isyeri_grubu) %>% summarise(isyeri_grubu_total = sum(toplam_islem_tutarı)) %>%
arrange(desc(isyeri_grubu_total)) %>%
transmute(isyeri_grubu,isyeri_grubu_total,isyeri_grubu_total_fraction = round((isyeri_grubu_total / sum(isyeri_grubu_total))*100,1))## # A tibble: 26 x 3
## isyeri_grubu isyeri_grubu_tot~ isyeri_grubu_total_fra~
## <chr> <dbl> <dbl>
## 1 MARKET VE ALIŞVERİŞ MERKEZLERİ 83789. 17.6
## 2 GİYİM VE AKSESUAR 39850. 8.4
## 3 BENZİN VE YAKIT İSTASYONLARI 39811. 8.4
## 4 ÇEŞİTLİ GIDA 33589. 7.1
## 5 HİZMET SEKTÖRLERİ 32248. 6.8
## 6 ELEKTRİK-ELEKTRONİK EŞYA, BİL~ 23900. 5
## 7 YEMEK 22506. 4.7
## 8 SAĞLIK/SAĞLIK ÜRÜNLERİ/KOZMET~ 19206. 4
## 9 SİGORTA 18984. 4
## 10 YAPI MALZEMELERİ, HIRDAVAT, N~ 17692. 3.7
## # ... with 16 more rowsHighest seven sector according to their total card transaction amounts in six month.
tablo_son %>% select(isyeri_grubu,kredi_kartı_islem_tutarı,banka_kartı_islem_tutarı) %>%
mutate(toplam_islem_tutarı = kredi_kartı_islem_tutarı + banka_kartı_islem_tutarı) %>%
group_by(isyeri_grubu) %>% summarise(isyeri_grubu_total = sum(toplam_islem_tutarı)) %>%
arrange(desc(isyeri_grubu_total))%>% filter(isyeri_grubu_total>20000)%>%
ggplot(data = ., aes(x="İşyeri Grupları", y=isyeri_grubu_total, fill = isyeri_grubu)) +
geom_bar(width = 1, stat = "identity", color = "white",position=position_dodge())
Highest seven sector according to their total card transaction amounts and how they changed in six months.
highest_seven <- c("MARKET VE ALIŞVERİŞ MERKEZLERİ","GİYİM VE AKSESUAR","BENZİN VE YAKIT İSTASYONLARI","ÇEŞİTLİ GIDA","HİZMET SEKTÖRLERİ","ELEKTRİK-ELEKTRONİK EŞYA, BİLGİSAYAR","YEMEK")
tablo_son %>% filter(isyeri_grubu %in% highest_seven) %>%
mutate(toplam_islem_tutarı = kredi_kartı_islem_tutarı + banka_kartı_islem_tutarı) %>%
ggplot(aes(x=ay, y=toplam_islem_tutarı, color=isyeri_grubu)) +
geom_line()
Total Transaction Numbers and Share
For the first 6 months of 2019, sectors total amounts of transaction debit and credit card and also their shares as percentage.
tablo_son %>% select(isyeri_grubu,kredi_kartı_islem_adedi,banka_kartı_islem_adedi) %>%
mutate(toplam_islem_adedi = kredi_kartı_islem_adedi + banka_kartı_islem_adedi) %>%
group_by(isyeri_grubu) %>% summarise(isyeri_grubu_total = sum(toplam_islem_adedi)) %>%
arrange(desc(isyeri_grubu_total)) %>%
transmute(isyeri_grubu,isyeri_grubu_total,isyeri_grubu_total_fraction = round((isyeri_grubu_total / sum(isyeri_grubu_total))*100,1))## # A tibble: 26 x 3
## isyeri_grubu isyeri_grubu_total isyeri_grubu_total_fra~
## <chr> <dbl> <dbl>
## 1 MARKET VE ALIŞVERİŞ MERKEZLE~ 957742221 30.9
## 2 YEMEK 486166406 15.7
## 3 ÇEŞİTLİ GIDA 286302262 9.2
## 4 BENZİN VE YAKIT İSTASYONLARI 228279355 7.4
## 5 GİYİM VE AKSESUAR 226946321 7.3
## 6 HİZMET SEKTÖRLERİ 174318580 5.6
## 7 SAĞLIK/SAĞLIK ÜRÜNLERİ/KOZME~ 132787104 4.3
## 8 TELEKOMÜNİKASYON 127338414 4.1
## 9 DİĞER 88334580 2.8
## 10 ELEKTRİK-ELEKTRONİK EŞYA, Bİ~ 59837162 1.9
## # ... with 16 more rowsNumber of total transactions Gas Stations vs Service Sector in six month
tablo_son %>%
select(isyeri_grubu,kredi_kartı_islem_adedi,banka_kartı_islem_adedi,ay)%>%
mutate(total_kart_islem_adedi = kredi_kartı_islem_adedi + banka_kartı_islem_adedi)%>%
group_by(isyeri_grubu, ay) %>%
filter(isyeri_grubu %in% c("BENZİN VE YAKIT İSTASYONLARI", "HİZMET SEKTÖRLERİ")) %>%
summarize(aylık_total_kart_islem_adedi = sum(total_kart_islem_adedi))%>%
ggplot(data=., aes(x=ay, y=round(aylık_total_kart_islem_adedi/1000000,0), fill=isyeri_grubu)) +
geom_bar(stat="identity", position=position_dodge())+
labs(x="Aylar", y = "Total işlem adetleri (Milyon adet)", fill="İsyeri Grupları") +
theme_minimal()