Hacker News ön sayfasında art arda gelen iki başlıkta birden '6' sayısını görmek, bir editör için anlamsız ama zihne kazınan bir detaydır. Bu küçük tesadüf, bir veri analistini harekete geçirmeye yetti. Hacker News başlıklarında en popüler sayının hangisi olduğunu bulmak için ClickHouse'un halka açık oyun alanı üzerinden tam HN veri seti sorgulandı. İlk sorguda, tüm başlıklardaki sayılar basit bir regex ile çekildiğinde, en popüler sayının 119.351 kez geçen '2' olduğu görüldü. Onu 114.397 ile '3' ve 114.017 ile '1' takip ediyordu. Bu sonuç, Benford Yasası'nı çağrıştırsa da, açıklama çok daha sıradandı.
Benford Yasası, doğal olarak oluşan veri kümelerinde baş rakamın 1 olma olasılığının 9'a göre çok daha yüksek olduğunu söyler. Nehir uzunlukları, hisse senedi fiyatları, fiziksel sabitler gibi birçok alanda geçerlidir. Ancak HN başlıklarındaki sayılar bu yasaya uymaz çünkü yasa, birkaç büyüklük mertebesine yayılan sayıların ilk rakamıyla ilgilidir. HN'deki sayılar ise başlık metninden çekilmiş tek haneli rakamlar veya küçük sayılardır. Asıl neden, 'Web 2.0', 'Python 3.11' gibi ifadelerdeki ondalık sayılar ve 'S3' gibi terimlerdeki rakamlardır. İlk sorguda '0'ın altıncı sırada çıkması da '2.0' ve '1.0' gibi ifadelerdeki sıfırların ayrı ayrı sayılmasından kaynaklanıyordu.
Daha doğru bir analiz için gelişmiş bir regex kullanıldı: ondalık sayıları tek birim olarak alan, virgülle gruplanmış sayıları bütün olarak yakalayan ve yılları filtreleyen bir desen. Yılların filtrelenmesinin nedeni, bir haber sitesinde yılların popüler olmasının şaşırtıcı olmamasıydı. Bu yeni sorguda, '1' 48.559 kez ile zirveye çıkarken, '2' 45.970'e geriledi. '3' 40.056, '5' 37.683, '10' ise 33.336 kez geçti. Yıllar filtrelenmeseydi 2018, 2017 ve 2020 ilk 10'da yer alacaktı. Bu sonuçlar, küçük sayıların neden baskın olduğuna dair üç temel nedeni ortaya koyuyor.
İlk neden, liste haberleri (listicle). 'X yapmanın 3 yolu', 'Bilmediğim 5 şey', 'Gerçekten kullandığım 10 araç' gibi başlıklar, HN'nin temel yapı taşlarındandır. Bu listelerdeki sayılar genellikle küçük ve yuvarlak olur. Kimse '17 bilmediğim şey' yazmaz; '5 şey' ise başlık editöründe verilmiş bir karardır. İkinci neden, yazılım sürüm numaraları. '1', '2' ve '3' için en yüksek puan alan başlıklar neredeyse tamamen büyük yazılım sürümleridir: Ghostty 1.0, Rust 1.0, Llama 2, Dall-E 2, Meta Llama 3, Gemini 3 gibi. Yazılım sürümleri 1'den başlar ve yavaş artar, bu nedenle küçük sayılar yıllar boyu biriken sürüm duyurularıyla popüler hale gelir. Bu, '2'nin '3'ün, '3'ün de '4'ün önünde olmasını açıklar; eski sürüm numaraları daha uzun süredir var.
Teknik Analiz
Üçüncü neden ise eşik ve sıralamalarda kullanılan yuvarlak sayılar. 'Top 10', '1 numaralı neden', '100 gün' gibi ifadelerde sayılar vurgu aracı olarak kullanılır. Sayı ne kadar yuvarlaksa o kadar sık tercih edilir. '10', '9' ve '11'den bariz şekilde yüksektir çünkü kimse 'top 9 araç' yazmaz. 2007-2025 yılları arasındaki trendleri gösteren bir grafik, 2020'de '19'un aniden yükseldiğini, 2023'te ise '4'ün sıçrama yaptığını gösteriyor. '19'un 2020'deki patlaması, COVID-19 salgınının adında 19 bulunmasından kaynaklanıyor. '4'ün 2023'teki yükselişi ise GPT-4'ün Mart 2023'te piyasaya sürülmesiyle ilgili.
Sonuç olarak, Hacker News başlıklarında en popüler sayı '1'dir. Ancak bu, yazılım sürümleri, liste haberleri ve yuvarlak sayı kullanımının bir kombinasyonudur. '6' ise 17.933 kez ile 9. sırada yer alıyor. İki '6' görmek tamamen tesadüftü. Bu analiz, verinin ne kadar yanıltıcı olabileceğini ve doğru soruyu sormanın önemini gösteriyor. Bir editörün bir akşamını bu tür bir detaya adaması belki anlamsız görünebilir, ancak veri meraklıları için bu tür keşifler paha biçilmez.
Kaynak: blog.omgmog.net
