AI destekli öneri motoru (recommendation): çapraz ve üst satışı otomatikleştirmek

Bir müşteri, küçük bir çevrim içi mağazanın sepetine fotoğraf makinesi ekler ve ödemeyi tamamlar. Teşekkür sayfası açılır ve iş orada biter. Aynı müşteri büyük bir pazar yerinde olsaydı, ödemeden önce ona hafıza kartı, yedek batarya ve bir çanta gösterilir; büyük olasılıkla en az birini de sepete eklerdi. İki ödeme akışı arasındaki fark ne satış yeteneği ne de daha geniş bir katalogtur; her kişiye ne gösterileceğine sessizce karar veren bir öneri motorudur (recommendation engine). Küçük bir işletme için bu fark, her siparişte kapıdan çıkıp giden gelir demektir.

Bu yazıda AI destekli bir öneri motorunun ne olduğunu, ana yaklaşımları sade bir dille, bir KOBİ için en hızlı geri dönen kullanım alanlarını, ihtiyaç duyduğu veriyi, geliri nasıl artırdığını ve nerede yanlış gittiğini ele alıyoruz; böylece basit başlayıp dürüstçe ölçebilir, abartıya kapılmadan bu işe adım adım büyüyebilirsiniz.

ÖnerimotoruDavranışSatın almaKatalogProfilÖneri

AI destekli öneri motoru nedir?

En sade tanımıyla öneri motoru, her müşteriye en alakalı ürünü ya da içeriği otomatik olarak tahmin edip gösteren bir yazılımdır: bir sayfada, sepette ya da bir e-postada. Herkese aynı rafı sunmak yerine, her ziyaretçiye ona göre kurulmuş bir raf çıkarır. Yaptığı şey, deneyimli bir satış danışmanının içgüdüyle yaptığının yazılıma dökülmüş hâlidir: neye uzandığınızı izler ve henüz ihtiyacınız olduğunu bilmediğiniz şeyi işaret eder.

Her yerde gördüğünüz "bunları da beğenebilirsiniz", "bu ürünü alanlar şunu da aldı" ve "size özel" bloklarının arkasındaki makine budur. Amaç daha çok şey göstermek değil, doğru şeyi doğru anda göstermektir. Pratikte düz bir katalogu kişiselleştirilmiş bir müşteri deneyimine çeviren de bu motordur; mağaza herkese aynı teklifi bağırmak yerine müşteriyi tanıyormuş gibi davranır.

Ana yaklaşımlar, sade bir dille

Kaputun altında öneri motorları birkaç yönteme dayanır. Birine körü körüne bağlanmanız gerekmez; gerçek sistemlerin çoğu bunları harmanlar ve çoğu KOBİ verisine en uygun olan en basitinden başlar.

• İşbirlikçi filtreleme (collaborative filtering): "bu ürünü alanlar şunu da aldı" mantığı. Çok sayıda kullanıcının davranış deseninden öğrenir; ürünü anlamasına gerek yoktur, yalnızca kimin ne yaptığını bilmesi yeter.
• İçerik temelli (content-based): ürünlerin kendi özniteliklerine bakar; aynı marka, kategori, fiyat bandı ya da malzeme gibi. Bu, "buna benzer" yaklaşımıdır.
• Hibrit: ikisini birleştirip birbirinin kör noktasını kapatır. Sahadaki sistemlerin çoğu aslında bunu çalıştırır.
• AI, gömme (embedding) ve LLM temelli: ürünleri ve davranışı vektörlere ("embedding") dönüştürerek ince benzerlikleri yakalar; giderek artan biçimde yorumları, açıklamaları, hatta müşterinin yazdığı niyeti okumak için dil modellerinden yararlanır.

Bir öneri motorunun işe yaraması için ürünlerinizi anlaması gerekmez; yalnızca müşterilerinizin bir sonraki adımda ne yaptığını güvenilir biçimde fark etmesi yeterlidir.

Bir KOBİ için öneriler nerede kendini amorti eder?

En yüksek değerli başlangıç noktası, çapraz ve üst satışın yaşadığı sepet ve ürün sayfasıdır. Yerinde bir "birlikte sık alınanlar" ya da daha iyi modele yönlendiren nazik bir dokunuş, müşterinin zaten vermiş olduğu kararı biraz daha büyük bir siparişe çevirir; bu, bilinçli bir çapraz ve üst satış hamlesinin mantığının otomatikleşmiş ve herkese aynı anda gösterilen hâlidir.

Oradan yüzey genişler. Ürün sayfasındaki, ödeme adımındaki ve satın alma sonrası onay sayfasındaki "bunları da beğenebilirsiniz" blokları, müşterinin gelirken aklında olmayan talebi yakalar. Öneriler web sitesinde de bitmez: doğal bir sonraki ürünü öneren satın alma sonrası bir e-posta ya da bültendeki "size seçtik" bloğu, müşteriye sitenin ulaşamadığı anda ulaşır. Ürünlerin ötesinde aynı motor, tanınan bir müşteriye sonraki en iyi teklifi sunabilir ya da araştırma yapan bir ziyaretçiye doğru rehberi veya örneği çıkarabilir. Bir çevrim içi mağazada öneri katmanı ile sağlam bir e-ticaret ve CRM kurulumu tam da burada birbirini besler.

Öneri motorunun beslendiği veri

Bir motor, ancak görebildiği kadar iyidir. Onu dört tür veri besler ve her biri farklı bir soruyu yanıtlar.

• Davranışsal: tıklamalar, görüntülemeler, aramalar, sayfada geçen süre, sepete ekleme. Niyetin en zengin ve en dürüst sinyalidir.
• Satın alma geçmişi: her müşterinin gerçekte ne aldığı ve hangi sırayla. "X'i aldı, sonra Y'yi aldı" ilişkisinin belkemiğidir.
• Katalog öznitelikleri: temiz, yapılandırılmış ürün verisi; kategori, marka, fiyat bandı, etiketler gibi, ki motor benzerlik üzerine akıl yürütebilsin.
• Profil ve beyan edilen tercih: müşterinin kim olduğu ve ne istediğini size kendisinin söylediği.

Son madde, birinci taraf ve sıfır taraf verinin devreye girdiği yerdir. Davranış ve satın alma sinyalleri, sahip olduğunuz gerçek etkileşimlerden toplanan birinci taraf verinizdir. Müşterinin gönüllü olarak paylaştığı tercihler ise (bedenler, ilgi alanları, alışverişin nedeni) sıfır taraf veridir ve soğuk başlangıcın en hızlı ilacıdır; çünkü henüz hiçbir davranış yokken motora ne yapacağını söyler.

Öneriler geliri nasıl artırır?

Gelir gerekçesi üç kaldıraca dayanır ve hiçbiri uydurma bir manşet istatistiği gerektirmez. İlki ortalama sipariş değeridir: alakalı bir tamamlayıcı, müşterinin zaten verdiği siparişin boyutunu ek bir edinme maliyeti olmadan büyütür. İkincisi tekrar satın alma ve elde tutmadır: bir e-postada ya da bir sonraki ziyarette çıkan zamanında ve alakalı bir öneri, müşteriyi geri getirir ve bir sonraki siparişe kalan süreyi kısaltır.

Üçüncüsü daha ince ama birikimlidir. Sürekli işe yarar şeyler gösteren bir mağaza, müşteriyi anlıyormuş gibi hissettirir; bu alaka da indirimin satın alamayacağı türden bir bağlılık kurar. Alakasız her raf kaçırılmış bir fırsattır; alakalı her raf, binlerce oturuma yayıldığında toplamı büyüyen küçük bir artıştır. Mekanizma sihirli bir sayı değil, ölçekte tekrarlanan basit bir aritmetiktir.

Kendin geliştir mi, hazır al mı: kurallardan makine öğrenmesine

Çoğu KOBİ, sıfırdan bir öneri motoru geliştirmemeli. Akıllıca yol bir merdivendir ve bu merdiveni yalnızca veriniz ile trafiğiniz gerektirdiği kadar çıkarsınız. En hızlı başlangıç ve doğru varsayılan, platform özellikleri ve eklentileridir: çoğu e-ticaret platformu öneri bloklarıyla gelir ya da bir öğleden sonrada devreye alabileceğiniz denenmiş eklentileri vardır. Bir üst basamakta CRM güdümlü kurallar yer alır; "yazıcı aldı, kartuş öner" ya da "başlangıç paketini aldı, bir üstünü öner" gibi basit ve şeffaf mantık, doğrudan müşteri verinizden çalışır; makine öğrenmesi yoktur, tamamen açıklanabilir ve çoğu zaman şaşırtıcı derecede etkilidir. Ancak yeterli trafik ve temiz veri biriktiğinde makine öğrenmesine terfi etmek anlam kazanır; gömme temelli bir motor, kuralların asla bulamayacağı desenleri yakalar.

Hata, bir modele fazla erken uzanmaktır. Mütevazı trafikli bir mağaza, örnek açlığı çeken bir algoritmadansa üç iyi kuraldan daha çok fayda görür. Verinizin gerçekte olduğu yerden başlayın, mekanizmayı kanıtlayın ve terfiyi hacmin hak etmesine izin verin.

Önerileri sessizce bozan tuzaklar

Öneri motorları öngörülebilir biçimlerde başarısız olur ve bu başarısızlık biçimlerini bilmek işin yarısıdır.

• Soğuk başlangıç (cold-start): yeni bir müşterinin ya da yepyeni bir ürünün geçmişi yoktur, motorun tutunacağı bir şey kalmaz. Sıfır taraf veri ile basit kuralların köprü kurduğu yer tam da burasıdır.
• Filtre balonu ve aşırı daraltma: yalnızca "aynısından daha fazlası" gösteren bir motor, müşteriyi katalogun bir köşesine hapseder ve keşfi sessizce öldürür.
• Popülerlik yanlılığı: herkese en çok satanları önermek güvenli ve tembel bir seçimdir; uzun kuyruğu yavaşça görünmez kılar.
• "Ürkütücü" aşırı kişiselleştirme: ne kadar yakından izlediğinizi ele veren öneriler insanı tedirgin eder. Alaka, gözetlenmiş değil, yardımcı olunmuş hissettirmeli.
• Çöp veri: kirli katalog verisi (yanlış kategoriler, eksik öznitelikler, mükerrer ürünler) kendinden emin ama yanlış öneriler üretir. Bir model, hiç temizlemediğiniz veriyi düzeltemez.

Basit başlayın, sonra doğru şeyi ölçün

Kazandıran yaklaşım bilerek sıkıcıdır: kurallarla başlayın, siparişleri hareket ettirdiklerini kanıtlayın, sonra makine öğrenmesini hak edin. Darboğaz nadiren teknolojidir; asıl mesele ölçme disiplinidir.

İki sayı önemlidir. İlki bağlama oranıdır (attach rate): önerilen bir ürün içeren siparişlerin payı. İkincisi ise gerçek değeri hüsnükuruntudan ayıran şeydir: uplift ya da artımsallık (incrementality). Öneri o ek satışa gerçekten sebep oldu mu, yoksa müşteri zaten alacak mıydı? Bunu bilmenin tek dürüst yolu bir A/B testidir: bir kısım müşteri önerileri görür, bir kısmı görmez ve karşılaştırırsınız. Öneri bloğuna gelen tıklamalar iyi hissettirir ama az şey kanıtlar; faturayı ödeyen sayı artımsal gelirdir.

Sıkça sorulan sorular

Sonuçta bir öneri motoru, bir yapay zeka marifetinden çok bir fark etme disiplinidir: müşterinin ne yaptığını izleyin, katalogu temiz tutun, birkaç dürüst kuralla başlayın ve bir modele uzanmadan önce artımsal katkıyı ölçün. Gelir daha çok şey göstermekte değil, doğru şeyi doğru anda göstermektedir. Rocketly gibi bir CRM, bu önerileri besleyen müşteri ve satın alma verisini tek yerde tutarak işi kolaylaştırır; onu her kişi için çapraz satışa, üst satışa ve sonraki en iyi aksiyona dönüştürür, böylece iyi bir öneri büyük pazar yerlerine özgü bir lüks olmaktan çıkıp küçük bir işletmenin satış biçiminin sıradan bir parçası hâline gelir.