Loading...
E-ticarette site içi yapay zekâ kişiselleştirmenin (öneri motoru, arama sıralaması, kişisel e-posta) hangi veri hacminde değer ürettiği, ne zaman gerekmediği, altyapı modülü, bağımsız SaaS ve kurum içi model arasındaki seçim, KVKK ve İYS ön koşulları ve etkinin A/B testiyle kanıtlanması.
Öneri sistemlerinin saha testlerinde doğrudan ölçülen satış artışı çoğunlukla %1-5; McKinsey'in 2021'de verdiği %10-15'ten belirgin biçimde düşük. Eylül 2026 itibarıyla Google'ın Others You May Like modeli son 90 günde 10.000 ürün görüntüleme ve 100 tekil ürün, Amazon Personalize en az 1.000 etkileşim istiyor. Eşiğin altındaki mağazada benzer ürün ve çok satan kuralları daha doğru ilk adım.
E-ticarette yapay zekâ kişiselleştirme, sitenin kendi davranış ve katalog verisiyle her ziyaretçiye farklı ürün önerisi, arama sıralaması ya da ileti göstermesidir. Beklenti yüksek: McKinsey'in 2021 araştırmasına göre tüketicilerin %71'i şirketlerden kişiselleştirilmiş etkileşim bekliyor, %76'sı bunu bulamayınca hayal kırıklığı yaşıyor (McKinsey, 2021). Ölçülen etki ise daha mütevazı. Öneri sistemlerinin iş değerini inceleyen akademik tarama, satış etkisinin doğrudan ölçüldüğü çalışmalarda artışın ortalama %1 ile %5 arasında kaldığını gösteriyor (Jannach ve Jugovac, ACM TMIS, 2019).
Bu iki rakam arasındaki mesafe, sorulması gereken soruyu da değiştiriyor. Mesele kişiselleştirmenin işe yarayıp yaramadığı değil, sizin mağazanızın ölçeğinde işe yarayıp yaramadığı. Bu sorunun nesnel kısmı tedarikçi dokümanlarında yazılı: Eylül 2026 itibarıyla Google'ın öneri modelleri ve Amazon Personalize, eğitime başlamak için belirli bir asgari olay hacmi istiyor. Bu eşiğin altındaki bir mağazada davranışsal model eğitilemiyor; geriye çok satanlar ve benzer ürün gibi kurallar kalıyor. Aşağıda veri eşiklerini, kişiselleştirmenin gerekmediği durumları, üç platform tipini, KVKK ve İYS ön koşullarını, etkinin nasıl kanıtlanacağını ve 27 Kasım 2026 Kara Cuma'sı öncesi takvimi bulacaksınız.
Kapsam notu: Ürünlerinizin ChatGPT, Gemini ya da Copilot gibi dış AI asistanlarında önerilmesi ayrı bir iştir ve e-ticaret AI görünürlük master rehberimizde ele alınıyor. Bu yazının konusu, ziyaretçi sitenize geldikten sonra ona ne gösterildiği.
Site içi kişiselleştirme üç yüzeyden oluşur: ürün öneri motoru, arama ve kategori sıralaması, kişiye göre e-posta ve bildirim. Üçü de sitenin kendi davranış verisiyle çalışır. Dış AI asistanlarında görünmek ve kişiselleştirilmiş reklam hedeflemesi ise ayrı disiplinlerdir; farklı veri, farklı bütçe ve farklı ölçüm ister.
Ürün öneri motoru, ürün sayfasındaki "benzer ürünler", sepetteki "birlikte alınanlar" ve ana sayfadaki "size özel" bloklarını besler. Google'ın perakende öneri hizmeti bu işi ayrı model tipleriyle yapıyor: Others You May Like, Frequently Bought Together, Recommended for You, Buy it Again ve Similar Items (Google Cloud, 2026). Shopify'da ise iki niyet var: "related" (ilgili) öneriler platform tarafından otomatik üretiliyor, "complementary" (tamamlayıcı) öneriler ise Search & Discovery uygulamasında elle tanımlanıyor (Shopify.dev).
Arama ve kategori sıralaması, sonuç kümesini değil sonuçların sırasını değiştirir. Algolia'nın dokümanı kişiselleştirmeyi tam olarak böyle tanımlıyor ve yeterli verisi olmayan, ilk kez gelen kullanıcılara kişisel sıralama yerine genel bir yeniden sıralama uygulandığını belirtiyor (Algolia).
Kişisel e-posta ve bildirim, terk edilen sepet ya da yeniden stoğa giren ürün gibi tetikleyicilerle çalışır. Teknik olarak en basit yüzeydir, ama hukuki kapısı en dar olanıdır: ticari ileti onayı ve İYS kaydı olmadan gönderilemez.
| Yüzey | Ne değişir | Gereken veri | Hukuki ön koşul (özet) |
|---|---|---|---|
| Ürün öneri motoru | Ürün sayfası, sepet ve ana sayfa blokları | Temiz katalog + ürün görüntüleme, sepete ekleme, satın alma olayları | Davranış izleyen çerezler için çoğu durumda açık rıza |
| Arama ve kategori sıralaması | Sonuçların sırası | Arama ve kategori sayfası olayları, tıklama ve satın alma | Aynı çerez rızası; dil gibi kullanıcının açıkça seçtiği tercihler hariç |
| Kişisel e-posta ve bildirim | İletinin içeriği ve zamanı | Müşteri kaydı, sepet ve sipariş geçmişi | Önceden alınmış ticari ileti onayı + İYS kaydı |
Bu ayrım bütçeyi doğru yere koymak için gerekli. Ajan tabanlı alışverişte kişiselleştirme sitenin dışında, asistanın kendi kullanıcı bağlamında yapılıyor. ACP ve UCP protokollerini anlattığımız yazıda ele aldığımız gibi, orada da sizin kontrol edebildiğiniz ortak ön koşul temiz ürün verisi. Kişiselleştirilmiş reklam hedeflemesi de ayrı bir alan; reklam tarafının stratejisi için yapayzekareklami.com kaynaklarına bakılabilir. Site içi kişiselleştirmenin işi ise daha dar ve ölçülebilir: ziyaretçi zaten gelmişken dönüşümü ve sepet tutarını artırmak.
Beklenen etki, sık anlatılandan küçüktür. McKinsey 2021'de kişiselleştirmenin çoğunlukla %10-15 gelir artışı sağladığını söylüyor. Öneri sistemlerinin saha testlerini tarayan akademik çalışma ise doğrudan ölçülen satış artışını çoğunlukla %1-5 aralığında buluyor. Fark, neyin ölçüldüğünden ve neyle karşılaştırıldığından kaynaklanıyor; bütçe planını bu yüzden alt bantla kurmak daha güvenlidir.
McKinsey'in 12 Kasım 2021 tarihli analizine göre kişiselleştirme çoğunlukla %10-15 gelir artışı getiriyor; şirkete özgü artış, sektöre ve uygulama kabiliyetine bağlı olarak %5 ile %25 arasında değişiyor. Aynı analize göre hızlı büyüyen şirketler, gelirlerinin kişiselleştirmeden gelen kısmında yavaş büyüyen rakiplerinden %40 daha fazla pay elde ediyor. Bu rakamlar kişiselleştirmeyi pazarlama, iletişim ve ürün deneyiminin tamamında ele alan bir danışmanlık bakışından geliyor ve pandemi dönemi tüketici verisine dayanıyor.
Jannach ve Jugovac'ın ACM Transactions on Management Information Systems'ta yayımlanan taraması ise tek bir bileşene, öneri sistemine odaklanıyor ve daha temkinli bir tablo çiziyor: Öneri sistemlerinin saha testlerinde doğrudan ölçülen satış artışı çoğunlukla %1 ile %5 arasındadır. Taramanın diğer bulguları, etkinin nasıl ölçüldüğünün sonucu ne kadar değiştirdiğini gösteriyor:
İki kaynak arasındaki fark iki nedenden doğuyor. Birincisi kapsam: danışmanlık rakamı kişiselleştirmenin bütün kanallardaki toplam etkisini, akademik rakam ise tek bir öneri bileşeninin kontrollü test sonucunu anlatıyor. İkincisi ölçüm tabanı: yalnızca "öneri kutusundan tıklanan ürünlerin satışı" ölçülürse, %0,3 örneğindeki gibi etki olduğundan küçük görünür; dolaylı etkiler hesaba katıldığında tablo değişir.
Sık tekrarlanan "Amazon satışlarının %35'i önerilerden geliyor" rakamı da aynı taramada, 2006 tarihli bir CEO açıklamasına dayanan ve çevrim içi medyada dolaşan bir aktarım olarak anılıyor. Yani doğrulanmış bir ölçüm değil. Bir tedarikçi sunumunda bu rakamı görürseniz kaynağını sormanız yerinde olur.
Yönetici beklentisi de yüksek. Twilio Segment'in 2024 raporuna göre yöneticilerin %89'u kişiselleştirmeyi önümüzdeki üç yılda işlerinin başarısı için kritik görüyor; şirketlerin %61'i ise hatalı verinin yapay zekâ destekli kişiselleştirmenin etkinliğini bozmasından endişe ediyor (Twilio Segment, 2024). İkinci rakam, veri eşiklerinin neden belirleyici olduğunu özetliyor. Bütçe hesabında temkinli davranmak için AI yatırımının maliyet ve getiri rehberimizdeki senaryo yaklaşımı burada da işe yarar: iyimser rakamla değil, alt bantla başlayın. Yapay zekânın satış süreçlerindeki daha geniş rolünü ise yapay zekâ ile satış yazımızda ele aldık.
Davranışsal öneri modelleri belirli bir veri hacminin altında eğitilemez. Eylül 2026 itibarıyla Google'ın "Others You May Like" modeli son 90 günde 10.000 ürün görüntüleme ve 100 tekil ürün istiyor; Amazon Personalize ise en az 1.000 etkileşim ve ikişer etkileşimi olan 25 kullanıcı istiyor.
Bu eşikler pazarlama broşüründen değil, geliştirici dokümanlarından geliyor ve "hangi ölçekte değer üretir" sorusuna en nesnel cevabı veriyor. Google'ın model tablosu (Google Cloud, 2026) ve Amazon Personalize kota sayfası (AWS) Eylül 2026 itibarıyla şunları söylüyor:
| Sağlayıcı ve model | Gereken olay | Asgari hacim | Zaman penceresi |
|---|---|---|---|
| Google, Others You May Like (tıklama oranı hedefli) | Ürün detay görüntüleme | 10.000 olay ve 100 tekil ürün; ayrıca en az 7 gün (ürün başına ortalama 10 görüntüleme) ya da 60 gün boyunca olay | Son 90 gün |
| Google, Frequently Bought Together | Satın alma tamamlama | 1.000 olay ve 100 tekil ürün | Son 1 yıl |
| Google, Buy it Again | Satın alma tamamlama | 1.000 olay | Son 90 gün |
| Google, Similar Items | Olay gerekmez | Katalogda 100 SKU | Yok |
| Amazon Personalize (çözüm ya da önerici) | Ürün etkileşimi | 1.000 etkileşim; en az 2 etkileşimli 25 tekil kullanıcı; bu kullanıcılar toplamın en az %1'i | Belirtilmemiş |
| Shopify, related öneriler | Platform içinde otomatik | Eşik yayımlanmamış | Yok |
Rakamları günlük hacme çevirmek karar vermeyi kolaylaştırıyor. Kendi hesaplamamıza göre 10.000 ürün görüntüleme, 90 güne bölündüğünde günde ortalama yaklaşık 111 ürün sayfası görüntülemesine karşılık geliyor. Frequently Bought Together için yılda 1.000 satın alma ise ayda ortalama 83 sipariş demek. Bunlar modelin kurulabildiği alt sınırlar; iyi sonuç verdiği hacim değil.
Eşiğin yanında veri biçimi de önemli. Google, olayların en az günlük olarak yüklenmesini öneriyor ve ziyaretçi kimliğinin olay kaydında da API çağrısında da birebir aynı biçimde tutulmasını istiyor (Google Cloud, kullanıcı olayları). En sade ürün görüntüleme olayı şöyle:
{
"eventType": "detail-page-view",
"visitorId": "visitor-id",
"productDetails": [{
"product": {
"id": "product-id"
}
}]
}
Eşiğin altındaki bir mağaza için iki yol kalıyor: olay verisi istemeyen, katalog benzerliğine dayalı modeller (Similar Items gibi) ya da elle yazılmış kurallar. Algolia'nın yaklaşımı da buna benziyor; yeterli verisi olmayan kullanıcıya kişisel sıralama değil, genel yeniden sıralama uygulanıyor. Not: Eylül 2026 sonunda kontrol ettiğimizde Google dokümanlarının son güncelleme tarihi 24 Eylül 2026'ydı. Eşikler sonradan değişebileceği için kurulumdan önce güncel sürümü kontrol edin.
Trafiği ve sipariş sayısı veri eşiğinin altında kalan, kataloğu birkaç yüz ürünü geçmeyen ya da tekrar satın almanın nadir olduğu mağazalarda yapay zekâ kişiselleştirme yatırımının karşılığını vermesi zordur. Bu mağazalarda benzer ürün, çok satanlar ve elle seçilmiş tamamlayıcılar daha doğru bir ilk adımdır.
Bu yargının iki akademik dayanağı var. Birincisi, karmaşık modellerin her zaman kazanmadığını gösteren RecSys 2019 çalışması. Ferrari Dacrema, Cremonesi ve Jannach, 18 nöral öneri yöntemini yeniden üretmeye çalıştı. Bunların yalnızca 7'si makul bir çabayla yeniden üretilebildi; bu 7 yöntemin 6'sı ise en yakın komşu ya da graf tabanlı basit yöntemlerce sıklıkla geride bırakıldı (Ferrari Dacrema vd., 2019).
İkinci dayanak, arayüzün algoritma kadar önemli olması. Jannach ve Jugovac'ın aktardığı Garcin ve arkadaşlarının çalışmasında daha gelişmiş bir algoritma tıklama oranını %35 artırdı. Öneri bloğunun yalnızca konumunu ve boyutunu değiştirmek ise tıklama oranını hemen %100 artırdı. Küçük bir mağaza için bunun anlamı açık: bloğun sayfadaki yeri ve görünürlüğü, algoritma seçiminden önce test edilmeli.
Aşağıdaki sinyallerden ikisi ya da daha fazlası mağazanızda varsa, yapay zekâ motoruna geçmeden önce kural tabanlı öneriyle başlamak daha isabetlidir:
Kural tabanlı başlangıcın da bir kalite ön koşulu var: katalog. Similar Items gibi katalog temelli modeller olay istemez ama ürün niteliklerinin doğru ve dolu olmasını ister; Shopify'daki tamamlayıcı öneriler de ürünü tanıyan birinin elle eşleştirmesine dayanır. Katalog sağlığını görmenin ücretsiz bir yolu, ürün sayfalarındaki Product ve Offer işaretlemesini Sheltron'un Schema Markup Doğrulayıcı aracıyla kontrol etmek. Sayfadaki fiyat, stok ve kimlik alanları tutarsızsa, aynı tutarsızlık büyük olasılıkla öneri motorunu besleyen katalogda da vardır. Ürün içeriği ve şemasının nasıl güçlendirileceğini AI aramada öne çıkma rehberimizde ayrıntılı anlattık; aynı düzen hem site içi öneriye hem dış AI yüzeylerine yarar.
Seçim üç eksende yapılır: veri hacmi, ekip kapasitesi ve verinin kontrolü. Altyapının yerleşik modülü hızlı başlar ama sınırlıdır; bağımsız SaaS ya da bulut servisi esneklik sağlar ama olay akışı ve eşik üstü hacim ister; kurum içi model yalnızca veri ve mühendislik kapasitesi olan büyük mağazada anlamlıdır.
| Kriter | Altyapının yerleşik modülü | Bağımsız SaaS / bulut servisi | Kurum içi model |
|---|---|---|---|
| Başlangıç | Tema ya da uygulama ayarıyla | Katalog ve olay entegrasyonu gerekir | Veri hattı ve model geliştirme gerekir |
| Veri eşiği | Platform yönetir, çoğu zaman yayımlanmaz | Dokümante edilmiş (ör. 10.000 görüntüleme / 90 gün, 1.000 etkileşim) | Kendiniz belirlersiniz; az veride basit yöntemler öne geçer |
| Esneklik | Hazır bloklar, sınırlı kural | Model tipi, hedef metrik ve filtreler seçilebilir | Tam |
| Verinin tutulduğu yer | Altyapı sağlayıcısı | Servis sağlayıcı (işleme bölgesi sorulmalı) | Kendi altyapınız |
| Gereken ekip | Pazarlama ya da ürün yöneticisi | Geliştirici ve analist | Veri bilimci, ML mühendisi, analist |
| Uygun profil | Eşik altı trafik, küçük ya da orta katalog | Eşik üstü trafik, düzenli olay kaydı | Çok yüksek hacim, özel iş kuralları |
Yerleşik modülün ne kadar sade olabileceğine Shopify iyi bir örnek. Tema geliştiricisi, ilgili ürünleri tek bir istekle çekebiliyor; limit parametresi 1 ile 10 arasında değer alıyor, intent ise related ya da complementary olabiliyor (Shopify.dev, Ajax API):
GET /{locale}/recommendations/products.json?product_id=1234567890123&limit=4&intent=related
Bu kadar kolay başlamanın bedeli, modelin hangi veriyle ve hangi hedefle eğitildiğini görememek. Bağımsız bir servise geçmek bu görünürlüğü sağlar, ama karşılığında olay kaydının disiplinli tutulmasını ister. Kurum içi model ise RecSys 2019 bulgusunun hatırlattığı gibi, basit bir referans yöntemi geçtiği kanıtlanmadan kurulmamalı.
Türkiye'de yaygın e-ticaret altyapılarının yerleşik öneri modüllerinin kapsamı bu yazı için doğrulanmadı; bu yüzden belirli bir sağlayıcı adına özellik iddiası yazmıyoruz. Bunun yerine, hangi seçenekle görüşürseniz görüşün şu beş soruyu yazılı olarak sormanızı öneriyoruz:
Tedarikçi seçiminin genel ölçütleri için yapay zekâ çözümleri firması seçerken dikkat edilecek beş kriteri de okuyabilirsiniz.
Davranış verisiyle kişiselleştirme çoğu durumda açık rıza gerektirir. KVKK'nın Çerez Rehberi, kullanıcının açıkça talep etmediği kişiselleştirme çerezleri için açık rızayı, davranışsal reklam çerezleri için ise her durumda açık rızayı arıyor. Kişisel e-posta ve SMS için ayrıca önceden alınmış ve İYS'ye kayıtlı onay gerekir.
Kişisel Verileri Koruma Kurumu'nun Temmuz 2025 baskısı olan Çerez Uygulamaları Hakkında Rehber (KVKK Yayınları No: 69), işlevsel çerezleri "kişiselleştirme ve tercihlerin hatırlanması amaçları ile kullanılan çerezler" olarak tanımlıyor. Rehbere göre kullanıcının bu hizmeti açıkça talep ettiği aşikâr değilse açık rızaya dayanmak gerekiyor; davranışsal reklamcılık için kullanılan çerezler ise her durumda açık rıza gerektiriyor. Buna karşılık dil seçimi ya da sayfa başına sonuç sayısı gibi kullanıcının kendisinin seçtiği arayüz tercihleri açık rıza gerektirmeyen grupta sayılıyor. Kısacası hatırlanan dil tercihi ile geçmiş gezinmeye göre üretilen ürün önerisi aynı kefeye konmuyor.
Açık rızanın kendisi de koşullu. 6698 sayılı Kanun açık rızayı "belirli bir konuya ilişkin, bilgilendirilmeye dayanan ve özgür iradeyle açıklanan rıza" olarak tanımlıyor. Kurum'un açık rıza rehber sayfası, kapsamı belirsiz genel rızaların geçerli olmadığını ve rızanın her an geri alınabileceğini hatırlatıyor. Kanunun 11. maddesi ise kişiye, verilerinin münhasıran otomatik sistemlerle analiz edilmesi sonucunda aleyhine bir sonuç çıkmasına itiraz etme hakkı tanıyor. Kişiye göre değişen fiyat gibi uygulamalar bu yüzden ayrı bir hukuki değerlendirme gerektirir. Bu yazı hukuki görüş değildir; böyle bir uygulamayı planlıyorsanız hukuk danışmanınızla çalışın.
Kurum'un yapay zekâ alanındaki tavsiyeleri (KVKK Yayınları No: 76) tasarım tarafına yön veriyor: Aynı sonuca kişisel veri işlenmeden ulaşılabiliyorsa anonimleştirme tercih edilmeli, asgari veriyle yetinilmeli ve modelin doğruluğu sürekli izlenmeli. Pratikte bu, rıza vermeyen ziyaretçiye de işe yarayan bir yedek deneyim demek: çok satanlar ve katalog benzerliğine dayalı öneriler, davranış izlemeden çalışabilir.
E-posta ve SMS tarafında kural daha net. 6563 sayılı Kanun'un 6. maddesine göre ticari elektronik iletiler alıcılara ancak önceden onayları alınarak gönderilebiliyor. 4 Ocak 2020 tarihli Resmî Gazete'de yayımlanan yönetmelik değişikliğine göre ileti göndermek isteyenler İYS'ye kaydoluyor ve İYS üzerinde onayı bulunmayan alıcıya ticari ileti gönderilemiyor. Terk edilen sepet e-postası ne kadar kişisel olursa olsun, bu kapıdan geçmeden gönderilemez. Veri paylaşımı ve uyum konusunun geniş çerçevesi için işletmeler için AI uyum rehberimize bakabilirsiniz.
Kişiselleştirmenin değeri ancak kontrollü testle kanıtlanır. Ziyaretçilerin bir bölümüne kişiselleştirme gösterilmez ve iki grubun oturum başına geliri karşılaştırılır. Örneklem baştan hesaplanır, test bitmeden sonuca bakılmaz. Evan Miller'ın hesabına göre her gözlemden sonra sonuca bakmak, %5 sanılan yanlış pozitif oranını %26,1'e çıkarabilir.
Kontrol grubuna (holdout) kişiselleştirme yerine çok satanlar ya da mevcut kural tabanlı öneriler gösterilir. Karşılaştırılacak metrik öneri kutusunun tıklanması değil, oturum başına gelir, dönüşüm oranı ve sepet tutarı gibi toplam sonuçlardır. Online market örneğini hatırlayın: doğrudan gelir yalnızca %0,3 artarken dolaylı etki bir kategoride %26'ya ulaşmıştı. Yalnızca öneriden tıklanan satışlara bakan bir rapor bu etkiyi göremez.
Örneklem büyüklüğü için Evan Miller'ın pratik kuralı iyi bir başlangıç: varyant başına gereken ziyaretçi sayısı n = 16 · σ² / δ². Burada δ saptanmak istenen en küçük fark, σ² ise dönüşüm oranı p için p(1−p) (Evan Miller, 2010). Kendi hesaplamamızla bir örnek: dönüşüm oranı %2 olan bir mağaza, 0,2 puanlık (göreli %10) bir farkı yakalamak istiyorsa her varyant için 78.400 ziyaretçiye, toplamda yaklaşık 156.800 ziyaretçiye ihtiyaç duyar. Günde 5.000 ziyaretçi alan bir mağaza için bu, testin bir aydan uzun sürmesi demek.
Yukarıdaki %26,1 uyarısının pratik karşılığı şu: Örneklemi baştan belirleyin ve ona ulaşmadan karar vermeyin. Ara sonuçta görülen "anlamlı" fark, testi durdurmak için tek başına gerekçe değildir. Google'ın öneri modellerinde de hedef olarak tıklama oranı, dönüşüm oranı ya da oturum başına gelir seçiliyor; seçtiğiniz hedefin testteki birincil metrikle aynı olması yorum hatasını azaltır.
Ölçümün analitik tarafında, kişiselleştirme grubunu ve kontrol grubunu GA4'te ayrı bir boyut olarak işaretlemek raporlamayı kolaylaştırır. Kaynak ve atıf kurgusunun nasıl kurulacağını GA4 ve Search Console atribüsyon modeli yazımızda anlattık.
27 Kasım 2026 Kara Cuma'sına iki hafta kala yeni bir öneri motorunu canlıya almak, test edilmemiş bir değişkeni yılın en yoğun trafiğine sokmak demektir. Bu dönemde katalog temizliği, rıza akışı ve olay kaydı tamamlanır; model değişikliği ve A/B testi Kara Cuma'dan sonraya bırakılır.
Bu yazının yayımlandığı 13 Kasım 2026 ile Kara Cuma arasında 14 gün var. Yukarıdaki örneklem hesabı, bu sürenin birçok mağaza için anlamlı bir testi tamamlamaya yetmeyeceğini gösteriyor. Öte yandan Kara Cuma dönemi, olay kaydı hazırsa model eşiğini geçmek için en değerli veriyi üretir. Bu yüzden doğru sıra şu:
Bu iki haftada ertelenmesi gerekenler de belli: yeni bir öneri servisine geçiş, model hedefini değiştirmek ve öneri bloklarının yerini değiştirmek. Hatırlayın, incelenen çalışmada yalnızca blok konumunu değiştirmek tıklama oranını %100 artırmıştı; bu büyüklükte bir değişkeni kontrol grubu olmadan en yoğun haftaya sokmak, sonucun ne yüzünden değiştiğini anlamayı imkânsızlaştırır.
Kampanya dönemindeki operasyonel yük, yani sipariş bildirimleri, stok uyarıları ve onaylı listelere giden kampanya e-postaları, kişiselleştirme modelinden bağımsız olarak otomatikleştirilebilir; Sheltron AI Automation bu tarafa odaklanır. Aynı dönemde ürünlerinizin dış AI asistanlarında nasıl göründüğünü Kara Cuma 2026 AI alışveriş asistanları rehberimizde ele aldık; bu görünürlüğü kampanya boyunca düzenli ölçmek Sheltron AiSEO platformunun işi. Sektöre özgü hazırlık başlıkları e-ticaret sektör sayfamızda yer alıyor; ekibinize AI aramanın temellerini kazandırmak için GEO Akademi eğitimlerine göz atabilirsiniz.
Kişiselleştirmeye yatırım yapmadan önce ürün verinizin makinelerin okuyabileceği kadar düzenli olup olmadığını bilmek, hem site içi önerilerin hem de AI asistanlarındaki görünürlüğün ortak zeminidir. Mağazanızın bu zeminde nerede durduğunu görmek için Sheltron hızlı değerlendirme formuyla başlayabilir, eksikleri öncelik sırasıyla birlikte konuşabiliriz.
Ajans desteği mi arıyorsunuz? Partner GEO ajansımız Lein Digital.
Web sitenizin ChatGPT, Gemini ve diğer AI platformlarında nasıl göründüğünü ücretsiz öğrenin.
Ücretsiz Analiz Al