Pazarlama İpuçları, Gündem ve Daha Fazlası
AnalyticaHouse’un güçlü iş ortaklıklarından beslenen deneyimi ile güncel trendler, stratejik içgörüler ve sektörel derinlik içeren blog yazılarımızı keşfedin.
E-ticaret Analitiğinde First-Party Veri Kullanımı
İlk taraf veriler, bir şirketin müşterilerinden ve kendi kanallarında topladığı verilerdir. Bu veriler, genellikle müşteri etkileşimleri, web sitesi ziyaretleri, işlemler ve diğer doğrudan etkileşimler yoluyla elde edilir. İşte ilk taraf verilerin neden bu kadar değerli olduğuna dair bazı bilgiler.First-party veri nedir?First-party (Birinci taraf veriler), bir şirketin doğrudan kendi müşterilerinden ve hedef kitlesinden topladığı verilerdir. Bu veriler, müşterilerin web sitenizde yaptığı ziyaretler, alışverişler ve diğer etkileşimler yoluyla elde edilir. İşletmeniz için en değerli veri türü olarak kabul edilir, çünkü doğrudan kaynağından gelir, bu da onu doğru ve güvenilir kılar.Neden first-part veriler kullanmalıyız? Doğruluk ve Güvenilirlik: İlk taraf veriler, doğrudan müşterilerinizden geldiği için en doğru ve güvenilir veri türüdür. Bu veriler, müşteri davranışlarını ve tercihlerini en iyi şekilde yansıtır. Veri Kontrolü: İlk taraf veriler, tamamen sizin kontrolünüz altında olduğu için veri gizliliği ve güvenliği konusunda daha fazla kontrol sağlar. Bu, KVKK, GDPR gibi veri gizliliği yasalarına uyum sağlamayı kolaylaştırır. Kişiselleştirme: Müşterilerinizden topladığınız veriler, onlara daha kişiselleştirilmiş ve ilgili içerikler sunmanıza olanak tanır. Bu, müşteri deneyimini iyileştirir ve müşteri sadakatini artırır. Rekabet Avantajı: Rakiplerinizin erişemediği özel verilere sahip olursunuz. Bu, pazarlama stratejilerinizi ve iş kararlarınızı daha etkili hale getirir. Peki Third-party veri nedir?Üçüncü taraf veriler, veriyi başlangıçta toplayan ve nihai kullanıcıdan farklı varlıklar tarafından toplanan, birleştirilen ve satılan bilgilerdir. Dijital pazarlama ve veri analitiğinde, üçüncü taraf veriler genellikle dış kaynaklardan elde edilir ve bireyler hakkında geniş bir demografik, davranışsal ve ilgiye dayalı veri yelpazesini içerebilir. Bu veriler, veri komisyoncuları, toplayıcılar veya veri toplama ve satma konusunda uzmanlaşmış diğer üçüncü taraf kuruluşlar tarafından toplanır.Özellikle performans pazarlamasında ve e-ticaret analitiğinde üçüncü taraf verilerle ilgili son dönemlerde bir takım limitasyonlar var. KVKK, veri toplama için kullanıcı onayı gerektiriyor ve bu, üçüncü taraf çerezlerin oluşturulmasını etkiler. Mozilla Firefox ve Apple Safari, üçüncü taraf çerezleri varsayılan olarak engelleyen Akıllı İzleme Önleme (ITP) ve Gelişmiş İzleme Koruması (ETP) gibi özellikler uygulamıştır. Google Chrome, üçüncü taraf çerezleri aşamalı olarak kaldırmayı 2022'ye kadar planlıyordu ancak bu tarihi 2024'ün ikinci yarısına erteleyerek kullanıcı gizliliği ile reklam destekli web arasında bir denge kurmayı hedefliyordu. Safari ve Firefox, kullanıcılarına gelişmiş gizlilik sunarak üçüncü taraf çerezleri varsayılan olarak engelliyor.Ancak Google’ın son A new path for Privacy Sandbox on the web açıklamasıyla birlikte, artık üçüncü taraf veri engellemesi ve çerez sonlandırma işleminin kullanıcı seçimine bırakılmasına ilişkin bir güncelleme yayımlandı.Bunun temel sebebi ise, hem çerez engellemenin tarayıcılar içerisinde varsayılan olarak gelmesi, hem ad-tech platformlarının baskısı, hem de Privacy Sandbox API kapsamında testlerin beklenenden düşük performans göstermesidir.Daha kapsamlı ve teknik e-ticaret analitiği için bizimle iletişime geçin
Privacy Sandbox'a Hazırlık: Storage Access API Nedir?
Chrome, çapraz site izlemeyi azaltmak için üçüncü taraf çerezlere destek vermeyi kademeli olarak kaldırıyor. Bu, kimlik doğrulama gibi kullanıcı yolculukları için gömülü bağlamlarda çerezlere güvenen siteler ve hizmetler için bir zorluk oluşturuyor. Storage Access API (SAA), bu kullanım durumlarının devam etmesine olanak tanırken, mümkün olduğunca çapraz site izlemeyi sınırlar.Storage Access API Nedir?The Storage Access API, tarayıcı ayarları tarafından aksi takdirde reddedilecek depolama erişim izinlerini istemek için iframe'lerin JavaScript API'sidir. Çapraz site kaynaklarını yükleme bağlamlarına bağlı olan kullanım durumlarına sahip gömülü öğeler, API'yi, gerektiğinde kullanıcıdan erişim izni istemek için kullanabilir.Depolama talebi kabul edilirse, o zaman iframe, çapraz site çerezlerine erişim sağlayacaktır, ki bu da kullanıcıların üst düzey site olarak ziyaret ettiğinde de mevcuttur.Genellikle kullanıcı izleme için sıkça kullanılan genel çapraz site çerez erişimini önlerken, belirli çapraz site çerez erişiminin kullanıcıya minimal yük getirerek sağlanmasına izin verir.Use casesBazı üçüncü taraf gömülü öğeler, daha iyi bir deneyim sağlamak için çapraz site çerezlerine erişim gerektirir - bu, üçüncü taraf çerezlerin devre dışı bırakılmasından sonra artık mümkün olmayacak bir şeydir.Kullanım durumları şunları içerir: Giriş oturumu ayrıntıları gerektiren gömülü yorum widget'leri. Giriş oturumu ayrıntıları gerektiren sosyal medya "Beğen" düğmeleri. Giriş oturumu ayrıntıları gerektiren gömülü belgeler. Bir video gömülüsüne sunulan üst düzey bir deneyim (örneğin, giriş yapmış kullanıcılara reklamları göstermemek veya kullanıcının kapalı altyazı tercihlerini bilmek veya belirli video türlerini kısıtlamak). Gömülü ödeme sistemleri. Bu kullanım durumlarının birçoğu, gömülü iframe'lerde giriş erişimini sürdürmeyi içerir.hasStorageAccess() metodunun kullanılmasıBir site ilk yüklendiğinde, erişim izni üçüncü taraf çerezlere zaten verilmiş mi diye kontrol etmek için hasStorageAccess() yöntemini kullanabilir.// Set a hasAccess boolean variable which defaults to false.let hasAccess = false;async function handleCookieAccessInit() { if (!document.hasStorageAccess) { // Storage Access API is not supported so best we can do is // hope it's an older browser that doesn't block 3P cookies. hasAccess = true; } else { // Check whether access has been granted via the Storage Access API. // Note on page load this will always be false initially so we could be // skipped in this example, but including for completeness for when this // is not so obvious. hasAccess = await document.hasStorageAccess(); if (!hasAccess) { // Handle the lack of access (covered later) } } if (hasAccess) { // Use the cookies. }}handleCookieAccessInit();
sGTM ile E-ticaret Satın Alımlarını Firestore'a Yazmak
Server-side Google Tag Manager (sGTM), e-ticaret uygulamalarınızda verileri izleme ve işleme konusunda gelişmiş esneklik ve güvenlik sunar. sGTM’nin güçlü bir kullanım alanı, satın alma verilerini doğrudan Google Cloud'un NoSQL veritabanı olan Firestore'a yazmaktır. Bu blog yazısı, sGTM'yi kullanarak e-ticaret satın alma işlemlerini yakalama ve bunları Firestore’a kaydetme sürecinde size rehberlik edecektir.Adım 1: Yeni Bir Server-side Google Tag Manager (sGTM) Şablonu OluşturmaBu adımda, server-side Google Tag Manager (sGTM) konteynerinizde özel bir şablon oluşturacaksınız. Bu şablon, e-ticaret satın alma olaylarını yakalamak ve verileri Firestore’a göndermek için gerekli mantığı tanımlar. Tekrar kullanılabilir bir şablon oluşturarak, satın alma verilerini yönetme ve işleme sürecini e-ticaret platformunuz genelinde daha verimli hale getirirsiniz.Bu kodu kullanarak sGTM üzerinden Firestore’a veri yazma ve okuma işlemi gerçekleştirebilirsiniz.const Firestore = require('Firestore'); const Object = require("Object"); const getTimestampMillis = require("getTimestampMillis"); let writeData = { timestamp: getTimestampMillis() }; if (data.customData && data.customData.length) { for (let i = 0; i < data.customData.length; i += 1) { const elem = data.customData[i]; if (elem.fieldValue) { writeData[elem.fieldName] = elem.fieldValue; } else { Object.delete(writeData, elem.fieldName); } } } const rows = writeData; Firestore.write('', rows, { projectId: '', merge: true, }).then((id) => { data.gtmOnSuccess(); }, data.gtmOnFailure); Adım 2: Firestore Veritabanını Yapılandırma Google Cloud Console’u Açın: Firestore bölümüne gidin. Veritabanı Oluşturun: İhtiyaçlarınıza göre "production mode" veya "test mode" seçerek bir Firestore veritabanı kurulum adımlarını izleyin. Test modunda çalıştırırken şu şekilde yeni bir kural da oluşturabilirsiniz: rules_version = '2'; service cloud.firestore { match /databases/{database}/documents { match /{document=**} { allow read, write: if request.auth != null; } } }Artık satın alma verilerini şu şekilde Firestore’a gönderebilirsiniz: Bizimle iletişime geçin server-side Google Tag Manager kullanarak daha fazla kullanım senaryosu için.
Privacy Sandbox'a Hazırlık: CHIPS Nedir?
Google'ın 2025'in ilk çeyreğine ertelediği Cookie phase-out sureciyle süreciyle birlikte, pek çok marka ve dijital pazarlamacı, Privacy Sandbox ve geçiş sürecini oldukça iyi değerlendirmeli.Bu nedenle başldığımız yeni blog post serisinin ilkinde, Privacy Sandbox kapsaminda özet olarak CHIPS'ten bahsedecegiz.CHIPS, yani Cookies Having Independent Partitioned State, geliştiricilere çerezi bölümlenmiş depolamaya dahil etme olanağı sunar, her bir üst düzey site için ayrı çerez kavanozları ile kullanıcı gizliliğini ve güvenliğini artırır.Bölümlendirme olmadan, üçüncü taraf çerezler, hizmetlerin kullanıcıları izlemesine ve bilgilerini birçok ilişkisiz üst düzey siteden birleştirmesine olanak tanır. Buna da cross-site tracking deniyor.Tarayıcılar, bölünmemiş üçüncü taraf çerezleri kademeli olarak ortadan kaldırmaya yönelik olarak ilerlemektedir, bu nedenle üçüncü taraf çerezleri engellendiğinde çerçeveler gibi çapraz site bağlamlarından çerez okuma ve yazma için CHIPS, Storage Access API ve Related Website Sets tek seçenek olacaktır. (Bunlara daha sonra değineceğiz.)Bölünme (Partitioned) işlemi şu anda sadece Chrome ve Edge tarayıcılarda kullanılabiliyor. Firefox ve Safari’de henüz kullanılamıyor.Örneğin, retail.example adında bir websiteniz var ve websitenize, kullanıcılarınıza destek vermek adına chatbot yerleştirmek için bir üçüncü taraf hizmeti olan support.chat.example adresinde çalışan bir widget eklemek istiyorsunuz.Zaten birçok gömülü (embedded) sohbet/chat hizmeti, kullanıcı aksiyonlarını kaydetmek adına çerez kullanıyor.Cross-site tracking ayarlaması olmadan, support.chat.example alternatif olarak, bu çerezleri saklamak için genellikle daha karmaşık yöntemler bulmak zorunda kalır. Başka bir seçenek olarak, retail.example üzerinde daha yüksek seviyede ayrıcalıklara sahip olmasına izin veren riskleri beraberinde getiren üst düzey sayfaya gömülmesi gerekir, örneğin kimlik doğrulama çerezlerine erişim imkanı gibi. Bu da PII (Personal Identifiable Information) bilgileri içerdiğinden güvenlik ve hukuki regülasyon sorunlarını beraberinde getirebilir.CHIPS tam olarak burada devreye giriyor ve bu bölünmemiş (unpartitioned) çerezlerle ilişkilendirilen riskler olmadan çapraz site çerezlerini kullanmaya devam etmenin daha kolay bir yolunu sağlar.Peki CHIPS Nerelerde kullanılır? CHIPS genelikle cross site tracking’te alt kaynaklarının, bir kullanıcının tek bir üst düzey site üzerindeki etkinliğine kapsanan bir oturum veya kalıcı durum kavramına ihtiyaç duyduğu herhangi bir senaryoyu içerir,Chips’ın kullanılabileceği alanlar aşağıda listelenmiştir.- örneğin: Üçüncü taraf sohbet için gömülü widgetlar Üçüncü taraf harita için gömülü widgetlar Üçüncü taraf ödeme yöntemleri için gömülü widgetlar Alt kaynak CDN Load Balancer’larda Headless CMS sağlayıcılarında Üçüncü taraf CDN'ler, birinci taraf site üzerindeki kimlik doğrulama durumuna bağlı olarak erişim denetimine tabi olan içeriği sunmak için çerez kullanan (örneğin, üçüncü taraf CDN'lerde barındırılan sosyal medya sitelerindeki profil resimleri) Çerezlerini kullanan uzaktaki API'lara dayanan endpoint URL’ler Yayıncı başına kapsamlı durum gerektiren gömülü reklamlar (örneğin, o web sitesi için kullanıcıların reklam tercihlerini yakalamak) Detayli bilgi: https://developers.google.com/privacy-sandbox/3pcd/chips Privacy Sandbox dışında eğer çerezsiz ölçümlemeye dair bilgi edinmek isterseniz, AnalyticaHouse Cookieless projemizi inceleyin.
İş Zekası Raporlaması: Dijital Pazarlama Stratejilerinde Devrim Yaratmak
Verilerin gücünü dijital pazarlama stratejinizi optimize etmek için kullanıyor musunuz? İş zekâsı (BI) raporlaması, günümüzün veri odaklı dünyasında, özellikle dijital pazarlama alanında büyümek ve gelişmek isteyen her işletme için vazgeçilmez bir unsurdur. Bu makalede iş zekâsı raporlamasının ne olduğunu, dijital pazarlamacılar için neden önemli olduğunu ve Looker Studio, BigQuery, GA4, Google Ads ve Facebook Ads gibi araçlarla veri odaklı kararlar alırken nasıl kullanılabileceğini inceleyeceğiz.İş Zekâsı Raporlamasının Kavramıİş zekâsı raporlaması, verilerden alınan uygulanabilir içgörüleri toplama, analiz etme ve sunma sürecidir. Bu süreç, işletmelerin performanslarını daha iyi anlamalarına, büyüme fırsatlarını belirlemelerine ve iyileştirilmesi gereken alanları tespit etmelerine yardımcı olur. Dijital pazarlama alanında BI raporlaması, pazarlama kampanyalarını optimize etmek, yatırım getirisini (ROI) ölçmek ve kaynakların etkin kullanımını sağlamak için kritik öneme sahiptir.Dijital Pazarlamada İş Zekâsı Raporlamasının ÖnemiDijital pazarlama dünyasının hızla değişen doğasında rekabetin bir adım önünde olmak için çevik ve hızlı tepki veren organizasyonlar olmak gerekir. İş zekâsı raporlaması bu hedefe ulaşmada şu katkıları sağlar: Pazarlama Stratejilerine Rehberlik Etme: Veri odaklı içgörüler trend ve kalıpları ortaya çıkararak, pazarlama çalışmalarının yönünü belirlemenize yardımcı olur. Kampanya Performansını Artırma: Performans verilerini analiz ederek en iyi sonuç veren kanalları ve kampanyaları büyütebilir, ROI’yi maksimize edebilirsiniz. Müşteri Hedeflemesini Geliştirme: Müşteri verilerini analiz ederek hedef kitlenizi daha iyi tanır, kişiselleştirilmiş ve alakalı mesajlar oluşturursunuz. Bütçe Verimliliğini Artırma: BI raporlamasıyla düşük performanslı kampanyaları tespit eder, gerekli ayarlamaları yaparak kaynak israfını azaltırsınız. Dijital Pazarlamada İş Zekâsı Raporlaması İçin AraçlarBI raporlamasının gücünden yararlanmak için, dijital pazarlamacıların veri toplama, analiz ve görselleştirme süreçlerini kesintisiz yönetebilecekleri bir araç setine ihtiyacı vardır. En popüler araçlardan bazıları şunlardır: Looker Studio: Google’ın görselleştirme aracı, Google Analytics, Google Ads ve BigQuery gibi farklı kaynaklardan verileri bir araya getirerek etkileşimli raporlar ve panolar oluşturmanızı sağlar. BigQuery: Google Cloud Platform hizmeti olan BigQuery, büyük veri kümelerini depolayıp analiz edebileceğiniz güçlü bir veri ambarı çözümüdür. GA4 (Google Analytics 4): Google Analytics’in son sürümü, makine öğrenmesi özellikleriyle kullanıcı etkileşimi ve dönüşümleri izlemenize yardımcı olur. Google Ads: Arama ve görüntülü reklam kampanyaları için kullanılan platform, detaylı performans verileri sunar. Facebook Ads: Dünya çapında milyarlarca kullanıcıya erişim sağlayan Facebook, kapsamlı raporlama araçlarıyla kampanyalarınızı optimize etmenize yardımcı olur. Veri Odaklı Karar Alma İçin En İyi UygulamalarBI raporlamasından en iyi şekilde faydalanmak için şu uygulamaları benimseyin: Veri Kaynaklarını Entegre Edin: Google Ads, Facebook Ads ve Google Analytics gibi farklı platformlardan gelen verileri bir araya getirerek kapsamlı bir performans görünümü elde edin. Açık KPI’lar Belirleyin: Pazarlama hedeflerinizle uyumlu ölçülebilir performans göstergeleri tanımlayın ve düzenli olarak izleyin. Raporlamayı Otomatikleştirin: Looker Studio gibi araçlarla raporlamayı otomatik hale getirerek, güncel ve güvenilir verilere zaman kaybetmeden ulaşın. Gelişmiş Analitik Kullanımına Özen Gösterin: Tahmine dayalı modelleme ve makine öğrenmesi gibi tekniklerle gizli kalıpları keşfederek stratejilerinizi güçlendirin. Veri Odaklı Kültürü Teşvik Edin: İçgörüleri paylaşarak ekip içinde veri temelli karar almayı destekleyin ve ortak hedeflere yönelin. Sürekli Optimizasyon Yapın: BI raporlarınızı düzenli gözden geçirerek iyileştirme fırsatlarını belirleyin ve stratejilerinizi güncelleyin. Sonuçİş zekâsı raporlaması, dijital pazarlama profesyonelleri için büyüme ve başarıyı veriyle yönlendirme imkânı sunan bir dönüştürücü araçtır. Looker Studio, BigQuery, GA4, Google Ads ve Facebook Ads gibi araçlarla performansınızı kapsamlı biçimde izleyebilir, kampanyalarınızı optimize edebilir ve kaynak kullanımınızı etkin hale getirebilirsiniz.BI raporlamasının gücünü benimseyin ve dijital pazarlama stratejinizi yeni zirvelere taşıyın. Rekabetin her geçen gün arttığı bu alanda, iş zekâsı raporlaması size esneklik kazandıracak ve değişen koşullara hızla uyum sağlamanızı sağlayacaktır. Veriye dayalı karar alma kültürünü kuruluşunuza yerleştirmek, dijital pazarlama dünyasındaki karmaşıklığı aşmanıza ve sürdürülebilir başarıya ulaşmanıza yardımcı olacaktır.
Universal Analytics İlişkilendirme Modelleri
İlişkilendirme modelleri (attribution models), dijital pazarlama dünyasında pazarlama faaliyetlerinin etkisini anlamak, bütçeyi optimize etmek, strateji geliştirmek, müşteri içgörüleri elde etmek, performansı ölçmek, farklı kanalların etkisini anlamak ve veri destekli kararlar almak için oldukça önemli araçlardır.Doğru ilişkilendirme modelini kullanarak pazarlama faaliyetlerinizi daha verimli ve etkili hale getirebilir, pazarlama stratejinizin başarısını arttırabilirsiniz.Doğru attribution modelini kullanabilmek için ise Universal Analytics ve Google Analytics 4’te kullanılan ilişkilendirme modellerini bilmeniz gerekmektedir.İlişkilendirme Modeli (Attribution Modelling) Nedir?Attribution modeling, dijital pazarlama ve reklamcılık alanında kullanılan bir kavramdır ve çeşitli pazarlama kanallarının bir müşterinin dönüşüm sürecindeki katkısını değerlendirmek için kullanılan bir yöntemdir. Bu yöntem, kullanıcının bir ürünü veya hizmeti satın almadan önce hangi pazarlama kanallarının daha etkili olduğunu belirlemeye çalışır.Dijital pazarlama faaliyetlerinde genellikle birden fazla kanalı kullanılmaktadır. Organik arama, ücretli arama, sosyal medya, e-posta pazarlama, doğrudan trafiğe yönlendirme, içerik pazarlama, etkileşimli reklamlar bu kanallardan bazılarıdır. Bu bilgiden hareketle bir kullanıcının birden fazla kanal üzerinden etkileşimde bulunabileceği ve ardışık olarak farklı kanallar arasında geçiş yapabileceği söylenebilir. İlişkilendirme modelleri tam olarak bu noktada devreye girerek kullanıcının dönüşüm sürecinde hangi kanalların ne kadar etkili olduğunu anlamak için bu karmaşık etkileşimleri değerlendirmeye yardımcı olmaktadır.Özetle, pazarlama bütçesinin etkili bir şekilde tahsis edilmesini sağlamak, pazarlama stratejilerini optimize etmek, kanal performansını anlamak, dönüşüm yolunu izlemek ve müşteri davranışını anlamak gibi konularda ilişkilendirme modelleri bizlere değerli içgörüler sağlayabilmektedir.Dijital Pazarlama İlişkilendirme Modellerinin Önemi Nedir?Attribution modellerinin dijital pazarlama dünyasında önemli olmasının sebebi, doğru bir şekilde kullanıldığında, pazarlamacılara pazarlama faaliyetlerinin etkisini ve getirisini anlamak için değerli bir analitik içgörü sağlamasıdır. Bu sayede pazarlama faaliyetlerinin etkisini anlamak, bütçeyi optimize etmek, strateji geliştirmek, müşteri içgörüleri elde etmek, performansı ölçmek, farklı kanalların etkisini anlamak ve veri destekli kararlar alınabilmektedir.İlişkilendirme Modelleri Google Analytics, kullanıcılarına farklı attribution modellerini sunmaktadır. Google Analytics tarafından bize sunulan ilişkilendirme modelleri şunlardır: Son Tıklama /Etkileşim (Last Interaction) Son Doğrudan Trafik (Last Non-Direct Click) Last Google Ads Click (Son Google Ads Tıklaması) İlk Tıklama Etkileşim (First Interaction) Lineer (Linear) Zaman Aralıklı (Time Decay) Pozisyon Temelli (Position-Based) Last Interaction (Son Tıklama / Etkileşim)Last Interaction (Son Tıklama / Etkileşim) attribution modeli, Google Analytics gibi analitik araçlarda sıkça kullanılan bir modeldir. Bu modelde, bir kullanıcının dönüşümü gerçekleştirdiği andaki son etkileşim veya tıklama, tüm dönüşüm değerini alır ve diğer tüm etkileşimler veya kanallar göz ardı edilir.Last Interaction attribution (son etkileşim ilişkilendirmesi) modeli, son tıklamanın veya etkileşimin dönüşüm sürecindeki en önemli faktör olarak kabul edildiği bir modeldir. Bu modelde kullanıcının son etkileşim yaptığı kanal veya kampanya dönüşümü gerçekleştirdiğinde tüm değeri alır ve diğer etkileşimlerin veya kanalların katkısı göz ardı edilir. Örneğin, bir kullanıcının son etkileşimi organik arama sonuçlarından bir tıklama ise, organik aramanın tüm değerini alır ve kullanıcının daha önceki etkileşimleri veya kanalları dikkate alınmaz.Last interaction attribution modeli basit ve doğrudan bir modeldir ve kullanıcının dönüşüm sürecinde son etkileşiminin en büyük etkisi olduğunu varsayar. Ancak bu model, diğer etkileşimlerin veya kanalların dönüşüm sürecine olan etkisini göz ardı edebilir ve kullanıcının tüm yolculuğunu tam olarak anlama yolunda eksik bir perspektif sunabilir. Bu nedenle Last Interaction attribution modeli tek başına kullanıldığında, pazarlamacılar potansiyel olarak dönüşüm sürecindeki diğer etkileşimleri veya kanalları görmezden gelebilir ve bütçelerini yanlış yönlendirebilir. Dolayısıyla, farklı attribution modellerinin kullanılması ve dönüşüm sürecinin farklı perspektiflerden değerlendirilmesi önemli ve diğer modeller içinde geçerli bir durumdur.Last Non-Direct Click (Doğrudan Olmayan Son Tıklama)Last Non-Direct Click attribution modelinde kullanıcının dönüşümü gerçekleştirdiği andaki son etkileşim veya tıklama, doğrudan trafik dışındaki diğer kanallara atfedilir ve doğrudan trafik herhangi bir değer almaz.Last Non-Direct Click attribution modeli, doğrudan trafik dışındaki diğer kanalların dönüşüm sürecine olan etkisini değerlendirmek isteyen pazarlamacılar için kullanışlıdır. Doğrudan trafik, kullanıcının sitenin URL'sini doğrudan tarayıcısına yazdığı veya bir yer imi veya geçmişten tıkladığı zamanlarda oluşur.Bu tür trafik, kullanıcının diğer kanallar üzerinden geldiği bir dönüşüm sürecinde genellikle son tıklamayı veya etkileşimi temsil etmez. Örneğin, bir kullanıcı organik arama sonuçlarından siteye gelir, ardından sosyal medya veya bir reklam kampanyası üzerinden siteye dönüş yapar ve sonunda doğrudan siteye dönerek bir dönüşüm gerçekleştirirse Last Non-Direct Click attribution modeli son doğrudan tıklamanın değil, son sosyal medya veya reklam kampanyası üzerinden gelen etkileşimin değerini alacaktır.Last Non-Direct Click ilişkilendirme modeli, her ne kadar doğrudan trafik dışındaki kanalların dönüşümlerdeki katkısını daha iyi anlamak için kullanışlı olsa da, dönüşüm sürecindeki diğer etkileşimleri veya kanalları göz ardı edebileceği için tek başına kullanıldığında eksik bir perspektif sunabilir. Dolayısıyla, farklı attribution modellerinin kullanılması ve dönüşüm sürecinin farklı açılardan değerlendirilmesi önerilmektedir.Last Google Ads Click (Son Google Ads Tıklaması)Last Google Ads Click (Son Google Ads Tıklaması), Google Ads (eski adıyla Google AdWords) reklam kampanyalarında kullanılan bir ilişkilendirme modelidir. Bu modelde, kullanıcının dönüşümü gerçekleştirdiği andaki son etkileşim veya tıklama Google Ads üzerinden geldiği varsayılarak tüm değeri Google Ads'e atfeder.Last Google Ads Click attribution modeli, Google Ads kampanyalarının dönüşümlere olan etkisini ölçmek isteyen pazarlamacılar için oldukça kullanışlı olabilmektedir.Örneğin, bir kullanıcı bir Google Ads reklamı üzerinden siteye gelir, ardından organik arama sonuçlarından veya sosyal medya gibi başka bir kanaldan siteye dönüş yapar ve sonunda dönüşümü gerçekleştirirse, Last Google Ads Click attribution modeli, tüm değeri son Google Ads tıklamasına atfetmektedir.Ancak, unutulmaması gereken husus, Last Google Ads Click attribution modelinin dönüşüm sürecindeki diğer kanalları ve etkileşimleri dikkate almadığıdır. Dolayısıyla, yalnızca son tıklamayı dikkate alarak diğer kanalların katkısını görmezden gelebilir ve büyük resmi size sunamayabilir.First Interaction (İlk Tıklama/Etkileşim)First Interaction (İlk Tıklama/Etkileşim) ilişkilendirme modeli, bir kullanıcının dönüşüm sürecindeki ilk etkileşimi veya tıklamasını vurgulayan bir modeldir. Bu modelde, kullanıcının dönüşüm yolculuğundaki ilk etkileşim veya tıklama, tüm değeri alır ve diğer kanallar dikkate alınmaz.First Interaction attribution modeli, kullanıcıların ilk temasının ne kadar önemli olduğunu vurgulamak isteyen pazarlamacılar için kullanışlıdır. Özellikle farkındalık yaratma aşamasında, marka bilinirliğini artırmak için yapılan kampanyalarda veya potansiyel müşterilerin markayla ilk temasını sağlamak için kullanılan kanallarda bu model kullanılabilir.Örneğin, bir kullanıcı bir reklam afişine tıklar, ardından siteye gelir ve sonunda bir dönüşüm gerçekleştirirse, First Interaction attribution modeli, tüm değeri ilk reklam tıklamasına atfeder.Ancak, First Interaction attribution modeli, dönüşüm sürecindeki diğer etkileşimleri ve kanalları dikkate almadığından, kullanıcıların farklı kanallar üzerinden tekrar etkileşimde bulunduğunu veya dönüşüm gerçekleştirdiğini göz ardı edebilir. Dolayısıyla birden fazla attribution modelinin kullanılması burada da oldukça kıymetlidir.Lineer (Linear)Lineer (Linear) ilişkilendirme modeli dönüşüm sürecindeki tüm etkileşimleri ve tıklamaları eşit olarak değerlendiren bir modeldir. Bu modelde her bir etkileşim veya tıklama aynı değeri alır ve dönüşümün tüm kanallara eşit olarak atfedildiği kabul edilir.Lineer attribution modeli, kullanıcıların dönüşüm yolculuğunda birden fazla kanala etkileşimde bulunduğunu ve dönüşüm sürecine katkıda bulunan her bir kanalın değerini vurgulamak isteyen pazarlamacılar için kullanışlıdır. Bu model kullanıcıların dönüşüm yolculuğundaki her etkileşimi veya tıklamayı değerlendirerek her kanalın payını adil bir şekilde belirlemeye çalışır.Örneğin, bir kullanıcı bir reklam afişine tıklar, ardından organik aramada birkaç kez siteye gelir, daha sonra sosyal medya reklamına tıklar ve sonunda bir dönüşüm gerçekleştirirse, Lineer attribution modeli, her kanala eşit miktarda değer atfeder. Reklam afişine organik aramalara ve sosyal medya reklamına eşit değer verir.Lineer attribution modeli, kullanıcıların dönüşüm süreçlerindeki tüm etkileşimleri dikkate alarak geniş bir perspektif sunar, ancak bazen bazı kanalların gerçek katkısını gizleyebilir.Time Decay (Zamanla Değer Kaybı)Time Decay (Zamanla Değer Kaybı) attribution modelling, dönüşüm sürecindeki etkileşimlerin zaman açısından değerlendirildiği bir modeldir. Bu modelde, kullanıcının dönüşüm yolculuğundaki son etkileşimlere daha fazla değer verilirken yolculuğun başındaki etkileşimlere daha az değer verilir.Time Decay attribution modelinde kullanıcının dönüşüm yolculuğundaki her etkileşim veya tıklama zamanla ağırlıklandırılır. Yani, dönüşüme daha yakın etkileşimler veya tıklamalar daha fazla değer alırken dönüşüme daha uzak etkileşimler veya tıklamalar daha az değeri alır. Model, dönüşüm sürecinde zamanın önemini vurgulayarak kullanıcıların dönüşüm yolculuğundaki son adımları daha belirleyici olarak kabul eder. Bu modelde direkt kanallar ve e-posta kanalları daha fazla kredi alacaktır.Position-Based (Pozisyon Temelli)Position-Based (Pozisyon Temelli) ilişkilendirme modeli, dönüşüm yolculuğundaki farklı etkileşimlere belirli pozisyonlarda farklı değerler atayan bir modeldir. Dönüşüm yolculuğundaki başlangıç ve bitiş noktaları ile bu noktalar arasındaki etkileşimlere daha fazla değeri verilirken orta noktalara daha az değeri verilir.Position-Based attribution modelinde, kullanıcının dönüşüm yolculuğundaki etkileşimler üç farklı pozisyona ayrılır: Başlangıç (first touch), orta (middle touch) ve bitiş (last touch). Başlangıç ve bitiş noktalarına daha yüksek değerler atfedilirken orta noktalara daha düşük değerler atanır. Bu modelde kullanıcının dönüşüm yolculuğunda başlangıç ve bitiş noktaları genellikle daha önemli kabul edilirken, orta noktaların da katkısının olduğu kabul edilir.Örneğin, bir kullanıcı bir reklam afişine tıklar (başlangıç), sonra organik aramada birkaç kez siteye gelir (orta), ve sonunda bir Google Ads reklamına tıklar ve bir dönüşüm gerçekleştirir (bitiş). Position-Based attribution modeli, reklam afişine ve Google Ads reklamına daha yüksek değerler verirken, organik aramaları orta pozisyon olarak kabul eder ve daha az değeri erir.Position-Based attribution modeli, dönüşüm yolculuğunda başlangıç ve bitiş noktalarının önemli olduğunu düşünen pazarlamacılar için kullanışlıdır. Ancak, model, dönüşüm yolculuğunun orta noktalarının potansiyel katkısını azaltabilir ve bazen karmaşık yolculuklarda gerçek katkıyı tam olarak yansıtmayabilir.Universal Analytics Hangi İlişkilendirme Modelini Kullanır?Universal Analytics, varsayılan olarak "Son Tıklama/Etkileşim" (Last Click/Interaction) ilişkilendirme modelini kullanmaktadır.Bu, müşterinin dönüşüm sürecinde son olarak hangi kanala tıkladığına odaklanarak tüm değeri bu kanala atar ve diğer kanalların katkısını göz ardı eder. Yani, Universal Analytics'te dönüşümler varsayılan olarak son tıklama kanalına atanmaktadır.Bir sonraki yazımızda Google Analytics 4 ve İlişkilendirme Modellerini inceleyeceğiz.