Ürünleriniz Konuşabilseydi, Birbirine Ne Derdi?

Bu yazımızda,, ürün verilerini sayısal temsillere dönüştüren Product2Vec yaklaşımının klasik öneri sistemlerinden ne farkı olduğunu, hangi iş problemlerini çözdüğünü ve e-ticaret dünyasından gerçek vakalarla nasıl sonuçlar ürettiğini inceleyeceğiz.

Product2Vec ile E-Ticarette Öneri Sistemlerinin Yeni Nesli

"Müşterilerimiz zaten öneri görüyor, neden farklı bir şey yapalım?"

Bu soruyu duyduğum her toplantıda aynı cevabı veriyorum: Çünkü klasik öneri sistemleri, müşterilerinize "bu ürünü alan bu ürünü de aldı" diyor. Product2Vec ise "bu ürünler neden birlikte anlam ifade ediyor" sorusunu cevaplayabiliyor.

Aradaki fark, bir kitapçıda "çok satanlar" rafına bakmakla, sizin zevkinizi anlayan bir kitapçının "bunu okuduysan, şunu da seversin , ama bu sefer farklı bir türden" demesi arasındaki fark kadar büyük.

Klasik Öneri Sistemlerinin Görünmeyen Sorunu

Bir e-ticaret sitesinde kırmızı bir elbise baktığınızı düşünün. Klasik bir "Collaborative Filtering" sistemi size ne önerir? Büyük ihtimalle başka kırmızı elbiseler. Belki aynı markanın diğer elbiseleri.

Peki ya o kırmızı elbiseye bakan müşterilerin çoğunun aslında bir davet hazırlığında olduğunu ve elbisenin yanına topuklu ayakkabı, clutch çanta ve statement kolye aradığını bilseydiniz?

İşte klasik sistemlerin en büyük kör noktası burada: ürünleri kategoriler ve etiketlerle tanıyorlar, müşteri davranışlarıyla değil.

Product2Vec Nedir?

Google'ın ünlü Word2Vec algoritması, kelimelerin anlamını öğrenmek için şu prensibi kullanır: "Bir kelimeyi, etrafındaki kelimelerden tanırsın." Yani "İstanbul" kelimesi "şehir", "Boğaz", "trafik" gibi kelimelerle sık sık birlikte geçiyorsa, algoritma İstanbul'un ne olduğunu bu bağlamdan anlar.

Product2Vec aynı mantığı ürünlere uyguluyor:

Bir ürünü, aynı oturumda (session) birlikte görüntülenen diğer ürünlerden tanırsın.

Bir kullanıcı tek oturumda şu ürünleri görüntülüyor diyelim:

Oturum 1: [Koşu Ayakkabısı] → [Spor Tayt] → [Spor Sütyeni] → [Matara]

Oturum 2: [Koşu Ayakkabısı] → [Koşu Çorabı] → [Spor Bilekliği]

Oturum 3: [Yürüyüş Botu] → [Outdoor Çanta] → [Matara] → [Güneş Kremi]

Word2Vec'te cümleler nasıl kelimeler arasındaki ilişkiyi ortaya çıkarıyorsa, burada oturumlar da ürünler arasındaki gizli ilişkileri ortaya çıkarıyor. Algoritma bu oturumlardan öğreniyor ki:

Koşu Ayakkabısı ve Spor Tayt, "aynı dünyada" yaşayan ürünler

Matara hem koşu hem outdoor dünyasına köprü kuruyor

Yürüyüş Botu ve Koşu Ayakkabısı yakın ama aynı noktada değil

Her ürün sonunda çok boyutlu bir uzayda bir "nokta" olarak temsil ediliyor. Birbirine yakın noktalar = birbirine benzer veya tamamlayıcı ürünler.

İş Tarafında Ne Değişiyor?

Product2Vec'in gerçek gücü, tek bir embedding'den (sayısal temsil) birden fazla iş problemi çözebilmenizde yatıyor. Tek bir modelden elde edebileceğiniz çıktılar:

1. Benzer Ürün Önerileri (Similar Items)

En temel kullanım alanı. Bir ürün sayfasında "Bunu Beğendiyseniz" karuselini akıllı hale getirmek. Klasik sistemlere göre farkı: sadece aynı kategoriden değil, davranışsal olarak benzer ürünleri de önerebilmesi.(CTR (Tıklanma Oranı) ve dönüşüm oranında doğrudan artış.)

2. Kategoriler Arası Cross-Sell

Product2Vec, kategori sınırlarını aşabilen bir yapıda. Kahve makinesi bakan birine sadece başka kahve makinesi değil, öğütücü, kahve çekirdeği, süt köpürtücü önerebilirsiniz çünkü bu ürünler embedding uzayında birbirine yakın.(Ortalama sepet değerinde (AOV) artış.)

3. Otomatik Ürün Taksonomi Genişletme

Özellikle marketplace modellerde ürün kategorilendirmesi bir kabustur. Product embedding'ler kullanarak, yanlış kategorize edilmiş ürünleri otomatik olarak tespit edebilir veya yeni ürünleri doğru kategoriye yönlendirebilirsiniz.(Arama kalitesinde iyileşme, müşteri deneyiminde tutarlılık.)

4. Kişiselleştirilmiş Arama Sonuçları

Bir müşteri "pantolon" diye aratıyor. Klasik arama motoru her tür pantolonu döndürür. Ama o müşteri son oturumlarında hep koşu ürünleri baktıysa, Product2Vec tabanlı kişiselleştirme ona önce koşu pantolonlarını gösterir.(Arama-sonrası dönüşüm oranında artış.)

5. Müşteri Segmentasyonu

Ürün embedding'lerini müşteri düzeyinde toplayarak (aggregation), her müşterinin "ilgi uzayını" çıkarabilirsiniz. Böylece segmentasyon artık demografiye değil, gerçek davranışa dayanır. (Kampanya hedeflemede hassasiyet, pazarlama bütçesinde verimlilik.)

Gerçek Dünyadan Rakamlar

Bu yaklaşım teoride güzel ama pratikte işe yarıyor mu?

Pinterest, ItemSage adını verdiği embedding modeliyle ürün önerilerinde sepete ekleme ve satın alma metriklerinde kayda değer iyileşmeler raporladı , özellikle az tıklanan ürünlerde. [1]

Amazon, Alibaba, Walmart, Criteo gibi şirketler, ürün embedding'lerini öneri, fiyatlandırma ve benzerlik gibi farklı alanlarda aktif olarak kullanıyor. [2]

Huckberry (bir outdoor e-ticaret markası), AI tabanlı kişiselleştirme motoruyla reklam bütçesini artırmadan gelirinde %9,4 artış sağladı. [3]

McKinsey tarafından paylaşılan verilere göre, Amazon'daki satın almaların %35'i öneri motorları tarafından yönlendiriliyor. Netflix'te ise bu oran %75'e çıkıyor. [4]

Başlamak İçin Neye İhtiyacınız Var?

Product2Vec projesine başlamak için milyonlarca dolarlık bütçeye veya 50 kişilik data science ekibine ihtiyacınız yok. İhtiyacınız olan üç temel şey:

1. Oturum bazlı görüntüleme verisi Her kullanıcının tek bir oturumda hangi ürünleri, hangi sırayla görüntülediğinin kaydı. GA4 kullanıyorsanız, bu veri zaten BigQuery'de sizi bekliyor.

2. Yeterli veri hacmi Word2Vec temelli modeller, az görüntülenen ürünler için kaliteli embedding üretemez. Genel kural: bir ürünün en az birkaç yüz kez farklı oturumlarda görüntülenmiş olması gerekir.

3. İş tarafıyla net bir kullanım senaryosu Teknoloji hazır, asıl soru "bunu nerede kullanacağız?" sorusu. Benzer ürün önerisi mi? Cross-sell mi? Kişiselleştirilmiş arama mı? İlk projeyi dar ve ölçülebilir tutmak başarı şansını artırır.

Her güçlü aracın sınırları var. Product2Vec'in dikkat edilmesi gereken noktaları:

Az tıklanan ürünler (cold items) kalitesiz embedding'ler üretir. Yeni ürünler için ek sinyaller (kategori, marka, fiyat aralığı gibi meta veriler) gerekir. Meta-Prod2Vec gibi yaklaşımlar bu sorunu çözmeye odaklanıyor.

Mevsimsellik ve trend değişimleri modeli eskitir. Embedding'leri düzenli aralıklarla yeniden eğitmek gerekir.

Tek başına yeterli değildir. Gerçek dünyada en iyi sonuçlar, embedding tabanlı yaklaşımın kural bazlı filtrelerle (stok durumu, marj, kampanya kuralları) birleştirilmesiyle elde edilir.

Sonuç: Ürünlerinizin Dilini Öğrenin

Product2Vec'in arkasındaki temel fikir aslında çok insani: bağlam, anlam yaratır.

Bir kelimeyi cümledeki yerine bakarak anlıyoruz. Bir insanı, kiminle vakit geçirdiğine bakarak tanıyoruz. Aynı şekilde, bir ürünü de hangi ürünlerle birlikte görüntülendiğine bakarak "anlayabiliriz."

Bu anlayış, size sadece daha iyi öneri sistemi vermez. Size müşterilerinizin ürünlerinizi nasıl gördüğüne dair bir harita verir. Ve bu harita, pazarlama stratejinizden ürün geliştirme kararlarına kadar her şeyi dönüştürebilir.

Ürünleriniz zaten konuşuyor. Soru şu: siz dinliyor musunuz?

SSS

Product2Vec'i uygulamak için ne kadar teknik altyapıya ihtiyacım var?

Temel bir Python ortamı ve oturum bazlı görüntüleme verisi yeterli bir başlangıç noktası. Ancak profesyonel anlamda bu işi ölçeklenebilir, sürdürülebilir ve iş sonuçlarına bağlı bir şekilde hayata geçirmek istiyorsanız Analyticahouse olarak tam da bu noktada devreye giriyoruz: veri altyapısından model geliştirmeye, öneri sisteminin entegrasyonundan performans ölçümüne kadar uçtan uca bir ortaklık sunuyoruz.

Kaç ürün ve kaç oturum verisiyle anlamlı sonuç alınır?

Genel kural olarak, bir ürünün kaliteli bir embedding üretebilmesi için en az birkaç yüz farklı oturumda görünmüş olması gerekiyor. Toplam oturum sayısı için ise yüz binli rakamlar modelin anlamlı ilişkiler öğrenmesini güçlendiriyor.

Model ne sıklıkla yeniden eğitilmeli?

Mevsimsellik ve trend değişimleri embedding'leri eskittiğinden, ürün kataloğunuzun dinamizmine göre haftalık ile aylık arasında bir yeniden eğitim döngüsü kurgulanmasını öneriyoruz. Hızlı değişen kategorilerde (moda, elektronik) bu süreyi kısaltmak daha doğru sonuçlar verir.

Yeni eklenen ürünler için ne yapılmalı?

Yeni ürünler yeterince görüntülenmediğinden soğuk başlangıç problemi yaşanır. Bu durumda ürünün kategori, marka, fiyat aralığı ve açıklama gibi meta verileri kullanılarak embedding tahmini yapan Meta-Prod2Vec gibi yaklaşımlar devreye alınabilir.

Product2Vec tek başına bir öneri motoru olarak yeterli mi?

Hayır. En güçlü sonuçlar, embedding tabanlı önerilerin stok durumu, marj hedefleri ve kampanya kuralları gibi iş kısıtlarıyla birleştirildiği hibrit sistemlerden geliyor. Product2Vec bir karar motoru değil, güçlü bir sinyal kaynağı olarak konumlandırılmalı.

Referanslar

[1] Pal, A. et al. (2022). ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest. KDD '22, ACM SIGKDD Conference on Knowledge Discovery and Data Mining. cs.stanford.edu/people/jure/pubs/itemsage-kdd22.pdf

[2] Coveo (2022). Product Embeddings & Recommendations: The Ultimate Ecommerce Power Couple. coveo.com/blog/product-embeddings-conversion

[3] Core dna (2025). Top eCommerce Case Studies: Key Insights and Surprising Results. Huckberry, Algolia AI kişiselleştirme motoru entegrasyonu case study. coredna.com/blogs/ecommerce-case-studies

[4] McKinsey & Company, aktaran Coveo (2022). Amazon ve Netflix öneri motorları etki verileri. coveo.com/blog/product-embeddings-conversion