Hedef Kitle Segmentasyonu: Stratejiden Uygulamaya Kapsamlı Rehber

Bir e-ticaret sitesinden aynı ürünü satın alan iki müşteri, birbirinden tamamen farklı sorunları çözmeye çalışıyor olabilir. Biri ertesi gün teslimat beklerken diğeri uzun kullanım ömrüne, bir başkası toplam maliyete önem verir. Aynı sektördeki iki şirket de aynı yazılımı farklı nedenlerle değerlendirir: biri büyüyen operasyonunu yönetmek, diğeri mevcut sisteminin oluşturduğu riski azaltmak ister.

Hedef kitle segmentasyonu, bu farkları görünür hâle getirerek işletmenin hangi müşteriye hangi değeri sunacağını belirlemesini sağlar. İyi bir segmentasyon; ürün, fiyat, içerik, satış, reklam ve müşteri deneyimi kararlarında kullanılabilir. Başarısı, oluşturulan profil sayısından çok bu kararların ne kadar isabetli olduğunu gösteren sonuçlarla anlaşılır.

Bu rehberin önerdiği başlangıç, müşteri ihtiyacını ana eksen olarak almak; satın alma bağlamı, gözlenen davranış ve ekonomik değerle zenginleştirmektir. Demografik veya firmografik bilgiler de hizmet koşullarını ve kararları açıkladıkları ölçüde modele eklenir. Böylece işletme hem bugünün talebine uygun teklifler geliştirebilir hem de gelecekteki alıcıları anlayabilir.

Aşağıdaki yöntemler B2C ve B2B işletmelere uyarlanabilir. Sayısal uygulamalar ve isim verilmeyen işletme senaryoları öğretici örneklerdir; gerçekleşmiş müşteri sonuçları olarak sunulmamıştır.

Hedef kitle segmentasyonu nedir?

Hedef kitle segmentasyonu, bir pazarı veya müşteri tabanını ihtiyaçları, davranışları, koşulları ya da ticari değerleri bakımından anlamlı gruplara ayırma sürecidir. Burada “anlamlı”, işletmenin farklı bir karar almasını gerektiren ayrımı ifade eder. İki grup farklı yaşlarda olsa da aynı problemi yaşıyor, aynı kanıtı arıyor ve aynı teklife benzer tepki veriyorsa yaş ayrımı o karar için sınırlı değer taşıyabilir.

Pazar segmentasyonu potansiyel alıcıları da kapsar. Müşteri segmentasyonu ise mevcut müşteri tabanını inceler. Bu ayrım büyüme açısından önemlidir: yalnızca bugünkü müşterilerden öğrenmek, henüz markayı tercih etmeyen grupların ihtiyaçlarını gözden kaçırabilir. Qualtrics’in müşteri segmentasyonu açıklaması bu iki kapsamı ayırır.

Segmentasyon, hedefleme ve konumlandırma arasındaki fark

STP modeli üç bağlantılı kararı düzenler: segmentasyon grupları oluşturur, hedefleme öncelikli grupları seçer, konumlandırma ise seçilen alıcıların zihninde markanın hangi değerle yer alacağını belirler. Kanal seçimi ve kampanya kurulumu, bu kararların uygulama adımlarıdır.

Persona, segment araştırmasını ekip içinde anlaşılır kılabilir. Ancak kurgusal isim, fotoğraf ve hobiler eklemek tek başına kanıt oluşturmaz. Satın alma tetikleyicisi, çözülmek istenen sorun, karar kriteri ve itirazlar çoğu uygulamada daha kullanışlıdır.

Segmentasyon hangi iş kararlarını iyileştirir?

Bir segmentasyon projesinin başlangıç sorusu “Kaç profil çıkaracağız?” yerine “Hangi kararı daha iyi vereceğiz?” olmalıdır. Çünkü yeni pazara girmek, tekrar satın almayı artırmak ve kurumsal satış fırsatlarını önceliklendirmek farklı veri ve yöntemler gerektirir.

Ekonomik değer ve işletmenin hizmet verme kapasitesi birlikte değerlendirilmelidir. Büyük görünen bir segment yüksek iade, yoğun destek veya pahalı entegrasyon gerektiriyorsa beklenen katkıyı üretmeyebilir. Bain’in segmentasyon çerçevesi de müşteri ihtiyaçlarını, kârlılığı ve şirketin seçilen gruba hizmet sunma yeteneğini birlikte ele alır.

Geniş erişim ile segmentasyon nasıl birlikte çalışır?

Segmentasyon, bütün pazarlama faaliyetlerini küçük kitlelere bölmeyi gerektirmez. Bir marka, kategori içindeki geniş alıcı kitlesinde bilinirlik oluştururken belirli satın alma durumları için farklı içerik, teklif veya hizmet geliştirebilir. Geniş erişimin kapsamını da hizmet verilebilen pazar belirler; tek şehirde çalışan işletmeyle ulusal dağıtımı olan markanın erişim hedefi aynı değildir.

LinkedIn B2B Institute’un Ehrenberg-Bass araştırmalarına dayandırdığı 95–5 yaklaşımı, özellikle satın alma aralıklarının uzun olduğu kategorilerde birçok potansiyel müşterinin bugün alım yapmadığını vurgular. Buradan alınacak ders, gelecekteki talebi de düşünmektir. “%95” her kategori için ölçülmüş sabit bir oran veya reklam bütçesi dağılımı olarak kullanılmamalıdır. LinkedIn B2B Institute, 95–5 Rule.

Uygulamada iki soru birlikte yönetilir: “Bugün değerlendirme yapan müşterinin kararını hangi bilgi kolaylaştırır?” ve “İleride ihtiyaç doğduğunda markamız hangi durumla birlikte hatırlansın?” Segment araştırması her ikisini de besleyebilir. Bütçe dağılımı ise kategori, rekabet, nakit akışı ve ölçüm sonuçlarına göre belirlenir.

Hedef kitle segmentasyonu türleri

Her segmentasyon türü farklı bir soruyu yanıtlar. Doğru seçim, elde kolay bulunan değişkenlerden önce iş kararına bakmayı gerektirir.

Bir işletme bu yaklaşımların tamamını kullanmak zorunda değildir. Örneğin yerel bir bakım hizmetinde coğrafya ve zaman uygunluğu güçlü bir başlangıç olabilir. Tekrar satın alma sıklığı yüksek bir perakendecide davranış ve değer analizi daha fazla karar desteği sağlayabilir.

Demografik bilgi ne zaman yeterli olmaz?

“25–40 yaş, büyükşehir, orta ve üst gelir” tanımı, hangi itirazın giderileceğini veya hangi ürün özelliğinin öne çıkarılacağını tek başına söylemez. Aynı profil içindeki bir müşteri kurulum kolaylığını, diğeri dayanıklılığı, üçüncüsü belirli bir ölçüye uyumu önceliklendirebilir.

Netflix’in kendi açıklaması davranışsal verinin kullanımına somut bir örnektir. Şirket, önerilerinde izleme geçmişi, benzer tercihler, içerik özellikleri ve kullanım bağlamı gibi girdileri değerlendirdiğini; yaş ve cinsiyet gibi demografik bilgileri bu öneri kararına katmadığını belirtir. Bu, belirli bir öneri sisteminin çalışma biçimidir; bütün sektörlerde demografik verinin gereksiz olduğuna kanıt sayılmaz. Netflix öneri sistemi.

İhtiyaç, satın alma bağlamı ve değer nasıl birleştirilir?

Yönetilebilir bir yapı için müşteriye ait her özelliği tek bir segment adına sıkıştırmak yerine üç katman kullanmak yararlıdır:

1. Ana ihtiyaç: Müşteri hangi sonucu elde etmeye çalışıyor?
2. Bağlam ve aşama: Bu ihtiyacı neden şimdi değerlendiriyor; hangi kararı vermek üzere?
3. Ekonomik ve operasyonel koşullar: Bu müşteriye nasıl hizmet verilebilir; beklenen katkı ve maliyet nedir?

Örneğin “İstanbul’da yaşayan, 30–45 yaşında, fiyat sayfasını ziyaret eden, yüksek gelirli kullanıcı” ifadesi yerine şu kayıt daha fazla karar üretir: “Kurulumu kendi yapabileceği çözüm arıyor; iki alternatifi karşılaştırıyor; teslimat bölgesinde; ihtiyaç beyanı mevcut; ekonomik değeri henüz bilinmiyor.” Son ifade, bilmediğimiz alanı da görünür tutar.

Jobs to Be Done sorusunu somutlaştırmak

Jobs to Be Done, müşterinin ürünü hangi ilerlemeyi sağlamak için kullandığına odaklanır. Araştırma sırasında şu cümle yapısı kullanılabilir: “... durumundayken, ... yapabilmek istiyorum; böylece ... sonucuna ulaşabileyim.”

Örnek: “Yeni bir eve taşınırken, mobilyanın ölçü ve kurulum gereksinimlerini önceden anlayabilmek istiyorum; böylece teslimattan sonra uyumsuzlukla uğraşmayayım.” Burada ürün seçimi kadar ölçü rehberi, teslimat bilgisi ve kurulum açıklaması da değer önerisinin parçasıdır. Böyle bir bulgu, yalnızca indirim odaklı iletişimden farklı bir uygulama doğurur.

Satın alma durumlarıyla ilişkili category entry point kavramı da markanın hangi olay, ihtiyaç veya bağlamda hatırlanacağını düşünmeye yardımcı olur. “Yeni eve taşınma” bir tetikleyici; “yanlış ölçü seçme riskini azaltma” aranan sonuç; “kurulum rehberi” ise olası çözüm bileşenidir. Bu alanları ayrı yazmak, araştırmadan kampanyaya geçişi kolaylaştırır.

Müşteriyi kalıcı bir etikete hapsetmemek

Bir kişinin kendi kullanımı için yaptığı alışverişle hediye alışverişindeki öncelikleri değişebilir. B2B’de aynı şirket yeni kurulum ve sözleşme yenileme dönemlerinde farklı kararlar verebilir. İhtiyaç etiketleri bu nedenle ürün, hesap, sipariş veya fırsat düzeyinde tutulabilir; analiz birimi baştan belirlenmelidir.

Satın alma aşamalarının da her zaman doğrusal ilerlediği varsayılmamalıdır. Google’ın “messy middle” araştırması, keşif ve değerlendirme arasında tekrarlanan hareketlere dikkat çeker. Bunun pratik karşılığı, tek sayfa görüntülemesinden kesin bir aşama atamak yerine birden fazla sinyali ve müşterinin beyanını birlikte değerlendirmektir. Google, satın alma karar süreci araştırması.

Hedef kitle segmentasyonu nasıl yapılır?

Adım 1: Kararı, kapsamı ve başarı ölçütünü yazın

Çalışmayı bir karar cümlesiyle başlatın: “İlk siparişini veren müşterilerde ikinci satın alma öncesindeki engelleri belirleyerek 90 günlük müşteri başına katkıyı artıracak uygulamayı seçeceğiz.” Böyle bir tanım, hangi müşterilerin inceleneceğini ve hangi sonuçların önemli olduğunu açıklar.

Başlangıç belgesinde ürün veya kategori, coğrafya, analiz birimi, veri dönemi, uygulama kanalı ve karar sahibi bulunmalıdır. Uzun satış döngülü bir B2B işletmesinde ilk ölçüm dönemi yalnızca fırsat kalitesini gösterebilir. Gelir etkisinin ne zaman değerlendirileceği ayrıca yazılmalıdır.

Adım 2: Veri envanterini çıkarın

Önce ortak tanımları düzeltin. CRM’de “aktif müşteri” son bir yılda alışveriş yapan kişi, finansta devam eden sözleşme sahibi ise aynı rapor iki farklı grubu karşılaştırıyor olabilir. Her temel alanın kaynağı, tanımı, güncellenme sıklığı ve sorumlusu belli olmalıdır.

Adım 3: Müşterilerle ve kaybedilen fırsatlarla görüşün

Yalnızca en memnun müşterilerle yapılan araştırma, markanın tercih edilmediği durumları açıklamakta yetersiz kalabilir. Yeni müşteriler, tekrar satın alanlar, ayrılanlar, teklif alıp vazgeçenler ve mümkünse henüz müşteri olmayan kategori alıcıları araştırma tasarımında yer almalıdır.

Başlangıç için yaklaşık 12–18 görüşme, sınırlı bir kategoride hipotez geliştirmeye yardımcı olabilir. Bu sayı bir temsil veya doygunluk garantisi değildir. Görüşmeler yeni ihtiyaçlar ve çelişkiler ortaya çıkardıkça örneklem genişletilir; ayrı pazarlar ve karar rolleri için yeterli derinlik aranır.

Kullanılabilecek sorular:

• Bu ihtiyacın ortaya çıktığı son somut olayı anlatır mısınız?
• O zamana kadar sorunu nasıl çözüyordunuz?
• Yeni bir çözüm aramanızı ne tetikledi?
• Hangi alternatifleri değerlendirdiniz ve hangilerini neden elediniz?
• Karar verirken hangi bilgiye güvenmekte zorlandınız?
• Satın almadan önce kimlere danıştınız, hangi kaynaklara baktınız?
• Arama motoruna veya bir yapay zekâ aracına nasıl bir soru sordunuz?
• Satın aldıktan sonra başarılı bir seçim yaptığınızı nasıl anladınız?

“İndirim olsaydı satın alır mıydınız?” gibi varsayımsal ve yönlendirici sorular yerine son gerçekleşen kararın ayrıntılarını araştırın. Yanıtları tarih, ürün ve bağlamla ilişkilendirin. Tek bir etkileyici ifadeyi bütün pazarın görüşü olarak ele almayın.

Adım 4: Bulguları kanıt düzeyine göre ayırın

İhtiyaç beyanı, gözlenen davranış ve analistin yorumu farklı alanlarda tutulmalıdır. “Kurulum zor geldi” müşteri beyanıdır. Kurulum sayfasının üç kez açılması gözlemdir. “Bu kişi teknik konularda kendine güvenmiyor” ise ek kanıt gerektiren yorumdur.

Segment adayları için küçük bir kanıt tablosu oluşturun: bulgu, kaynak, tarih, kaç farklı kayıtta görüldüğü, karşıt örnekler ve belirsizlik. Kaynak sayısı tek başına temsil gücü sağlamaz; aynı kampanyadan gelen yüz yorum aynı seçilim etkisini paylaşabilir.

Adım 5: Gerekiyorsa nicel araştırmayla sınayın

Görüşmeler ihtiyaçları keşfetmeye, anketler ise doğru örneklem tasarımıyla bunların yaygınlığını ve ilişkilerini değerlendirmeye yardımcı olur. Anket soruları araştırmada ortaya çıkan müşteri dilini kullanmalı; cevabı baştan dayatmamalıdır. Ödeme isteği ve özellik tercihleri önemliyse buna uygun araştırma tasarımı ayrıca kurulmalıdır.

Toplam örneklemin büyük olması, her alt segmentin yeterince temsil edildiği anlamına gelmez. Alt grup karşılaştırmaları, yanıtlamama etkisi ve örnekleme yöntemi birlikte değerlendirilmelidir. Mevcut müşteri anketinin sonuçlarını bütün kategori alıcılarına doğrudan genellemekten kaçının.

Adım 6: Segment adaylarını uygulama hipotezine dönüştürün

“Kurulum kolaylığı arayanlar” gibi bir adın yanına şu cümleyi ekleyin: “Bu grupta ölçü ve kurulum rehberinin, genel ürün anlatımına göre karar belirsizliğini azaltmasını ve iade sonrası katkıyı artırmasını bekliyoruz.” Artık test edilebilir bir öneri vardır.

İlk sürümde az sayıda ana segmentle çalışmak, ekiplerin uygulama üretmesini kolaylaştırır. Çoğu başlangıç projesinde 3–5 aday üzerinden ilerlemek yönetilebilir bir tercih olabilir; bu sayı bilimsel bir üst sınır değildir. Yeni bir segment, farklı bir karar ve onu uygulamaya değecek sonuç beklentisi taşımalıdır.

Hangi segmentlere öncelik verilmeli?

Bir segmentin ilginç görünmesi, yatırım önceliği kazanması için yeterli değildir. Önce uygulanabilirliğini değerlendirin.

Önceliklendirmede ihtiyaç yoğunluğu, ekonomik potansiyel, erişim, uygulama kapasitesi ve stratejik uyum birlikte değerlendirilebilir. Aşağıdaki ağırlıklar başlangıç için önerilen bir yönetim aracıdır; doğrulanmış bir başarı tahmin modeli değildir.

Her boyuta 1–5 arasında puan verildiğinde 100 üzerinden puan, ağırlıkların ilgili puanın beşe bölünmüş değeriyle çarpılıp toplanmasıyla bulunur. Sırasıyla 4, 4, 3, 5 ve 4 alan bir segment 80 puan alır. Ancak 80 puan, %80 başarı olasılığı demek değildir.

Veri olmayan alana düşük puan vermek yerine “bilinmiyor” yazın ve neyin araştırılacağını belirtin. Hukuken yapılamayan veya operasyonel olarak karşılanamayan bir uygulama, yüksek toplam puanla kabul edilebilir hâle gelmez. Ağırlıkları makul ölçüde değiştirdiğinizde sıralama sürekli değişiyorsa kararın belirsizliğini görünür kılın.

Pazar büyüklüğünü segment düzeyinde düşünmek

TAM toplam potansiyel pazarı, SAM sunabildiğiniz çözüm ve hizmet kapsamıyla erişilebilir pazarı, SOM ise belirli dönemde gerçekçi biçimde kazanabileceğiniz bölümü ifade etmek için kullanılır. Segment bazında bu büyüklükleri hesaplarken müşteri sayısı, yıllık talep ve fiyat varsayımlarını ayrı gösterin. Birbiriyle örtüşen ihtiyaç gruplarını toplamak aynı alıcıyı iki kez sayabilir.

Mevcut CRM’deki bir segmentin payı, bütün pazardaki payı değildir. Reklam platformunun gösterdiği tahmini erişim de tekilleştirilmiş pazar büyüklüğüyle aynı ölçüm değildir. Tahmini aralıklar, veri kaynakları ve belirsizlikler birlikte sunulmalıdır.

RFM analiziyle müşteri segmentasyonu

RFM, müşterileri satın alma geçmişlerindeki üç özellik üzerinden değerlendiren pratik bir yöntemdir. Tekrar alışverişin anlamlı olduğu iş modellerinde başlangıç analizi olarak kullanılabilir.

• Recency, son alışverişten geçen süre: Analiz tarihine göre müşterinin en son satın alımının ne kadar önce gerçekleştiği.
• Frequency, alışveriş sıklığı: Tanımlanan gözlem dönemindeki satın alma sayısı.
• Monetary, harcama tutarı: Aynı gözlem dönemindeki satın alımların parasal toplamı; bu rehberin örneğinde iade ve indirimler sonrası, vergi hariç net tutar.

Bu tanımlar bütün veri setinde aynı uygulanmalıdır. Oturum sayısını alışveriş sıklığıyla karıştırmak veya bazı müşterilerde ömür boyu, bazılarında son yıl harcamasını kullanmak karşılaştırmayı bozar. PyMC-Marketing RFM dokümantasyonu, yöntemin müşteri gruplarına uygulanmasına teknik bir örnek sunar.

Basit bir RFM örneği

Aşağıdaki varsayımsal tabloda gözlem dönemi son 365 gündür. Katkı maliyetleri henüz eklenmediği için harcama sütunu kârlılığı göstermez.

Bu tablo doğrudan kampanya kararı değildir. B müşterisi için yeniden iletişim değerlendirilebilir; ancak ürün yılda bir kez alınıyorsa 210 gün olağan olabilir. C müşterisinin düşük sipariş sayısı ise düşük gelecek değerinin kanıtı değildir; ilk sipariş tarihi ve gözlem süresi dikkate alınmalıdır.

Puanlama yapılacaksa her boyut örneğin 1–5 arasında sınıflandırılabilir. Son alışverişten geçen sürede daha kısa süreye daha yüksek puan verilir; sıklık ve tutarda yön tersidir. Yüzdelik dilimler küçük veya aynı değerlerin çok tekrarlandığı veri setlerinde anlamlı ayrım üretmeyebilir. Bu durumda kategoriye uygun iş eşikleri daha açıklanabilir olabilir.

RFM’den uygulamaya geçiş

Yakın zamanda ilk alışverişini yapan müşteriye kullanım desteği, geçmişte düzenli alışveriş yapan müşteriye ihtiyacına uygun hatırlatma düşünülebilir. Hangi uygulamanın işe yaradığı kontrollü biçimde ölçülmelidir. Her gruba indirim vermek, zaten gerçekleşecek alışverişlerin marjını azaltabilir.

RFM müşterinin neden satın aldığını açıklamaz. Bu nedenle “yüksek RFM” etiketi, araştırmayla belirlenmiş ihtiyaç veya ürün kullanım bilgisiyle birlikte değerlendirildiğinde daha güçlü karar desteği sağlar.

CLV ile geçmiş değerden gelecek değere geçmek

Müşteri yaşam boyu değeri (CLV ya da CLTV), müşteriden zaman içinde beklenen ekonomik değeri değerlendirmek için kullanılır. Uygulamalarda bazı hesaplar gelir, bazıları katkı veya kâr üzerinden kurulur. Karşılaştırma yapmadan önce kullanılan tanımı, tahmin ufkunu ve hangi maliyetlerin düşüldüğünü açıklamak gerekir.

Karar vermek için çoğu işletmede sınırsız bir gelecek yerine 6, 12 veya 24 aylık bir dönem seçmek daha izlenebilir bir başlangıçtır. Böyle bir sonucu “12 aylık beklenen müşteri katkısı” olarak adlandırmak, belirsiz bir yaşam boyu değer iddiasından daha açıktır.

Basitleştirilmiş bir hesap şu şekilde kurulabilir:

Beklenen dönem katkısı = Beklenen satın alma sayısı × Sipariş başına beklenen katkı − Bu hesaba henüz dâhil edilmemiş ilişki maliyetleri.

Uzun dönemli değerlendirmelerde her dönemin beklenen katkısı uygun iskonto oranıyla bugünkü değere indirilir. Edinme maliyeti (CAC) hesap dışında bırakıldıysa sonuç “edinme maliyeti öncesi”; düşüldüyse “edinme maliyeti sonrası” olarak açıkça belirtilmelidir.

Ciro ve katkı farkını gösteren örnek

Bir müşterinin gelecek 12 ayda dört sipariş vermesi ve sipariş başına 1.500 TL net gelir üretmesi beklensin. Ürün, ödeme, teslimat ve beklenen iade giderleri sonrasında katkı oranı %30 olsun. Bu katkıya henüz dâhil edilmemiş müşteri ilişkisi gideri 300 TL, edinme maliyeti 600 TL olarak varsayılsın.

Bu öğretici örnekte iskonto uygulanmamıştır ve bütün girdiler varsayımsaldır. Gerçek karar için sipariş, marj ve elde tutma varsayımlarının olumsuz senaryosu da hesaplanmalıdır. Aynı maliyetin hem katkı oranında hem ayrıca gider olarak düşülmesi sonucu hatalı biçimde küçültür.

BG/NBD ve Gamma-Gamma modelleri ne sağlar?

BG/NBD, müşterinin ayrılışının doğrudan gözlenmediği sözleşmesiz ortamlarda gelecekteki işlem sayısını modellemek için kullanılabilir. Gamma-Gamma ise uygun veri ve varsayımlar altında işlem başına beklenen parasal değeri tahminlemeye yardımcı olur. Bu çıktıları birleştirmek, seçilen dönem için gelir tahmini üretebilir; kâr hesabı için maliyet ve marj katmanı ayrıca gerekir. PyMC-Marketing CLV rehberi.

Gamma-Gamma yaklaşımı, müşteriler arasındaki ortalama işlem değerinin satın alma sürecinden bağımsızlığı gibi varsayımlar taşır. İade nedeniyle negatifleşen tutarlar veya işlem sıklığıyla güçlü biçimde ilişkili harcamalar uygulamayı sorunlu hâle getirebilir. Model seçimi öncesinde veri ve varsayımlar incelenmelidir. PyMC-Marketing Gamma-Gamma açıklaması.

Önemli bir teknik ayrım vardır: klasik RFM’de recency son alışverişten bugüne geçen süredir. BG/NBD uygulamalarında aynı isim ilk ve son alışveriş arasındaki süreyi ifade edebilir; ayrıca gözlem süresi ve tekrar alışveriş sayısı kullanılır. Kolon adları aynı diye girdileri doğrudan taşımak hatalı sonuç üretebilir. PyMC-Marketing veri tanımları.

Modeli geçmiş dönemde kurup sonraki, eğitimde kullanılmamış dönemde sınayın. Basit bir müşteri kohortu ortalamasını aşamayan karmaşık modelin uygulama maliyetini sorgulayın. Abonelik iptalinin doğrudan gözlenebildiği iş modellerinde sözleşme yapısına uygun elde tutma veya süre modelleri değerlendirilmelidir.

Yüksek CLV tahmini, müşteriye yapılacak her pazarlama harcamasının yüksek getiri sağlayacağı anlamına gelmez. Müşteri zaten satın alacak olabilir. Ek yatırım kararı, müdahalenin yaratacağı ek katkıyla sınanmalıdır.

Kural tabanlı segmentasyon mu, makine öğrenmesi mi?

Kural tabanlı yaklaşım; koşulları açık, verisi sınırlı ve uygulaması basit projelerde yeterli olabilir. Kümeleme, çok sayıda gözlem ve özellik içindeki ilişkileri keşfetmek gerektiğinde değer kazanır. İki yaklaşım aynı projede de kullanılabilir: araştırma ve kümeleme aday grupları ortaya çıkarır, sonrasında uygulama için açıklanabilir kurallar geliştirilir.

Kümeleme seçeneklerinin farklı varsayımları ve değerlendirme yöntemleri bulunur. Siluet skoru gibi ölçüler geometrik ayrışmayı değerlendirmeye yardımcı olur; bir segmentin ticari değerini kanıtlamaz. scikit-learn kümeleme dokümantasyonu.

Özellik seçimi sonucu doğrudan etkiler. Aynı davranışı temsil eden çok sayıda kolon o davranışı gereğinden fazla ağırlıklandırabilir. Ölçek, eksik veri, aykırı değerler ve müşteri olma süresi kontrol edilmelidir. Kategorik değişkenlere keyfî sayılar atamak, gerçekte bulunmayan bir uzaklık ilişkisi oluşturabilir.

Teknik değerlendirmeden sonra üç iş sorusu sorulmalıdır: Ekip bu grubu açıklayabiliyor mu? Grup için farklı bir karar var mı? Yeni müşteriler güvenilir biçimde atanabiliyor mu? Farklı dönemlerde benzer ihtiyaçları temsil etmeyen veya her gün sebepsizce değişen kümeler operasyonu zorlaştırabilir.

B2B segmentasyonu: şirket, fırsat ve karar verici

B2B’de aynı kuruluştaki farklı kişilerin ihtiyaçları ve karar yetkileri ayrışabilir. Bu nedenle şirketin uygunluğunu, yürüyen satın alma fırsatını ve paydaşların sorularını ayrı değerlendirmek yararlıdır. Üçünü tek bir “hedef persona” kaydına sığdırmak satış ekibinin ihtiyaç duyduğu ayrıntıyı kaybettirebilir.

B2C ve B2B arasındaki farkları katı kalıplar olarak görmemek gerekir. Konut veya otomobil alımı uzun bir B2C araştırması gerektirebilir; düşük tutarlı bir B2B aboneliği hızlı satın alınabilir. Kararın hızı, paydaş sayısı, risk ve uygulama zorluğu ürün düzeyinde araştırılmalıdır.

B2B’de katmanlı inceleme

Shapiro ve Bonoma’nın endüstriyel pazar segmentasyonu çalışması, 1984 tarihli bir yöntem kaynağıdır. How to Segment Industrial Markets.

Bu alandaki katmanlı yaklaşım, güncel bir B2B çalışmasında aşağıdaki sorularla uygulanabilir:

Son katmanda kişilik etiketleri tahmin etmek yerine görüşmelerde doğrulanmış iş kriterlerini kaydetmek daha sağlamdır. “Yeniliğe kapalı yönetici” yerine “geçiş sırasında hizmet kesintisi riskini kabul etmiyor” ifadesi uygulanabilir bir bilgi verir.

Örnek: çok şubeli işletmelere yazılım satışı

Varsayımsal bir yazılım şirketi, şubeler arası stok ve sipariş yönetimi sunuyor olsun. Yalnızca “50’den fazla çalışanı olan perakendeciler” hedefi yerine; çok şubeli yapı, stok görünürlüğü sorunu, mevcut sistemlerle uyum ve belirli dönemde değişim ihtiyacı birlikte incelenebilir.

Bu beş rolün her şirkette ayrı beş kişi tarafından yürütülmesi gerekmez. Küçük işletmede roller birleşebilir; büyük kuruluşta ek onaylar bulunabilir. Satış sürecinde hangi rolün henüz temsil edilmediği ve hangi sorunun yanıtsız kaldığı izlenmelidir.

Uygunluk ile niyeti ayırmak

Bir şirket çözüm için uygun olabilir ama henüz alım döneminde olmayabilir. Çok sayıda içerik tüketen başka bir şirket ise teknik olarak hizmet verilemeyen bir yapıya sahip olabilir. CRM’de uygunluk, niyet ve fırsat aşaması ayrı alanlarda tutulmalıdır.

Üçüncü taraf niyet verileri araştırma önceliği oluşturabilir; tek başına bütçe, proje veya satın alma komitesi bulunduğunu doğrulamaz. Şirket düzeyindeki bir sinyali belirli bir çalışanın kişisel niyeti olarak yorumlamayın. Satış görüşmesinde doğrulanacak hipotez olarak kullanın.

Segmentleri uygulamaya taşıyan segment kartı

Segment kartı, araştırma ile günlük iş arasındaki bağlantıyı kurar. Her ana segmentin tanımı, kanıtı, yapılacak uygulaması ve sorumlusu aynı yerde bulunmalıdır. İhtiyaca ilişkin belirsizlikler karttan silinmemelidir.

Doldurulmuş kısa örnek

“İlk kullanımda güvence arayanlar” adlı varsayımsal bir segmentte ihtiyaç, ürünün kurulum ve kullanımını hatasız tamamlamak olabilir. Giriş sinyali, müşterinin kısa ihtiyaç formunda bu önceliği belirtmesidir; destek içeriklerini ziyaret etmesi yardımcı gözlem olarak tutulur. Sadece ziyaret eden, beyan vermeyen kişiler için atama kesinliği daha düşüktür.

Bu segmentte içerik ekibi adım adım kullanım rehberi, ürün ekibi kurulum açıklaması, CRM ekibi uygun zamanda destek akışı geliştirebilir. Ana metrik seçilen dönemde müşteri başına katkı; yardımcı metrikler iade, destek yükü ve ikinci satın alma olabilir. Kampanyanın sahibi ile ürün bilgisinin sahibi ayrı kişilerdir ve ikisi de kartta belirtilir.

Sistemlerde hangi alanlar tutulmalı?

Asgari kayıt; segment kimliği, ihtiyaç etiketi, atama kaynağı, son güncelleme, model veya kural sürümü ve varsa geçerlilik süresini içermelidir. İletişim izni ve kanal tercihleri ayrı alanlardır; segment üyeliğinden türetilmez. Bir kişinin birden fazla ihtiyacı varsa kampanya önceliği ve iletişim sıklığı kuralları ayrıca tanımlanır.

Analitik sistemlerdeki kitleler, stratejik segmentlerin erişilebilen veya ölçülebilen bir temsilidir. GA4’te kitle koşulları olay, boyut, metrik ve zaman kurallarıyla oluşturulabilir; üyelik ve dışlama davranışı da tasarımın parçasıdır. Google Analytics kitle oluşturma dokümantasyonu.

Reklam otomasyonu segmentasyonun rolünü nasıl değiştiriyor?

Reklam sistemleri kime, ne zaman ve hangi içerikle gösterim yapılacağını giderek daha fazla modelleyebilir. Ancak işletmenin değerli dönüşümü tanımlaması, ürününü doğru anlatması ve verinin kalitesini yönetmesi gerekir. Yanlış bir dönüşüm hedefini daha hızlı optimize etmek, ticari sorunu çözmez.

Google Performance Max’te audience signals, algoritmaya yön veren kitle önerileridir. Google, kampanyanın bu sinyallerin dışındaki ilgili kullanıcılara da reklam gösterebileceğini açıkça belirtir. Bu nedenle bir sinyal eklemek, yalnızca o stratejik segmente erişildiği anlamına gelmez. Google Ads, Performance Max kitle sinyalleri.

Segmentasyonun reklam uygulamasındaki katkısı şu alanlarda ortaya çıkar:

• Müşterinin ihtiyacına uygun mesaj ve görsel açıklamalar geliştirmek.
• Açılış sayfasında ilgili karar kriterlerini ve kanıtları sunmak.
• Teklifi ürünün kullanım bağlamına göre düzenlemek.
• İzinli ve güncel müşteri verisiyle uygun sinyalleri sağlamak.
• Form sayısının yanında nitelikli fırsat veya katkı gibi iş sonuçlarını tanımlamak.

Her segment için ayrı kampanya veya öğe grubu açmak zorunlu değildir. Ayrı bütçe kontrolü, farklı ürün ekonomisi, hizmet koşulu veya gerçek bir deney gereksinimi varsa ayrıştırma değerlendirilebilir. Yalnızca araştırmada farklı bir isim verildiği için hesap yapısını parçalamak, operasyon yükünü artırabilir ve ölçümü zorlaştırabilir.

GA4’ün tahmin metrikleri de her hesapta otomatik olarak kullanılabilir değildir. Google, modelleme için yeterli olumlu ve olumsuz örnekle birlikte kalite koşulları arar. Örneğin ilgili koşul için son 28 gün içindeki yedi günlük bir dönemde en az 1.000 geri dönen kullanıcının koşulu gerçekleştirmesi, en az 1.000’inin gerçekleştirmemesi gerekir. Bu, genel segmentasyon için asgari müşteri sayısı değildir. GA4 tahmin metrikleri koşulları.

Yapay zekâ ile segmentasyon ve sentetik persona kullanımı

Büyük dil modelleri; görüşme, yorum ve destek taleplerindeki temaları düzenlemek, araştırma soruları geliştirmek ve mesaj alternatifleri üretmek için yardımcı olabilir. Kullanılacak görev ve kabul ölçütü açık tanımlandığında çıktıyı denetlemek kolaylaşır.

Örneğin bir destek kaydından “ihtiyaç, tetikleyici, itiraz, ürün ve kanıt ifadesi” çıkarılması istenebilir. Modelin kaynakta bulunmayan bilgiyi “bilinmiyor” olarak bırakması ve her çıkarımı ilgili kayıtla ilişkilendirmesi gerekir. Ekibin seçtiği bir örneklem insan tarafından değerlendirilerek yanlış etiketler ve kaçırılan temalar incelenmelidir.

Uygulanabilir bir akış; kişisel bilgileri gereksiz kullanımdan arındırılmış kayıtlar, örneklerle açıklanmış bir kodlama sözlüğü, kaynakla eşleştirilmiş model çıktısı ve insan kontrolünden oluşur. Yeni etiketler sözlüğe eklenirken geçmiş kayıtlarla tutarlılık korunmalıdır. Müşteri metinlerindeki ifadeler model için analiz edilecek veri olarak ele alınmalıdır.

Sentetik yanıtlar neyi kanıtlar?

Sentetik persona, modelin belirli bir müşteri rolünü canlandırmasıdır. Konseptteki eksikleri veya olası itirazları keşfetmek için kullanılabilir. Ancak oluşturulan bin yanıt, bin gerçek müşteriyle görüşülmüş olduğu anlamına gelmez; pazar büyüklüğü ve talep oranı bu çıktılardan doğrudan hesaplanmamalıdır.

Maier ve çalışma arkadaşlarının kişisel bakım anketleri üzerine ön baskısı, belirli bir yöntemle insan yanıt dağılımlarına benzerlik elde edilebildiğini bildirir. Çalışmadaki test–tekrar test karşılaştırmaları, müşterilerin gerçek satın alma davranışını aynı oranda tahmin etmek anlamına gelmez. Bulgular görev, veri ve yöntem bağlamında değerlendirilmelidir. Maier ve diğerleri, 2025, v3.

Wang ve çalışma arkadaşlarının araştırması da insan verisiyle kalibrasyonun önemini ele alır. Rehberin önerisi, yapay zekâyı hipotez geliştirme ve analize destek için kullanmak; segment seçimi ve ticari talep kararlarını insan araştırması ve gerçek davranışla sınamaktır. Wang ve diğerleri, 2026, v3.

SEO, GEO ve ajan tabanlı ticarette segmentasyon

Müşterinin sorusu, ihtiyacını ve karar bağlamını aynı anda gösterebilir. “CRM yazılımı” sorgusu geniş bir ilgi alanıdır. “Dağınık satış ekibi için mevcut muhasebe sistemimle çalışan ve hızlı kurulabilen CRM” sorusu ise kullanım koşulu, entegrasyon ve uygulama önceliği içerir.

Bu ayrıntılar içerik planlaması için değerlidir. Araştırmada öğrenilen müşteri dili, arama motorlarında ve üretken yapay zekâ yanıtlarında hangi konuların açıklanması gerektiğini belirlemeye yardımcı olur. Tek bir sorgudan yaş, gelir veya kişilik tahmin etmek gerekmez.

Segmentten soru ve içerik haritasına

Bu soru seti görüşmelerden, satış sorularından, site içi aramadan ve destek kayıtlarından beslenebilir. Ekip tarafından üretilen sorular hipotez olarak işaretlenmelidir. Araştırmacının hazırladığı soru listesi, kullanıcıların gerçek sorgu hacmini gösteren bir veri seti değildir.

İçeriği yalnızca kelime eşleşmesi için çoğaltmak yerine her sayfanın karardaki görevini belirleyin. Karşılaştırma tablosu hangi koşulda hangi seçeneğin uygun olduğunu açıklayabilir. Bir vaka çalışması kullanılan yöntemi, başlangıç durumunu ve ölçüm sınırını gösterebilir. Güncel ürün sayfası ise fiyat, stok, kapsam ve kullanım koşullarındaki belirsizliği azaltabilir.

AI görünürlüğü nasıl yorumlanmalı?

GEO, üretken yanıt sistemlerinde markanın ve içeriğinin bulunabilirliğiyle ilgilenir. Google, AI Overviews ve AI Mode için mevcut SEO temellerinin geçerli olduğunu; özel bir AI dosyası veya ayrı bir schema türünün zorunlu olmadığını belirtir. İçeriğin dizine uygunluğu, güvenilirliği ve görünür metinle yapılandırılmış verinin tutarlılığı temel çalışmalardır. Bu uygunluk, görünme garantisi sağlamaz. Google Search Central, AI özellikleri ve web siteleri.

Görünürlük ölçümü için takip edilen sorular, dil, coğrafya, sistem, tarih ve değerlendirme kuralı kaydedilmelidir. Marka anılması, bağlantıyla kaynak gösterilmesi ve öneri bağlamında yer alması farklı olaylardır. Tekrarlanan ölçümlerde aynı tanımlar korunmalıdır.

Örneğin sabit bir soru panelindeki 100 geçerli yanıttan 24’ünde markanın anılması, o panelde %24 anılma oranıdır. Bu sonuç bütün AI kullanıcıları arasındaki pazar payı veya toplam talebin %24’ü olarak sunulamaz. Soruların seçimi ve yanıt değişkenliği, ölçümün kapsamını belirler.

Pew Research Center’ın 2025 tarihli ABD araştırmasında, AI özeti bulunan Google aramalarında geleneksel sonuç bağlantılarına tıklama %8, özet bulunmayanlarda %15 olarak gözlenmiştir. Bu, 900 ABD yetişkininin tarama verisine dayanan gözlemsel bir bulgudur; Türkiye için ölçülmüş oran veya tek başına nedensellik kanıtı değildir. Yine de görünürlüğü yalnızca siteye gelen tıklamalarla değerlendirmenin sınırlarını gösterir. Pew Research Center, 22 Temmuz 2025.

Ajan tabanlı ticarette ne değişir?

Bir yapay zekâ ajanı müşterinin belirlediği koşullarla araştırma, karşılaştırma veya işlem adımlarına katılabilir. Son müşterinin ihtiyacı devam eder; aradaki etkileşim biçimi değişir. Bu nedenle “AI kullananlar” grubunu tek başına bir ihtiyaç segmenti saymak yerine, AI kullanımını karar kanalına ait ayrı bir özellik olarak izlemek daha açıklayıcıdır.

Google’ın Ocak 2026’da tanıttığı Universal Commerce Protocol, ticaret sistemleriyle ajanlar arasında birlikte çalışabilirlik için teknik bir çerçeve sunar. Bu tür gelişmeler; katalog doğruluğu, teslimat, iade ve işlem koşullarının sistemlerce anlaşılabilir biçimde yönetilmesini gündeme getirir. Google Developers, UCP teknik açıklaması.

İşletme açısından ilk adım, ürünün neye uygun olduğunu ve hangi koşullarda satın alınabileceğini tutarlı biçimde açıklamaktır. Yanlış stok, eksik ölçü veya çelişkili teslimat bilgisi insan müşterinin de ajan aracılı sürecin de kararını zorlaştırır. Yeni protokollere yatırım ise desteklenen pazarlar, işlem yetkileri ve gerçek müşteri talebi değerlendirilerek planlanmalıdır.

Konunun devamı için Webtures Insights’taki AI aramada kaynak gösterme ve şeffaflık ve perakendede yapay zekâ ve A2A ticaret rehberi incelenebilir.

Veri gizliliği ve izin yönetimi

Segmentasyon tasarımı, hangi verinin neden gerekli olduğunu açıklamalıdır. Müşterinin bir tercih formunda bilgi paylaşması, yaygın kullanımıyla sıfırıncı taraf veri, bu bilginin her amaçla kullanılabileceği anlamına gelmez. Beyan edilen tercih de zamanla değişebilir veya eksik olabilir.

Birinci taraf veri, işletmenin müşteri etkileşimlerinden doğrudan topladığı verilerdir. Bu verinin işletmede bulunması ile belirli bir analiz, kişiselleştirme veya reklam amacıyla kullanılabilmesi ayrı değerlendirmelerdir. KVKK’nın resmî açıklaması, veri işleme şartlarını ve her faaliyet için uygun hukuki dayanağın değerlendirilmesini ele alır. KVKK, kişisel verilerin işlenme şartları.

Müşteriye; veri sorumlusunun kimliği, işleme amacı, aktarım, toplama yöntemi ve hukuki sebep gibi bilgilerin sağlanması gerekir. Aydınlatma yükümlülüğü, işlemenin açık rızaya veya başka bir kanuni şarta dayanmasından bağımsız olarak değerlendirilir. KVKK, aydınlatma yükümlülüğü.

Araç seçerken veri akışını incelemek

CRM, analitik, reklam veya yapay zekâ aracına kişisel veri aktarılıyorsa verinin nereye gittiği ve kimlerce işlendiği belirlenmelidir. Türkiye’de 1 Haziran 2024’te yürürlüğe giren değişiklikler, yurt dışına aktarım için yeterlilik, uygun güvenceler ve belirli arızi durumları içeren bir çerçeve getirmiştir. Düzenli bir veri akışının yalnızca genel bir rıza kutusuyla karşılandığı varsayılmamalıdır; uygun aktarım mekanizması somut akış için değerlendirilmelidir. KVKK, yurt dışına aktarım.

Uygulamada gereksiz kişisel alanları analiz setinden çıkarmak, erişimleri görevle sınırlamak ve saklama sürelerini tanımlamak gerekir. Segment etiketlerinin kendisi de kişisel bilgi taşıyabilir. Sağlık, siyasi görüş veya benzeri hassas özellikleri davranıştan tahmin ederek pazarlama etiketi oluşturmak hem hukuki hem de platform kuralları açısından ayrıca değerlendirilmelidir.

Google Customer Match gibi reklam ürünlerinin veri kaynağı, gerekli izinler ve hassas kategorilere ilişkin kendi politikaları da vardır. Teknik olarak liste yüklenebilmesi, kullanımın her koşulda uygun olduğunu göstermez. Google Customer Match politikası.

Çerez değişiklikleri nasıl ele alınmalı?

“Üçüncü taraf çerezler bütün tarayıcılarda tamamen sona erdi” ifadesi doğru bir planlama varsayımı değildir. Google, 22 Nisan 2025 açıklamasında Chrome’da mevcut kullanıcı seçimi yaklaşımını sürdüreceğini ve yeni, ayrı bir çerez istemi sunmayacağını bildirmiştir. Google Privacy Sandbox açıklaması.

Veri stratejisinin gerekçesi tek bir takvim değişikliğine bağlanmamalıdır. İzinli müşteri ilişkileri, tutarlı ölçüm ve kaliteli ürün verisi farklı teknoloji koşullarında da değerlidir. Her işletmenin başlangıçta CDP veya veri temiz odası kurması gerekmez; mevcut CRM, sipariş kayıtları ve analitikle çözülemeyen somut ihtiyaç gösterildiğinde ek yatırım değerlendirilir.

Segmentasyonun başarısı nasıl ölçülür?

Bir segmentin dönüşüm oranının diğerinden yüksek olması, segmentasyon sayesinde daha fazla satış yapıldığını göstermez. Gruplar başlangıçta farklı satın alma eğilimlerine sahip olabilir. Değerli soru, seçilen uygulamanın mevcut yaklaşıma göre ne kadar ek sonuç ürettiğidir.

Önce ana metriği seçin

ROAS reklam harcamasına göre atfedilen geliri; CAC tanımlanan edinme maliyetinin yeni müşterilere oranını ifade eder. Bu metriklerin kapsamı aynı değildir. B2B’de yalnızca reklam giderini içeren CAC ile satış ekibi giderlerini de kapsayan CAC yan yana karşılaştırılmamalıdır. CLV ve CAC oranında da dönem ve değer tanımları tutarlı olmalıdır.

NPS kullanılacaksa tavsiye etme olasılığı 0–10 ölçeğinde sorulur; 9–10 puan verenlerin yüzdesinden 0–6 verenlerin yüzdesi çıkarılır. Bain, NPS hesaplama yöntemi. B2B’de farklı rollerin yanıtları ayrı incelenebilir; NPS’yi otomatik olarak ağırlıklı bir “hesap sağlığı” skoru olarak adlandırmak doğru değildir. Kullanım, sözleşme, destek ve paydaş katılımından oluşan hesap sağlığı ayrıca tanımlanmalıdır.

Segment içinde karşılaştırılabilir gruplar oluşturun

Uygun bir deney tasarımında, önceden belirlenen segment içindeki müşteriler test ve kontrol gruplarına rastgele atanır. Test grubu yeni uygulamayı, kontrol grubu ise tanımlanmış mevcut yaklaşımı alır. Grupların karşılaştırılması hangi uygulamanın ek değer yarattığını değerlendirmeye yardımcı olur.

“Segmentli mesaj genel mesajdan daha iyi mi?” sorusu için kontrol genel mesajı almalıdır. “Bu kampanyayı yapmak hiç yapmamaktan daha iyi mi?” sorusu için uygun kontrol kampanyayı almamalıdır. Kontrolün tanımı, ölçülecek etkinin tanımıdır.

Deneyde atama birimi de önemlidir. Aynı B2B hesabındaki kişileri farklı gruplara atamak, ekip içi bilgi paylaşımı nedeniyle grupları birbirine karıştırabilir. Hesap, hane veya coğrafya düzeyinde atama gerekiyorsa tasarım ve istatistiksel değerlendirme bu birime göre kurulmalıdır.

Ek katkıyı hesaplayan örnek

Aşağıdaki varsayımsal testte, uygun müşteriler önceden iki gruba rastgele atanmış olsun. Katkı; ürün, teslimat, ödeme ve iade etkileri sonrasında, yalnızca teste ait ek uygulama maliyeti düşülmeden hesaplanmıştır.

Müşteri başına gözlenen katkı farkı 6 TL’dir. Test grubundaki 5.000 kişi için tahmini ek katkı 30.000 TL olur. Yalnızca test uygulamasına ait ve katkı hesabına daha önce dâhil edilmemiş ek maliyet 20.000 TL ise gözlenen net ek katkı 10.000 TL’dir.

Bu aritmetik, tek başına istatistiksel kesinlik göstermez. Müşteri katkılarının dağılımı, belirsizlik aralığı, deney öncesi tasarım ve olası grup karışmaları incelenmelidir. Küçük bir fark görüldüğünde sonucun ne kadar değişken olduğu bilinmeden ölçekleme kararı verilmemelidir.

Grupların büyüklükleri eşit değilse ham toplamlar doğrudan çıkarılmamalıdır. Dönüşüm için önce dönüşen müşteri sayısı / atanan müşteri sayısı oranı hesaplanır. Göreli artış, kontrol oranı sıfırdan büyükken (test oranı − kontrol oranı) / kontrol oranı ile bulunur. Mutlak yüzde puan farkı da ayrıca raporlanmalıdır.

Ölçümü zayıflatan hataları önlemek

Kontrol grubunun oranı için her işletmeye uygun sabit bir yüzde yoktur. Gereken örneklem; başlangıç dönüşümü, saptanmak istenen fark, ölçüm değişkenliği, atama birimi ve kabul edilen belirsizliğe bağlıdır. Süre de satın alma ve iade döngülerini kapsamalıdır.

Test sürerken iyi görünen günde durmak veya sonradan en başarılı alt grubu seçmek yanıltıcı olabilir. Ana hipotez, metrik, dönem ve karar kuralı önceden yazılmalıdır. Deneyden sonra üretilen yeni segment hipotezleri ayrı bir doğrulama çalışmasında sınanmalıdır.

Aynı mesajın iki segmentte benzer sonuç vermesi, segmentlerin bütün kararlar için gereksiz olduğunu kanıtlamaz. Önce testin yeterliliğini ve incelenen müdahaleyi değerlendirin. Farklı ürün, hizmet ve iletişim kararlarında da anlamlı ayrım bulunmuyorsa grupları birleştirmek düşünülebilir.

Baştan sona örnek: ikinci satın alma için segmentasyon

Varsayımsal bir ev yaşam ürünleri markası, ilk sipariş sonrasında yeniden alışverişi artırmak istiyor olsun. Başlangıçta bütün müşterilere aynı indirim e-postası gönderiliyor. Ekip, katkıyı ve müşteri deneyimini birlikte iyileştirmek için aşağıdaki çalışmayı tasarlayabilir.

Araştırma: Sipariş, iade ve destek kayıtları birleştirilir; ilk alışveriş yapan ve geri dönmeyen müşterilerle görüşülür. Üç ihtiyaç hipotezi ortaya çıkar: ilk kullanımda destek isteyenler, mevcut ürüne uyumlu tamamlayıcı arayanlar ve sonraki ihtiyacını henüz belirlemeyenler. Bu grupların pazar payı görüşme sayısından hesaplanmaz.

Atama: Satın alınan ürün kategorisi, müşterinin kısa tercih sorusuna verdiği yanıt ve uygun davranış kayıtları kullanılır. Bilgisi yetersiz kişiler ayrı tutulur. İletişim izni, ihtiyaç etiketinden bağımsız kontrol edilir.

Uygulama: İlk gruba kullanım rehberi, ikinci gruba uyumluluğu doğrulanmış tamamlayıcı ürün açıklaması sunulur. Üçüncü grup için ürün bakım içeriği veya daha düşük iletişim sıklığı denenebilir. Bunların tümü test edilecek seçeneklerdir; sonuçları önceden bilinmez.

Deney: Yeterli hacmi olan her grupta yeni yaklaşım mevcut iletişimle karşılaştırılır. Amaç segmentli deneyimi değerlendirmekse test boyunca değiştirilen öğeler ve teklif maliyetleri açıkça kaydedilir. Ana metrik 90 günlük müşteri başına katkı; yardımcı metrikler ikinci alışveriş, iade, destek yükü ve iletişimden çıkıştır.

Karar: Rehber içeriği katkıyı iyileştirirken aşırı indirim maliyeti oluşturmuyorsa genişletilebilir. Bir grupta sonuç belirsizse veri kalitesi, hipotez ve örneklem incelenir. Sadece tıklama artışı sağlayan fakat katkısı düşen uygulama ticari başarı olarak raporlanmaz.

İlk 90 gün için uygulama planı

Bu takvim sınırlı kapsamlı bir ilk proje içindir. Veri erişimi, müşteri görüşmeleri veya uzun satış döngüsü daha fazla zaman gerektirebilir. Özellikle B2B’de 90 gün sonunda gelir etkisi yerine sağlam bir araştırma ve devam eden deney elde edilmiş olabilir.

Günlük davranış etiketleri sık güncellenebilir; ana ihtiyaç segmentlerinin tanımı daha seyrek gözden geçirilebilir. Çeyreklik değerlendirme başlangıç ritmi olarak kullanılabilir. Ürün değişikliği, yeni bir pazar, fiyat politikası veya tekrarlanan müşteri şikâyetleri daha erken inceleme gerektirebilir.

Her sürüm için hangi kuralın neden değiştiğini kaydedin. Böylece geçmiş performanstaki değişimin kampanyadan mı, müşteri davranışından mı, yoksa segment tanımından mı kaynaklandığı araştırılabilir.

En sık yapılan segmentasyon hataları

Bir segmentasyonun kullanılabilirliğini görmek için ekibe kısa bir soru yöneltilebilir: “Bu segment yarın kaldırılırsa hangi kararımız değişir?” Belirgin bir yanıt yoksa tanımı veya kullanım amacını yeniden değerlendirmek gerekir.

Sık sorulan sorular

Hedef kitle segmentasyonu ile müşteri segmentasyonu aynı mı?

Hedef kitle çalışması potansiyel alıcıları ve karar üzerinde etkisi olan grupları da kapsayabilir. Müşteri segmentasyonu mevcut müşteri tabanına odaklanır. Yeni pazara girişte yalnızca müşteri verisiyle çalışmak yeterli olmayabilir.

Kaç segment oluşturulmalı?

Evrensel bir sayı yoktur. İlk uygulamada birkaç ana segmentle başlamak, farklı deneyimler üretmeyi ve ölçmeyi kolaylaştırır. Her ek segment için ayrı bir karar, yeterli kanıt ve uygulama kapasitesi bulunmalıdır.

Küçük işletmeler yapay zekâ veya CDP olmadan segmentasyon yapabilir mi?

Evet. Sipariş kayıtları, müşteri görüşmeleri ve basit bir CRM üzerinden açıklanabilir kurallarla başlanabilir. Yeni teknoloji, mevcut yöntemle çözülemeyen veri birleştirme, hız veya ölçek ihtiyacı oluştuğunda değerlendirilir.

RFM tek başına yeterli mi?

Tekrar satın alma davranışını düzenlemek için yararlı olabilir. Ancak ihtiyacı, yeni müşterinin potansiyelini ve bütün hizmet maliyetlerini açıklamaz. İş kararına göre görüşme verisi, ürün kullanımı ve katkı analiziyle tamamlanmalıdır.

K-means en iyi segmentasyon yöntemi mi?

Yöntemin uygunluğu veri türüne ve amaca bağlıdır. Açık iş kurallarıyla çözülebilen bir problem için kümeleme gerekmeyebilir. Teknik olarak iyi ayrışan kümelerin de anlaşılır ve uygulanabilir olması gerekir.

Yapay zekâ müşteri görüşmelerinin yerini alabilir mi?

Yapay zekâ araştırma tasarımına, tema analizine ve senaryo üretimine destek verebilir. Gerçek müşterinin yaşadığı bağlamı ve ticari talebi kendiliğinden doğrulamaz. Kararlar insan verisi ve gözlenen sonuçlarla sınanmalıdır.

Her segment için ayrı reklam kampanyası gerekir mi?

Hayır. Ayrı kampanya, bütçe veya kontrol ihtiyacı olduğunda düşünülebilir. Birçok durumda aynı yapı içinde farklı mesaj, ürün açıklaması veya açılış deneyimi geliştirmek yeterlidir; kullanılan platformun dağıtım davranışı ayrıca dikkate alınmalıdır.

AI aramada yüksek anılma oranı daha fazla satış anlamına gelir mi?

Doğrudan böyle bir sonuç çıkarılamaz. Anılmanın hangi sorularda, hangi bağlamda ve hangi müşteri ihtiyacı için gerçekleştiği önemlidir. Görünürlük ölçümü nitelikli talep, müşteri geri bildirimi ve iş sonuçlarıyla birlikte değerlendirilmelidir.

Segmentler ne sıklıkta güncellenmeli?

Davranış ve yaşam döngüsü etiketleri kullanım amacına göre sık güncellenebilir. Ana ihtiyaç tanımları düzenli araştırmayla gözden geçirilir. Değişiklik ritmi ürünün satın alma döngüsüne, veri akışına ve pazarın değişimine göre belirlenir.

Segmentasyonu işletmenin kararlarına bağlamak

Başlangıç için tek bir iş kararı seçin, bu kararı etkileyen müşteri ihtiyacını araştırın ve farklı yaklaşımı küçük bir uygulamada sınayın. Segment kartında kanıt, atama kuralı, sorumlu ve ölçüm bir arada bulunduğunda araştırma günlük işin parçası olur. Sonraki yatırım, hangi grubun en dikkat çekici göründüğüne değil, hangi uygulamanın doğrulanabilir değer ürettiğine dayanabilir.

Segment kartındaki ölçümü kurmak ve katkıyı kanal bazında izlemek için AI ve ajan tabanlı analitik sayfasına bakabilirsiniz. Segmentlerden çıkan müşteri sorularını arama ve üretken yanıt sistemlerindeki görünürlükle ilişkilendirmek için GEO hizmeti sayfası yardımcı olur. Tüm hizmet kapsamı hizmetlerimiz sayfasında.

Kaynaklar

Platform dokümantasyonu ve bağlantılar için kontrol tarihi 10 Eylül 2026’dır. Tarih belirtilmeyen kaynaklar bu tarihte erişilen sürümleriyle kullanılmıştır. Eski araştırmalar yöntem veya gözlem bağlamında ele alınmış, güncel Türkiye performans verisi olarak sunulmamıştır.

1. Bain & Company. Customer Segmentation. 2 Nisan 2018. İhtiyaç, kârlılık ve hizmet verme yeteneği.
2. Qualtrics. Understanding customer segmentation. Sayfada 29 Temmuz 2020. Müşteri ve pazar segmentasyonu.
3. Ty Heath, LinkedIn B2B Institute. 95–5 Rule. Aktif ve gelecekteki kategori talebi.
4. Alistair Rennie ve Jonny Protheroe, Google. How people decide what to buy lies in the messy middle of the purchase journey. Temmuz 2020. Keşif ve değerlendirme davranışı.
5. Netflix Help Center. How Netflix’s Recommendations System Works. Şirketin öneri sistemi açıklaması.
6. Benson P. Shapiro ve Thomas V. Bonoma. How to Segment Industrial Markets. Harvard Business Review, Mayıs 1984. Endüstriyel pazar segmentasyonu.
7. PyMC-Marketing. RFM Segments. Teknik dokümantasyon.
8. PyMC-Marketing. CLV Quickstart. CLV modelleri ve veri tanımları.
9. PyMC-Marketing. Gamma-gamma Model. İşlem değeri modeli ve varsayımları.
10. scikit-learn. Clustering. Kümeleme yöntemleri ve teknik değerlendirme.
11. Google Analytics Help. Create, edit, and archive audiences. Kitle koşulları ve üyelik.
12. Google Analytics Help. Predictive metrics. Tahmin metriklerinin uygunluk koşulları.
13. Google Ads Help. About audience signals for Performance Max campaigns. Kitle sinyallerinin kapsamı.
14. Benjamin F. Maier ve diğerleri. LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings. 27 Ekim 2025, v3, ön baskı. Sentetik tüketici yanıtları.
15. Mengxin Wang, Dennis J. Zhang ve Heng Zhang. Large Language Models for Market Research: A Data-augmentation Approach. 17 Nisan 2026, v3, ön baskı. İnsan verisiyle kalibrasyon.
16. Google Search Central. AI features and your website. AI Overviews ve AI Mode için içerik ve teknik uygunluk.
17. Athena Chapekis ve Anna Lieb, Pew Research Center. Google users are less likely to click on links when an AI summary appears in the results. 22 Temmuz 2025. ABD’de gözlenen tıklama davranışı.
18. Google Developers Blog. Under the Hood: Universal Commerce Protocol (UCP). 11 Ocak 2026. Ticaret sistemleriyle ajanlar arasında birlikte çalışabilirlik.
19. Kişisel Verileri Koruma Kurumu. Kişisel Veriler. Veri işleme şartları.
20. Kişisel Verileri Koruma Kurumu. Aydınlatma Yükümlülüğü. Veri sorumlusunun bilgilendirme yükümlülüğü.
21. Kişisel Verileri Koruma Kurumu. Yurt Dışına Aktarım. Güncel aktarım çerçevesi.
22. Google Advertising Policies. Customer Match policy. Veri ve kullanım koşulları.
23. Anthony Chavez, Google. Next steps for Privacy Sandbox and tracking protections in Chrome. 22 Nisan 2025. Chrome çerez yaklaşımına ilişkin açıklama.
24. Bain & Company, Net Promoter System. Measuring Your Net Promoter Score. NPS soru ve hesaplama yöntemi.