Yapay Zeka Destekli Ürün Öneri Sistemi

Yapay zeka destekli ürün öneri sistemi, kullanıcının davranış verisini işleyerek her ziyaretçiye farklı ürün listesi gösteren bir yazılım katmanıdır. Amaç, katalogdaki binlerce üründen o an satın alınma olasılığı en yüksek olanları öne çıkarmaktır. Bu yazıda öneri sistemlerinin hangi algoritmalarla çalıştığını, hangi veriye ihtiyaç duyduğunu, başarının hangi metriklerle ölçüldüğünü ve kurulum sırasında en sık yapılan hataları anlatıyoruz.

Yapay zeka destekli ürün öneri sistemi nedir?

Ürün öneri sistemi, kullanıcı ile ürün arasındaki ilişkiyi tahmin eden bir modeldir. Girdisi geçmiş davranış verisidir: görüntülenen sayfalar, sepete eklenen ürünler, tamamlanan siparişler, arama terimleri, kategori gezinme sırası. Çıktısı ise sıralı bir ürün listesidir. Klasik kural tabanlı bloklar ("aynı kategoriden rastgele 4 ürün") ile arasındaki fark burada başlar: kural her kullanıcıya aynı şeyi gösterir, model her kullanıcıya farklı bir sıralama üretir.

Sistemin iki temel bileşeni vardır. Birincisi veri katmanıdır; olay takibi doğru kurulmadıysa model de öğrenemez. İkincisi servis katmanıdır; öneri milisaniyeler içinde sayfaya düşmezse kullanıcı deneyimi bozulur. Bu iki katman kurulmadan algoritma seçimi tartışmak erkendir.

Öneri algoritmaları hangileridir ve ne zaman kullanılır?

Üretimde kullanılan öneri yaklaşımları üç ana aileye ayrılır. Doğru seçimi yapan şey, elinizdeki veri tipi ve katalog büyüklüğüdür.

İşbirlikçi filtreleme (collaborative filtering)

İşbirlikçi filtreleme, benzer davranış gösteren kullanıcıların birbirinin ürünlerini beğeneceği varsayımına dayanır. "Bu ürünü alanlar şunu da aldı" bloklarının arkasındaki mantık budur. Güçlü yanı, ürün açıklaması hiç okunmadan sürpriz eşleşmeler bulabilmesidir. Zayıf yanı soğuk başlangıç sorunudur: yeni eklenen ürün ve yeni kaydolan kullanıcı için elde veri yoktur.

İçerik tabanlı filtreleme (content-based)

İçerik tabanlı filtreleme, ürünün kendi özniteliklerini kullanır: kategori, marka, fiyat bandı, renk, beden, malzeme, açıklama metni. Kullanıcının geçmişte ilgilendiği ürünlerin öznitelik profili çıkarılır, katalogdaki en yakın ürünler önerilir. Soğuk başlangıçta işbirlikçi filtrelemeden üstündür, çünkü yeni ürün de öznitelikleriyle sisteme girer. Karşılığında öneriler daralır; kullanıcıya sürekli aynı kategorinin varyasyonları gösterilir.

Hibrit modeller

Hibrit modeller iki yaklaşımı birleştirir ve ciddi e-ticaret kurulumlarında standart haline gelmiştir. Tipik kurgu şudur: yeni kullanıcı ve yeni üründe içerik tabanlı skor ağır basar, davranış verisi biriktikçe işbirlikçi skorun ağırlığı artar. Üzerine oturum bazlı modeller eklenir; bunlar kullanıcının o anki tıklama sırasını dizi olarak okuyup bir sonraki adımı tahmin eder. Katalogda hızlı tüketilen ürünler varsa oturum bazlı katman tek başına fark yaratır.

Öneri sisteminin başarısı nasıl ölçülür?

Öneri sisteminin başarısı tıklama oranıyla değil, gelir üzerindeki artımlı etkisiyle ölçülür. Bir blok yüksek tıklama alıyor olabilir, ancak kullanıcı o ürünü zaten arıyorsa sistem yeni gelir yaratmamış, mevcut satışı başka bir sayfadan toplamış olur. Ölçüm kurgusu bu yüzden kontrollü olmalıdır.

1. Kontrol grubu ayırın. Trafiğin bir bölümüne öneri bloğu hiç gösterilmez. Sepet ortalaması ve kullanıcı başına gelir farkı bu iki grup arasında karşılaştırılır.
2. Artımlı geliri raporlayın. Bloktan gelen ciro değil, kontrol grubuna göre oluşan fark raporlanır.
3. Sepet ortalamasını ve ürün çeşitliliğini birlikte izleyin. Sepet ortalaması yükselirken sipariş sayısı düşüyorsa model kullanıcıyı pahalı ürüne itiyor demektir.
4. Kapsama oranını kontrol edin. Katalogun yalnızca küçük bir bölümü öneriliyorsa uzun kuyruk ürünler görünmez kalır ve stok devir hızı bozulur.
5. Gecikmeyi ölçün. Öneri servisi sayfa açılışını yavaşlatıyorsa kazandığı geliri hız kaybıyla geri verir.

Bu ölçüm disiplini yapay zeka tabanlı A/B testleriyle kurulur ve Google Analytics tarafındaki olay yapısıyla beslenir. Olay şeması eksikse rapor da eksik çıkar.

Hangi sektörlerde kullanılır?

Öneri sistemleri, katalog büyüdükçe ve tekrar eden kullanıcı davranışı arttıkça değer kazanır.

• E-ticaret: ürün detay sayfasında tamamlayıcı ürün, sepet sayfasında çapraz satış, ana sayfada kişiselleştirilmiş vitrin. En yüksek getiri sepet ve sipariş sonrası ekranlarda görülür.
• Medya ve yayıncılık: içerik listeleri, izleme ve okuma geçmişine göre sıralanır. Burada hedef gelir değil, oturum süresi ve geri dönüş sıklığıdır.
• Pazar yerleri: satıcı çeşitliliği yüksek olduğu için öneri, arama sonucundaki sıralama kalitesini doğrudan etkiler.
• Abonelik modelleri: kullanım verisine göre paket ve ek modül önerisi, terk oranını düşürmeye yönelik çalışır.
• Üretim ve B2B: yedek parça ve sarf malzeme siparişlerinde tekrar satın alma döngüsü tahmini kullanılır. Konunun geniş çerçevesini üretim sektöründe yapay zeka entegrasyonu yazısında ele aldık.

Kurulumda en sık yapılan hatalar nelerdir?

Öneri projelerinin çoğu algoritma yüzünden değil, veri ve kurgu yüzünden başarısız olur. Sahada en sık karşılaştığımız beş hata şunlardır.

• Olay takibinin eksik kurulması. Sepete ekleme ve satın alma olayları ürün kimliğiyle eşleşmiyorsa model yanlış sinyalle eğitilir.
• Stokta olmayan ürünün önerilmesi. Stok servisi öneri katmanına bağlanmadığında kullanıcı tükenmiş ürüne yönlendirilir ve güven kaybı yaşanır.
• Satın alınmış ürünün tekrar önerilmesi. Tekrar tüketilmeyen kategorilerde bu, bloğun tamamını değersizleştirir.
• Görsel ve hız ihmali. Öneri kartlarındaki görseller optimize edilmediğinde sayfa ağırlaşır. Bu konuda e-ticaret sitelerinde resim optimizasyonu rehberimiz uygulanabilir bir kontrol listesi sunar.
• Tek metrikle karar vermek. Yalnızca tıklama oranına bakan ekipler, sepet ortalaması düşse bile sistemi başarılı sanır.

Sepeti terk eden kullanıcıya gösterilen öneri, ayrı bir kurgu ister. Bu senaryoyu sepet terk pazarlaması yazısında ayrıntılandırdık.

Webtures yaklaşımı nasıl işliyor?

Webtures, öneri sistemi projelerine algoritmadan değil ölçümden başlar. İlk adım veri katmanının denetlenmesidir: olay şeması, ürün kimliği tutarlılığı, stok ve fiyat servisinin canlı bağlantısı. İkinci adım, blokların sayfa bazında önceliklendirilmesidir; ürün detay, sepet ve sipariş sonrası ekranlar farklı hedeflerle kurgulanır. Üçüncü adım kontrollü testtir: her blok, kontrol grubuna karşı artımlı gelir üzerinden değerlendirilir. 16 yıllık dijital pazarlama deneyimimizde gördüğümüz tablo şudur; ölçüm kurgusu doğru kurulan projelerde öneri motoru kalıcı bir gelir kalemine dönüşür, kurulmayanlarda ise etkisi hiçbir zaman kanıtlanamaz.

Kataloğunuz için öneri altyapısını kurmak veya mevcut sistemin gerçek katkısını ölçmek istiyorsanız hizmetlerimizi inceleyebilir, ekibimizle iletişime geçebilirsiniz.