Kazanimlar:
- Öneri sisteminin (recommendation engine) mantığını (birlikte alınanlar, benzer ürünler, kişiselleştirme) ve iş metriklerine etkisini kavrayabilme
- Ürün ilişkilerini, paket ve çapraz satış senaryolarını yapay zeka desteğiyle kurgulayıp test edilebilir hipotezlere çevirebilme
- Filtre balonu, önyargı ve stok/marj gözetmeyen otomatik önerinin risklerini görüp öneri kurallarını ticari denetime bağlayabilme
Büyük e-ticaret sitelerinde satışların önemli bir bölümü, müşterinin aradığı üründen değil, ona önerilen üründen gelir. "Bunu alanlar şunu da aldı", "Senin için seçtiklerimiz", "Birlikte daha ucuz" bloklarını hepiniz görmüşsünüzdür. Bu blokların arkasındaki sisteme öneri sistemi (recommendation engine) denir: müşterinin davranışına, ürünlerin ilişkisine ve genel örüntülere bakarak "bu kişiye şimdi ne göstermeliyim" sorusuna cevap üreten yazılımdır. Yapay zeka (YZ) bu alanda iki şekilde işinize yarar: hem öneri mantığını kurgularken senaryo ve kural üretmenize yardım eder, hem de küçük mağazalarda kendi ürün ilişkilerinizi analiz edip paket/çapraz satış fikirleri çıkarır. Ama dikkat: iyi bir öneri sistemi yalnızca "ne çok tıklanıyor"a değil, aynı zamanda stok, marj ve müşteri deneyimine bakmak zorundadır.
İki terimi netleştirelim. Çapraz satış (cross-sell), bir ürünü alana onu tamamlayan başka bir ürünü önermektir (telefon alana kılıf). Üst satış (up-sell), aynı ihtiyacı karşılayan daha üst/pahalı bir modeli önermektir (128 GB yerine 256 GB). İkisi de sepet ortalamasını (AOV) yükseltmenin meşru yollarıdır; ama müşteriye gerçekten faydalı olduğunda çalışır, zorlama olduğunda rahatsız eder.
Öneri sisteminin üç temel mantığı
Öneri sistemleri genelde üç yaklaşımdan birini veya karışımını kullanır.
1) İçerik temelli (content-based): Ürünün kendi özelliklerine bakar. "Bu koşu ayakkabısına benzeyen diğer koşu ayakkabıları". Yeni müşteride bile çalışır çünkü davranış geçmişi gerektirmez.
2) İşbirlikçi filtreleme (collaborative filtering): Davranış örüntüsüne bakar. "Bu ürünü alan kişiler şunu da aldı". Güçlüdür ama yeterince veri ister ve "soğuk başlangıç" (yeni ürün/yeni müşteri) sorunu yaşar.
3) Kişiselleştirme (personalization): Tek bir müşterinin geçmiş davranışına göre vitrini ona özel dizer. Güçlü etkisi vardır ama gizlilik ve "filtre balonu" riski taşır.
Şu tablo, öneri bloklarını ve amacını özetler:
Blok
Mantık
Amaç
Örnek
Benzer ürünler
İçerik temelli
Alternatif sunmak
Aynı kategoride yakın modeller
Birlikte alınanlar
İşbirlikçi
Çapraz satış
Telefon + kılıf + ekran koruyucu
Senin için seçtiklerimiz
Kişiselleştirme
Bağlılık
Geçmiş gezinmeye göre
Sık alınanlar / çok satanlar
Popülerlik
Güven + yeni müşteri
Kategorinin en çok satanları
Kaldığın yerden
Oturum verisi
Geri döndürme
Son baktığın ürünler
Küçük mağazada YZ ile öneri kurgusu
Kurumsal öneri motoru kuramayan küçük ve orta mağazalar bile, YZ'yi kullanarak ürün ilişkilerini akıllıca kurgulayabilir. Elinizdeki gerçek "birlikte satılan ürün" verisini (sipariş kalemleri) YZ'ye anonim biçimde verip "hangi ürünler birlikte alınıyor, hangi paketleri önerebilirim" diye analiz ettirebilirsiniz. YZ size çapraz satış ve paket hipotezleri üretir; siz bunları stok ve marj gözüyle süzer, sonra gerçekten test edersiniz. Buradaki anahtar kelime hipoteztir: YZ'nin önerisi kanıt değil, test edilecek bir fikirdir.
İpucu: Her öneri fikrini bir "eğer-o zaman" hipotezine çevirin: "Eğer X alana Y'yi önerirsek, sepet ortalaması artar." Sonra bunu küçük bir denemeyle (A/B testi veya belirli süre) ölçün. Ölçülmeyen öneri, tahminden ibarettir.
Öneri kurallarının ticari denetimi
Bir öneri sistemi tamamen otomatik "en çok tıklanan"a bırakılırsa tehlikeli olabilir. Stok: stokta olmayan bir ürünü önermek müşteriyi hayal kırıklığına uğratır. Marj: en çok tıklanan ürün en düşük marjlı olabilir; sistem sizi kârsız ürünlere yönlendirebilir. Marka güvenliği ve uygunluk: hassas kategorilerde (bebek, sağlık) alakasız veya uygunsuz öneri güven kaybettirir. Filtre balonu: müşteriye sürekli aynı tip ürünü göstermek keşfi öldürür ve satışı daraltır. Bu yüzden otomatik öneriler mutlaka iş kurallarıyla çerçevelenir: "stokta olanı öner", "marjı şu eşiğin altındaki ürünü öne çıkarma", "kategori uyumunu koru".
Önyargı (bias) da gerçek bir risktir. Öneri sistemi geçmiş davranışa dayandığı için, geçmişteki eşitsizlikleri pekiştirebilir; örneğin belirli bir gruba sürekli daha ucuz/düşük kaliteli ürün önermek gibi. Bu hem etik hem ticari sorundur. Öneri çıktılarını düzenli olarak "kimlere ne öneriliyor" gözüyle denetlemek gerekir.
Dört kopyalanabilir şablon
1) Birlikte satılan ürün analizi:
Rolün: e-ticaret analisti asistanı.Aşağıda anonim sipariş kalemleri var (ürün kodları ve birlikte alınma sayıları).Veri: [tablo].Görev: en sık birlikte alınan 10 ürün çiftini bul; her çift için bir çapraz satış hipotezi ("X alana Y öner") yaz.Not: Bunlar hipotezdir; stok ve marjı ben ayrıca kontrol edeceğim.
2) Paket (bundle) önerisi:
Ürün: [ana ürün]. Tamamlayıcı ürünler: [liste, marj notlarıyla].Görev: 3 mantıklı paket öner; her paket için müşteriye faydasını tek cümleyle açıkla.Kural: paketteki tüm ürünler stokta olmalı; düşük marjlı ürünü ana çekici yapma.
3) Üst satış senaryosu:
Müşteri şu ürüne bakıyor: [ürün, fiyat, özellik].Üst modeller: [liste, fiyat/özellik farklarıyla].Görev: dürüst bir üst satış mesajı taslağı yaz: hangi ek fayda için ne kadar fazla ödenir.Kural: abartma yok; farkı somut özellik üzerinden anlat.
4) Öneri kural denetimi:
Aşağıdaki öneri kurallarını denetle.Kurallar: [liste].Görev: her kuralı şu risklere karşı değerlendir: stok tutarlılığı, marj koruması, kategori uygunluğu, filtre balonu, önyargı.Riskli kuralları ve düzeltme önerini listele.
Üç mini vaka
Vaka 1 — Çapraz satış kazancı. Bir elektronik mağazası, sipariş verisini YZ ile analiz edip "telefon alanların %40'ı 30 gün içinde kılıf da alıyor" örüntüsünü buldu. Telefon sayfasına uygun kılıf önerisi bloğu ekledi (stokta olanlar filtrelenerek). Sepet ortalaması ölçülebilir biçimde yükseldi. YZ hipotez verdi, mağaza test edip doğruladı.
Vaka 2 — Marj tuzağı. Bir mağaza, ana sayfayı tamamen "en çok tıklanan" ürünlere bıraktı. En çok tıklanan ürünler en düşük marjlı, hatta bazıları zararına satılan kampanya ürünleriydi. Ciro arttı ama kâr düştü. Çözüm: öneri kuralına "marjı eşik altındaki ürünü ana sayfada öne çıkarma" filtresi eklendi.
Vaka 3 — Filtre balonu. Bir kitap sitesinde, müşteriye sürekli aynı türde kitap önerildiği için müşteri yeni türleri hiç keşfetmedi ve zamanla ilgisi azaldı. Öneri kuralına "önerilerin en az %20'si farklı kategoriden olsun" çeşitlilik kuralı eklenince keşif ve satış toparlandı.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Bu ürünle birlikte ne önerebilirim, birkaç fikir ver.
Model, sizin gerçek verinizi ve marjınızı bilmeden genel, belki stokta olmayan öneriler üretir.
Güçlü prompt:
Rolün: e-ticaret analisti. Ana ürün: kablosuz kulaklık (marj %28, stok var).Tamamlayıcı adaylar (stok/marj ile): taşıma kılıfı (%45, var), kulak lastiği seti (%50, var), şarj kablosu (%20, yok).Görev: yalnızca stokta ve marjı %30 üzeri olanlarla 2 çapraz satış paketi öner; her paket için müşteri faydasını tek cümle yaz.
Sık yapılan hatalar
- Öneriyi kanıt sanmak. YZ'nin çıktısı hipotezdir; test edilmeden karara dönüşmez.
- Stok ve marjı görmezden gelmek. Otomatik öneri kârsız veya tükenmiş ürünü öne çıkarabilir.
- Sadece popülerliğe bağlamak. En çok tıklanan her zaman en kârlı veya en uygun değildir.
- Filtre balonu yaratmak. Sürekli aynı ürünü göstermek keşfi ve satışı öldürür.
- Önyargıyı denetlememek. Sistem geçmiş eşitsizlikleri pekiştirebilir; düzenli denetim gerekir.
- Zorlama üst satış. Faydası olmayan pahalı modeli itmek güven kaybettirir.
Özetle
Öneri sistemleri, müşteriye doğru anda doğru ürünü göstererek sepet ortalamasını ve bağlılığı artırır. Üç temel mantık vardır: içerik temelli (benzer ürünler), işbirlikçi (birlikte alınanlar) ve kişiselleştirme. Küçük mağazalarda bile YZ, sipariş verisinden çapraz satış ve paket hipotezleri üretebilir; ama bunlar test edilecek fikirlerdir, kanıt değil. Öneri kurallarını mutlaka stok, marj, kategori uygunluğu ve çeşitlilikle çerçeveleyin; filtre balonu ve önyargı risklerini düzenli denetleyin. Otomatik öneri, ticari denetime bağlı kaldığında değer üretir.
Uygulama görevi
Kendi sipariş verinizden (anonim ürün kodlarıyla) en sık birlikte alınan 5 ürün çiftini çıkarın. "Birlikte satılan ürün analizi" şablonuyla YZ'den çapraz satış hipotezleri isteyin. Her hipotezi bir "eğer-o zaman" cümlesine çevirip stok ve marj gözüyle süzün. En umut verici 2 hipotez için bir test planı yazın (ne kadar süre, hangi metrik ölçülecek). Son olarak öneri kurallarınızı "Öneri kural denetimi" şablonuyla riskler açısından değerlendirin.
Kontrol listesi
- [ ] Öneri fikirlerini test edilecek hipotez olarak ele aldım, kanıt olarak değil.
- [ ] Her öneriyi stok ve marj filtresinden geçirdim.
- [ ] Popülerliğin yanında kârlılık ve uygunluğu da gözettim.
- [ ] Çeşitlilik kuralıyla filtre balonunu önledim.
- [ ] Önerilerin kimlere ne gösterdiğini önyargı açısından denetledim.
- [ ] Umut verici önerileri gerçek bir testle ölçmeyi planladım.