İnternet alışverişi her saniye binlerce terabaytlık bilgi akışını neden oluyor. Bu tükenmez bilgi deryası içinde özellikle kararsız tüketiciler milyonlarca ürün arasından seçim yapmakta bir hayli zorlanıyor. Bu durumun tespiti ve satışlar üzerindeki etkisi göz önünde bulundurularak, firmalar müşterilerini ikna edebilmek ve böylece pazarda rekabeti sağlayabilmek için ürün tavsiye uygulamalarını kullanmaya başladı.

Firmalar bu öneri sistemlerinin yardımıyla müşterilerinin karar verme sürecini hızlandırmayı hedefliyor. Ürün önerme sistemleri, ürünün ve kullanıcının profilleriyle ilgili bilgileri ilişkilendirerek kullanıcının ilgilendiği ürünleri tahmin etmeye çalışır. En yaygın kullanılan sistemler; işbirlikçi filtreleme (collaborative filtering) ile içerik tabanlı yöntemler (content-based ) veya bu iki yöntemin hibrit olarak kullanıldığı sistemlerdir.

Ürün Öneri Motoru Nedir?

Öneri sistemi veya öneri motoru olarak bilinen yazılımlar, mevcut verileri ( anahtar kelimeler, müşteri profili bilgileri, vb. ) analiz ederek kullanıcının aradığı veya ilgisini çekebilecek içerikleri listeler. Tavsiye araçlarının ( Recommendation Engine) en yaygın ve eski örneği Google vb. arama motorlarıdır.

Arama motorları, yaptığımız aramadaki anahtar kelimeleri kullanarak uyumlu web sitelerini listeler. Google kullanımında sıkça rastladığınız ' bunu mu denemek istediniz?' de bu öneri araçlarının alternatif bir özelliğidir.

Öneri Araçları Şirketlere Nasıl Yarar Sağlıyor?

Şirketlerin satış stratejilerinin başında müşteri memnuniyeti gelir. Tatmin edilen mevcut müşteriler aynı zamanda gelecek müşteri portföyüne de dahil olur. Bu yüzden müşteri ihtiyaçlarını doğru tespit edebilmek ve buna uygun ürün sunabilmek satış için ilk adımdır. Kişiselleştirilmiş satış deneyimi yeni nesil satışlara hizmet eden en etkili yöntemdir.

VentureBeat' in 2015 yılında yaptığı bir çalışmaya göre; Y kuşağı ve X kuşağının büyük bir kısmından oluşan dijital kullanıcı kitlesinin %77 'si, online deneyimlerinde kişiselleştirilmiş yaklaşım talep ediyorlar.

2018 itibariyle Z kuşağının ilk fertlerinin de bu dijital kitleye dahil olduğu düşünülürse, bu oran şüphesiz günümüzde çok daha fazladır. Kısaca, müşteri neye ihtiyacı olduğunun tam olarak anlaşılmasını ve buna uygun ürünlerin mümkün olan en kısa süre içerisinde de sunulmasını bekler.

Öneri araçları da, firmaların müşterilerinin ihtiyaç duydukları satış deneyimini sunmasına yardımcı olur. Öneri yazılımları müşteriye ait bilgiler ile mevcut ürünlerin eşleşmesini kısa bir süre içerisinde yaparak, müşteriyi büyük bir zahmetten kurtarır. Kısa sürede kazanılan müşteri memnuniyeti şirket için uzun vadeli getirilere sahiptir. Bu yüzden şirketler öneri sistemleri için yüklü miktarda para ödemekten çekinmezler. Yapılan bu yatırımlar, öneri araçlarının şirkete olan faydası hakkında da ipucu verebilir. Örneğin, Netflix 2016 yılında öneri motorları için yıllık yaklaşık 1 milyar $ harcama yaptığını duyurdu.

Öneri Aracının Performansı Nasıl Ölçülür?

Etkili bir öneri aracının bağlı olduğu birkaç önemli parametre vardır. Sistemin başarısı bu parametrelerin değerlendirilmesiyle ölçülür.

1. Önerilerin Dönüşüm Oranı: Dönüşüm oranı, önerilen ürüne karşılık müşterinin ürünü inceleme, firma ile iletişime geçme, ürünü satın alma vb. eylemlerini ifade eder.

2. Önerilen Ürünlerin Brüt Mal Hacmi / 1000 : Bu ölçüt öneri kutusundaki ürünlerin satın alınma oranını binlik dilim üzerinden ifadesidir.

3. Tıklanma Oranı: Tıklanma oranı kullanıcının reklam veya ürüne tıklama sayısının ürün veya reklamın ekrana geliş sayısına bölümüdür. Ancak bu oran değerlendirilirken tıklanma koşulları da göz ardı edilmemelidir. Ürün reklamının sayfa üzerindeki lokasyonu ve ürünün incelenmesi için geçen süre vb. etkiler de değerlendirilmelidir.

4. % Önerilen Ürünler Üzerinden Sağlanan Gelir: Önerilen ürünlerin satışından elde edilen gelirin şirketin toplam satış gelirine oranıdır.

5. Görüntülenen Ürün Sayısı: Önerilen ürünlerden ne kadarının kullanıcı tarafından görüntülendiğini ifade eder. Müşterinin çok fazla ürüne bakması veya ürün sayfasında uzun süre kalması müşterinin kararsız olduğunun göstergesi de olabilir. Ancak verilere göre; çok sayıda ürün görüntülenmesi ve uzun süre incelenmesi genellikle satış üzerinde pozitif etkiye sahip.

Öneri Araçları Yaygın Olarak Nerede Kullanılıyor?

Online alışveriş siteleri başta olmak üzere içerik veya ürün pazarlaması yapan tüm ortamlarda öneri araçları kullanılıyor. Bu araçlar, sitedeki kullanım yerine göre ( ana sayfa, ürün sayfası, ödeme sayfası, vb.) farklı teknikleri temel alarak tasarlanıyorlar.

Ana Sayfa Önerileri

Ana sayfa potansiyel müşterinizin kalbini çalacağınız ilk ortamdır, en azından sitede ilerlemesini sağlayacak kadar etkilemeniz gerekir. Ancak ana sayfada özelleştirilmiş bir arama yapmadan gezinen kullanıcının ne aradığını kestirmek akıllı yazılımlar için de bir hayli zordur. Bu nedenle, öneri yazılımları ana sayfada öncelikle indirimli veya son çıkan ürünleri listelemekle başlar.

Biraz daha geliştirilmiş yazılımlar ise, genel kullanıcı hareketlerinden yola çıkarak popüler ürünleri ana sayfaya taşır. Öneri araçları popüler ürünlerin tespitinde; tıklanma, görüntülenme ve sepete eklenme sayılarını dikkate alır.

Ürün oyları da bir diğer kriterdir, en çok oy alan ürünler ürünün popüleritesinin de bir ölçütüdür. Söz konusu bir içerik sitesi ise de; içeriğin tıklanma sayısı, içerik sayfasında geçirilen süre vb. parametreler dikkate alınır.

Açık Geri Bildirim — Örtülü Geri Bildirim

Müşterinin ürün değerlendirilmeleri açık ve örtülü geri bildirim olmak üzere iki farklı şekilde değerlendirilir. Açık geri bildirim; ürünün oylanması veya yorum yazılması gibi kullanıcının bilinçli olarak yaptığı faaliyetlerdir. Örtülü geri bildirim ise; ürün sayfasında kalış süresi, tıklanma ve satın alınma oranları gibi site incelemesi sırasında doğal gelişen hareketleri tanımlar.

Her kullanıcı yorum yazmak ya da puan vermek gibi faaliyetlerde bulunmadığından, öneri yazılımları analiz sırasında örtülü geri bildirimleri dikkate alır. Yazılımlar açık geri bildirimden faydalanamasa da, kullanıcıların %88'i (BrightLocal araştırmasına göre) müşteri görüşlerini büyük ölçüde dikkate alıyor.

Kişiselleştirilmiş Öneri Mümkün Mü?

Ana sayfa önerilerinde kişiye özel öneride bulunmak diğer sayfa önerilerinden daha zordur.

Müşteri siteyi daha önce ziyaret etmişse önceki internet hareketlerinden öneri yapmak mümkündür ancak, öneri yazılımları ilk kez sayfaya giren müşterinin verilerine ulaşamaz.

Öneri aracının karşılaştığı bu sorun soğuk başlangıç problemi (cold start problem) olarak tanımlanır. Böyle bir durumla karşılaşan sistemlerde B planı olarak değerlendirilen ( fallback scenario) yaklaşım uygulanır. Sistem ilk önce elindeki verilerin kişiselleştirilmiş öneri yapmak için yeterli olup olmadığını değerlendirir ve sonucun olumsuz olduğu durumda, site içerisindeki genel kullanıcı faaliyetlerini değerlendirerek öneride bulunur.

Kişiselleştirilmiş ürün önerisinin faydalarından biri de uzun kuyruk (long tail) ürünlerinin satışını arttırmasıdır. Uzun kuyruk ürün kavramı az sayıda satılan çok fazla ürünü ifade eder. Aynı üründen 5 tane satmak yerine 5 farklı üründen 1'er tane satmak olarak düşünülebilir. Öneri sisteminin uygulanabilirliği satılan ürün çeşitliliğini de arttıracağından uzun kuyruk ürünlerin satış oranını da arttırır. ( Uzun kuyruk ifadesi, ürün satışlarını ifade eden grafiğin kuyruk biçimini almasından kaynaklanır.)

Ürün Sayfası Önerileri

Ürün detaylarının bulunduğu bu sayfa öneri araçlarının etkinliğinin en fazla olduğu yerlerden biridir. Müşteri bu sayfada aradığı ürüne ulaşmayı bekler. Ürün kriterleri müşterinin beklentilerini karşılamıyorsa, bu sırada sayfada beliren doğru ürün önerisi müşteriyi etkileyecektir. Müşterinin incelediği ürünün özelliklerinden ve ürün sayfasına gelene kadar müşterinin tıklama faaliyetlerinden yola çıkarak öneri sistemleri verileri işler.

Benzer Ürünler

Kategori filtreleme öneri motorlarının en basit yaklaşımıdır. Kullanıcının incelediği ürünle aynı kategoride bulunan diğer ürünler öneri listesinde ilk sıralarda yer alır.

Kategori filtreleme yöntemi, üst veri (meta-data) işleme özelliği ile desteklenerek daha spesifik ürünlere ulaşılabilir. Ürünün başlığı, incelenen renk, fiyat veya kullanım yeri gibi ilgili etiketler ana kategoriyi daraltan üst verilerdir.

Klasik filtreleme tekniğinde ( user-to-user collaborative filtering) kullanıcıların ürün üzerindeki hareketlerine göre benzer profile sahip kullanıcılar gruplandırılıyordu. Ancak, verilerin gözden kaçması veya kullanıcı profillerinin hızlı değişimi ile uzun zaman harcanması gibi zorluklar nedeniyle kullanıcı tabanlı sistem yerini ürün merkezli filtrelemeye bıraktı.

İlk defa Amazon tarafından kullanılan ürün üzerinden filtreleme (item-to-item collaborative filtering), ürünlerin oylanma özelliklerinin benzerliklerini değerlendirir. Örneğin; iki ürünün ne sıklıkla aynı anda kullanıcıların arama ya da satın alma geçmişinde yer aldığına bakılır. İncelediğiniz ürünün hemen altında beliren 'X'i görüntüleyen kullanıcılar Y'yi de görüntüledi' önerisi bu filtreleme sistemiyle çalışır. Aynı sistemin ürün benzerliklerinin yanında kullanıcının tüm ürünlerinin geçmişini aynı anda değerlendirdiği durumda kişiselleştirilmiş öneri için kullanılır.

Alışveriş Sepeti Önerileri

Barilliance ve Marketingsherpa tarafından 300 e-ticaret mağazasında gerçekleştirilen 2015 araştırmasına göre, kullanıcı sepetindeki öğelere başka öğeler öneren araçlar elde edilen gelir temelinde en iyi performans gösteren 10 tür arasında yer aldı.

Kullanıcı trafiğinin en az olduğu sayfa olmasına rağmen görülen bu başarı, müşteri psikoloji metrikleriyle açıklanabilir:

Ürün sepetinde bulunan müşteri satın almaya zaten yatkındır.

Aksesuar Önerileri ve Birlikte Satılanlar

Ödeme sayfasından önceki son adımda mevcut ürün ile ilgili aksesuarların önerilmesi şüphesiz en mantıklı satış stratejilerinden biri olacaktır. Bunun için en uygun yöntem kategorilerin doğrudan kategorilere önerilmesidir. Bu işlem için kategori algoritmalarının doğru tanımlanması oldukça önemlidir. Aynı şekilde, birlikte satılan ürünlerin alışveriş sepeti sayfasında önerilmesi de etkili olacaktır.

'Sonuç Bulunamadı' Sayfaları Ürün Önerileri

Potansiyel müşteriyi kaybetmeye en yakın olunan yer 'sonuç bulunamadı' sayfasıdır. Hata sayfalarında öneri aracı kullanmak müşteri kaybı riskini büyük ölçüde azaltır. Burada kullanılan öneri yazılımları müşterinin bir önceki aramasından yola çıkarak ya da son aramaya benzer kelimelerin ilişkili olduğu kelimeleri bularak arama yapar.

Ürün Öneri Araçlarının Geleceği

Öneri sistemleri genel olarak 4 ana basamak üzerinden çalışır: veri toplama, veri depolama, analiz ve filtreleme. Verilerin toplanması ve depolanması aşaması kullanıcı hareketlerinden sisteme ulaşan hazır bilgileri içerir. Yeterli veri girdisi sistemin işlemesi için ilk koşuldur. Ne kadar çok veri girişi varsa, önerinin etkinliği de o kadar iyi olacaktır.

Büyük veri alanındaki gelişmeler ulaşılabilen veri sayısını ve niteliğini her geçen gün arttırmaktadır. Verilerin analizi ve filtrelenmesi makine öğrenmesi algoritmaları tarafından yapılır.

Yapay zeka alanındaki gelişmelerin, öneri sistemlerinde de büyük ilerlemeler yaratacağı şüphesizdir. Makine öğrenmesi ve büyük veri işbirliğinin artması öneri sistemlerinin etkinliğini de arttıracaktır.

Yapay Zeka ve Makine Öğrenmesi ile ilgileniyorsanız hemen aşağıdaki formdan Haftalık Bültenimize abone olabilirsiniz.

Yazıyı beğendiyseniz de bizi Medium üzerinden takip edip desteğinizi gösterebilirsiniz.