Veriye Dayalı Kişiselleştirme

“Merhaba Ayşe” ile başlayan e-posta, kişiselleştirilmiş sayılıyor. Oysa Ayşe bu e-postada, geçen hafta iptal ettiği paketin kampanyasını görüyor. İsmi doğru, bağlam yanlış. Böyle bir e-posta Ayşe'ye hiçbir şey hissettirmez, ya da yanlış bir şey hissettirir.

Kişiselleştirmenin değeri, kullanıcıya “bunu bilmiyormuş gibi davranmayan bir ürün” deneyimi yaşatmaktır. Veri bunun yakıtı, öneri algoritması yalnızca bir araç. Asıl iş, hangi anda ne söyleneceğine karar vermektir.

Ne zaman ihtiyacınız var?

Sinyaller: kullanıcıların davranışları belirgin biçimde farklı ama herkes aynı deneyimi görüyor. Aktivasyon oranı segmentler arasında büyük farklılık gösteriyor ve ekip bunu fark ediyor ama müdahale etmiyor. Çok sayıda ürün, içerik ya da özellik var ve kullanıcı aradığını bulamıyor. Mevcut veri (kullanım olayları, satın alma geçmişi, segment bilgisi) bir yerde birikiyor ama hiçbir karara dönüşmüyor.

Henüz erken olduğu durumlar: kullanıcı sayısı, anlamlı segmentler çıkaracak ya da bir modeli besleyecek kadar değilse. Veri toplama altyapısı güvenilir değilse; eksik ya da hatalı veriyle kişiselleştirme, kişiselleştirmemekten kötüdür. Temel deneyim henüz iyi değilse de erken: herkes için kötü bir akışı kişiye özel kötü yapmak kimseyi kurtarmaz.

Çoğu ekibin atladığı nokta

Kişiselleştirme konuşulduğunda akla hemen öneri motorları, makine öğrenmesi ve gerçek zamanlı modeller gelir. Oysa en yüksek getiri genelde en basit kurallardan gelir: yeni kullanıcıya farklı, geri dönen kullanıcıya farklı, belirli bir eylemi yapmamış olana farklı bir ekran.

Kişiselleştirme, modelin ne kadar akıllı olduğuyla değil, kullanıcının o anki niyetini ne kadar doğru okuduğunuzla ölçülür.

Bu yüzden önce şu soru: hangi iki üç kullanıcı durumu, bugün aynı ekranı görüyor ve farklı şeye ihtiyaç duyuyor? Bunların çoğu karmaşık bir veri bilimi gerektirmez. Örneğin ilk haftasında, kurulumu tamamlamamış bir kullanıcıyla, üç aydır aktif bir kullanıcıya aynı yönlendirmeyi göstermek, kişiselleştirme eksikliğidir.

İkinci kaçırılan nokta, kişiselleştirmenin sınırı. Kullanıcı ürünün onu bu kadar iyi tanımasını beklemiyorsa, fazla spesifik kişiselleştirme rahatsız eder. “Geçen salı şu sayfada şu kadar süre kaldınız” gibi bir mesaj, bilgiyi doğru kullansa da güven kaybettirir. Kişiselleştirmenin işe yarayan hâli, kullanıcının “ne iyi, bunu da düşünmüşler” dediği, ama “beni izliyorlar” demediği bölgedir.

Üçüncüsü, veri ve izin. Kişisel verinin işlenmesi KVKK ve benzeri düzenlemelerle sınırlıdır; hangi veriyi, hangi amaçla, hangi izinle kullandığınızı bilmeniz gerekir. Hukuki ayrıntıyı bu yazıda yapamam, ama pratik kural şu: kullanıcıya açıkça anlatabileceğiniz bir amaç için toplayın, anlatamayacağınız veriyi toplamayın.

Dördüncüsü, ölçüm. Kişiselleştirmenin işe yaradığını anlamak için karşılaştırma grubu gerekir: kişiselleştirilmiş deneyimi alan ile almayan. Bu olmazsa, artışın kişiselleştirmeden mi mevsimden mi geldiğini bilemezsiniz.

Uygulama planı

1. Kullanıcı durumlarını belirleyin

Ürününüzde kullanıcıyı farklı bir ihtiyaca götüren üç dört durumu listeleyin: yeni ve kurulumda, aktif ama özelliği keşfetmemiş, yoğun kullanıcı, kayıp riski taşıyan. Her durum için “bu kişi şu an ne yapmaya çalışıyor, ne ona yardımcı olur?” sorusunu cevaplayın. Bu liste, kişiselleştirme kuralınızın iskeletidir.

2. Kullanılabilir veriyi envanterleyin

Hangi davranışsal veri güvenilir ve gerçek zamanlı erişilebilir? Hangisi kullanıcıdan izinle alınmış? Varsayımla değil, gerçek veriyle çalışın: verinin eksik ya da gecikmeli olduğu yerde kişiselleştirme yapmayın.

3. İlk kuralları basit yazın

Her durum için bir kural: “Eğer kullanıcı şu olayı yapmadıysa, şunu göster.” Karmaşık modellere geçmeden önce kurallarla sonuç alıp almadığınıza bakın. Kurallar aynı zamanda ekibe, kişiselleştirmenin ne yaptığını anlatır; kara kutu modeller bunu yapmaz.

4. Kontrol grubuyla test edin

Her kişiselleştirilmiş deneyime bir kontrol grubu ayırın. Metrik, o deneyimin amacına göre belirlenmeli: aktivasyon, tekrar kullanım, dönüşüm. Etki küçükse ya da yoksa deneyimi kaldırın. Her kişiselleştirme bir bakım yükü getirir ve işe yaramayan her kural karmaşıklık ekler.

5. Öneri ve model katmanını sonra ekleyin

Kural tabanlı kişiselleştirme tavan yaptığında ve veri yeterince zenginse, öneri algoritması düşünün. Modeli de aynı şekilde kontrol grubuyla test edin ve basit kuralı geçip geçmediğine bakın. Geçmiyorsa, karmaşıklığın ekstra bakım maliyetini haklı çıkaracak bir şey yoktur.

6. Kullanıcıya kontrol verin

Kişiselleştirmenin nedenini gösterin (“şu nedenle bunu önerdik”) ve kapatma seçeneği sunun. Şeffaflık güveni artırır; ayrıca yanlış kişiselleştirmeyi kullanıcının kendisinin düzeltmesini sağlar.

Neyi ölçmeli?

• Kontrol grubuna göre aktivasyon ve dönüşüm farkı. Kişiselleştirmenin gerçek etkisi; her deneyim için ayrı okunur.
• Segment bazında tekrar kullanım ve retention. Hangi kullanıcı durumunun daha iyi karşılandığını gösteren öncü ve gecikmeli göstergeler.
• Kişiselleştirme kapsama oranı. Kullanıcıların ne kadarının anlamlı bir kuralla karşılandığı; düşükse veri ya da kural eksik.
• Olumsuz sinyaller. Abonelikten çıkma, bildirim kapatma, şikâyet; aşırı kişiselleştirmenin ilk işaretidir.

Tuzaklar

Araca güvenip stratejiyi atlamak. Kişiselleştirme platformu almak, hangi kullanıcıya ne söyleneceği sorusunu cevaplamaz. Kuralı insan yazar, araç sadece uygular.

Kötü veriyle kişiselleştirmek. Eski, hatalı ya da eksik veriyle yapılan kişiselleştirme (iptal etmiş kullanıcıya satış mesajı gibi) güveni doğrudan zedeler. Veri güveni sağlamadan devreye almayın.

Aşırı spesifik olmak. Kullanıcının beklemediği kadar derin bir bilgi göstermek, ürünü akıllı değil tedirgin edici gösterir. Bilgiyi kullanın ama kullandığınızı bağırmayın.

Karşılaştırmasız ilan etmek. Kontrol grubu olmadan “kişiselleştirme %X artırdı” diyen rapor, genellikle mevsimi ya da kampanyayı ölçmüştür.

Bu hafta başlayın

1. Ürününüzde bugün herkese aynı ekranı gösterdiğiniz ama ihtiyaçları farklı olan üç kullanıcı durumunu yazın.
2. Bunlardan birini seçin ve tek bir kuralla farklı deneyim tasarlayın (örneğin kurulumu bitirmemiş kullanıcıya tek bir yönlendirme).
3. O deneyim için kontrol grubunu ve başarı metriğini belirleyin; kaç günde karar vereceğinizi önceden yazın.