YAPAY ZEKÂ

AI’dan Gelen E-Ticaret Trafiğini Klasik Organik Trafik Gibi Ölçmek Neden Yanıltıcı Olabilir?

Roilab — Yapay Zekâ · 31 Ağustos 2026 · 9 dk okuma

KAPAK GÖRSELİ — S/B

AI yönlendirmesi analytics’te neden yolculuğun yalnız son parçasını gösterir?

AI kaynaklı ticaret trafiği çoğu analytics aracında bir referral, source/medium veya yeni bir kanal etiketi olarak görünür. Bu sınıflandırma faydalıdır fakat müşteri yolculuğunun tamamını açıklamaz. Kullanıcı AI içinde beş ürün karşılaştırıp yalnız bir markanın sitesine giderse, web analitiği kazanan tıklamayı görür; elenen dört ürün için marka tarafında oturum oluşmaz. Bu nedenle AI trafik ölçümü, klasik organik arama mantığını kopyaladığında ‘görünürlük’ ile ‘ziyaret’i aynı şey sanma riski taşır.

Tıklama olmadan gerçekleşen ürün değerlendirmesi nasıl görünür olur?

OpenAI’nin ürün keşfi deneyimi ürünlerin konuşma içinde karşılaştırılabildiğini ve kullanıcıların kısıtlarını değiştirerek alternatifleri daraltabildiğini söylüyor. Shopify Agentic Storefronts tarafında AI kanallarından gelen sipariş, satış, dönüşüm ve arama görünürlüğünü aynı yönetim ekranında göstermeye yöneliyor. Google Merchant Center da AI-driven search sonuçlarında marka görünürlüğünü ölçmeye dönük içgörüler duyurdu. Bu ürün yönleri, ölçümün yalnız clickstream’den daha geniş olması gerektiğini gösteriyor.

AI referral ile yeni müşteri etkisi nasıl ayrıştırılır?

İlk ayrım exposure ile referral arasındadır. Exposure, ürünün AI cevabında aday veya öneri olarak görünmesidir. Referral, kullanıcının markaya geçtiği adımdır. Sipariş ise üçüncü olaydır. Bu üç katmanın oranları birbirinden farklı sorunları teşhis eder. Exposure düşükse ürün verisi veya uygunluk sorunu olabilir. Exposure yüksek, referral düşükse önerideki farklılaşma zayıf olabilir. Referral yüksek, sipariş düşükse fiyat, güven, checkout veya teslimat problemi gündeme gelir.

Assisted influence için hangi deney tasarımı gerekir?

Sayılı örnek 1: Ayda 50.000 AI cevabında ürününüz görünür olsun; 5.000 kullanıcı siteye gelsin ve 300 sipariş versin. Exposure→referral oranı %10, referral→sipariş oranı %6, exposure→sipariş oranı %0,6’dır. Bir optimizasyon sonrası exposure 40.000’e düşerken referral 6.000’e ve sipariş 420’ye çıkarsa trafik raporu ‘daha az görünürlük’ diyebilir. Fakat aday kalitesi yükselmiştir: referral oranı %15, sipariş oranı %7 olur. Bu nedenle tek hacim metriği yanlış karar üretebilir.

Kanal raporu ile iş etkisi nerede birbirinden ayrılır?

Sayılı örnek 2: 420 siparişin 250’si markanın mevcut müşterilerinden gelsin. Mevcut müşterilerin tarihsel satın alma olasılığı aynı dönemde %60 ise, 250 siparişin yaklaşık 150’si AI olmasa da beklenebilir. Geri kalan 100 mevcut müşteri siparişi ile 170 yeni müşteri siparişi birlikte 270 daha yüksek olasılıklı incremental/assisted etki adayıdır. Bu kesin causal sonuç değildir; fakat ‘420 siparişin tamamı AI katkısı’ iddiasından daha kontrollü bir başlangıç sağlar.

Bu ölçüm modeli ne zaman gereksiz derecede karmaşık olur?

Causal ölçüm için cohort veya holdout gerekir. Uygun ürün gruplarının bir kısmında AI feed kalitesi, zengin metadata veya yeni entegrasyon açılıp benzer grupta değişiklik yapılmayabilir. Sonra yalnız referral değil, toplam ürün talebi, marka araması, doğrudan trafik ve satış karşılaştırılır. AI etkisi kullanıcıyı doğrudan tıklamaya değil daha sonra marka aramasına yöneltiyorsa last-click raporu katkıyı başka kanala yazacaktır.

AI ölçümü için ilk yönetim panelinde neler bulunmalı?

Bu yaklaşım düşük hacimli markalarda gereksiz karmaşıklık yaratabilir. Ayda onlarca AI referral alan bir işletmede exposure API’leri veya deneysel attribution sistemi kurmak yerine ürün veri doğruluğunu ve referral kalitesini manuel incelemek daha rasyoneldir. Ölçüm sistemi karar büyüklüğüyle orantılı olmalıdır. Her yeni kanal için ayrı ‘north star’ üretmek yönetişim maliyetini artırır.

AI görünürlüğünde denominator neden önemlidir?

Roilab’ın önerdiği ilk panel dört satırla başlayabilir: AI görünürlüğü, AI referral, AI kaynaklı sipariş, AI etkili kohortların yeni/mevcut müşteri kırılımı. Bunun yanına veri güven seviyesi eklenmelidir. Kesin ölçüm ile model tahmini aynı görsel ağırlıkta sunulmamalıdır. AI trafiğini anlamanın amacı yeni bir vanity metric üretmek değil; müşterinin ürün kararının ne kadarının web sitesinden önce şekillendiğini görünür kılmaktır.

Referral kalitesi oturum süresiyle ölçülür mü?

Bir markanın 10.000 kez görünmesi tek başına payı göstermez. İlgili kategori sorgularının toplam sayısı, markanın uygun olduğu sorgu alt kümesi ve rakip görünürlüğü bilinmeden mutlak hacim yorumlanamaz. Bu nedenle share-of-voice benzeri metriklerde denominator tanımı sabitlenmelidir. Ürün uygunluk seti değişirse trend serisi kırılır; rapor bunu versiyonlamalıdır.

Ai etkisi ölçümü: 2026 kanıtları ne söylüyor?

AI’dan gelen kullanıcı karara daha yakın olabilir ve sitede daha kısa süre geçirip satın alabilir. Bu nedenle düşük pageview veya kısa session her zaman düşük kalite değildir. AI referral için ürün sayfasına iniş doğruluğu, checkout başlatma, yeni müşteri oranı ve return davranışı daha açıklayıcı olabilir. Kanal benchmark’ları klasik organic ile birebir kopyalanmamalıdır.

AI kaynaklı talebi kanal bütçesine nasıl bağlamak gerekir?

OpenAI shopping research süreci kullanıcıyı birden fazla ürün arasında iteratif karşılaştırmaya sokabildiği için klasik session başlangıcından önce ölçülemeyen bir karar aşaması yaratır. Shopify Agentic Storefronts arama görünürlüğü, sipariş ve dönüşümü aynı admin yüzeyinde birleştirerek exposure ile satış arasındaki ara katmanın ölçülmeye başlandığını gösterir. Google AI-driven search için Merchant Center içgörüleri sunarken, marka görünürlüğünün site oturumundan farklı bir ölçü olarak ele alınabileceğine işaret eder. Ask Advisor'ın Ads, Analytics ve Merchant Center'ı bir araya getirmesi kanal verilerinin tek ürün/iş sorusu etrafında okunmasına yönelik platform eğilimini gösterir. IAB Campaign Data Standards ortak reklam taksonomisi kurarak source ve inventory tanımlarının ölçüm karşılaştırılabilirliği için ön koşul olduğunu savunur. IAB programmatic video rehberi AI kararlarında transparency ihtiyacını öne çıkarır; AI referral ölçümünde de model tahmini ile gözlenen olayın ayrılması aynı güven sorununu azaltır.

AI assisted influence için basit bir cohort nasıl kurulur?

AI referral yükseldi diye klasik SEO veya paid search bütçesi otomatik azaltılmamalıdır. AI cevabının beslendiği web içeriği, ürün verisi ve marka talebi önceki kanalların ürettiği sinyallerden etkilenebilir. Yönetim, bütçe kararını source bazlı son tıklama yerine toplam talep ve deney sonuçlarıyla vermelidir. Örneğin AI referral %50 artarken branded search %20 düşüyorsa iki hareket aynı müşteri yolculuğunun farklı aşamalarını temsil ediyor olabilir; causal test olmadan bütçe transferi erken olur.

Model tahmini dashboard'da nasıl işaretlenmeli?

Birinci cohort AI referral ile gelen yeni müşteriler, ikinci cohort organik/direkt yeni müşteriler olabilir. Aynı kategori, dönem ve promosyon koşulunda 60 günlük tekrar satın alma, iade ve katkı karşılaştırılır. AI cohort 1.000 müşteri ve %18 repeat, kontrol 2.000 müşteri ve %15 repeat ise fark 3 puandır. Mutlak olarak 30 ek tekrar sipariş sinyali vardır; fakat acquisition mix farkları nedeniyle bu sonuç causal değildir. Yine de müşteri kalitesini yalnız ilk sipariş conversion'ından daha iyi gösterir.

AI source etiketi ne kadar güvenilir?

Observed event, inferred exposure ve modeled incrementality aynı tür sayı değildir. Dashboard her metriğin veri sınıfını açıkça göstermelidir. Örneğin referral click 'gözlenen', AI answer exposure API'den geliyorsa 'platform bildirimi', holdout dışındaki assisted impact ise 'model tahmini' olarak etiketlenebilir. Böylece yöneticiler yüksek hassasiyetli görünen ama varsayıma dayalı bir oranı kesin satış verisiyle karıştırmaz.

Exposure verisi olmadığında ne yapılabilir?

Ai etkisi ölçümü odağı: referrer, UTM, platform bildirimi ve server-side sipariş kaynağının uzlaştırılması. Ai etkisi ölçümü metriği: source conflict. Ai etkisi ölçümü örneği: aynı sipariş web analytics'te direct, platformda AI referral görünebilir. Ai etkisi ölçümü sınırı: privacy ve browser kısıtları yüzde 100 eşleşmeyi engelleyebilir. Ai etkisi ölçümü kararında source conflict tek başına kullanılmaz. Ai etkisi ölçümü testi 1: bu soru yalnız AI-002 içindeki kararı sınar.

Yeni müşteri payı neden kritik?

Ai etkisi ölçümü odağı: referral cohort, branded search lift ve platform raporlarının proxy olarak kullanılması. Ai etkisi ölçümü metriği: proxy confidence. Ai etkisi ölçümü örneği: AI referral artışıyla aynı dönemde branded search artıyorsa assisted etki hipotezi kurulabilir. Ai etkisi ölçümü sınırı: korelasyon causal kanıt değildir. Ai etkisi ölçümü kararında proxy confidence tek başına kullanılmaz. Ai etkisi ölçümü testi 2: bu soru yalnız AI-002 içindeki kararı sınar.

İade oranı AI trafik kalitesini gösterir mi?

Ai etkisi ölçümü odağı: AI kanalının mevcut müşteriyi taşımak mı yeni talep üretmek mi yaptığını ayırmak. Ai etkisi ölçümü metriği: new-customer rate. Ai etkisi ölçümü örneği: 500 siparişin 400'ü mevcut müşteriyse acquisition iddiası sınırlıdır. Ai etkisi ölçümü sınırı: mevcut müşterinin yeniden etkinleşmesi de değer yaratabilir. Ai etkisi ölçümü kararında new-customer rate tek başına kullanılmaz. Ai etkisi ölçümü testi 3: bu soru yalnız AI-002 içindeki kararı sınar.

Assisted conversion penceresi kaç gün olmalı?

Ai etkisi ölçümü odağı: yanlış ürün eşleşmesi veya aşırı vaat edilen özelliklerin satış sonrası etkisini kontrol etmek. Ai etkisi ölçümü metriği: AI cohort return. Ai etkisi ölçümü örneği: AI referral cohort'ta iade yüzde 14, diğerinde yüzde 9 ise product match incelenmelidir. Ai etkisi ölçümü sınırı: kategori ve promosyon farkları normalize edilmeden sonuç kesin değildir. Ai etkisi ölçümü kararında AI cohort return tek başına kullanılmaz. Ai etkisi ölçümü testi 4: bu soru yalnız AI-002 içindeki kararı sınar.

AI kanal karşılaştırması nasıl normalize edilir?

Ai etkisi ölçümü odağı: ürünün karar döngüsüne uygun pencere seçmek. Ai etkisi ölçümü metriği: lag distribution. Ai etkisi ölçümü örneği: hızlı tüketimde 7 gün, yüksek değerli üründe 30 gün daha anlamlı olabilir. Ai etkisi ölçümü sınırı: çok uzun pencere her şeyi AI'a atfetme riskini büyütür. Ai etkisi ölçümü kararında lag distribution tek başına kullanılmaz. Ai etkisi ölçümü testi 5: bu soru yalnız AI-002 içindeki kararı sınar.

Ölçüm güven seviyesi nasıl raporlanmalı?

Ai etkisi ölçümü odağı: sipariş yerine aynı ürün, ülke ve müşteri tipi bazında oranları kıyaslamak. Ai etkisi ölçümü metriği: matched cohort. Ai etkisi ölçümü örneği: AI ve organic farklı SKU karmasına sahipse ham AOV karşılaştırması yanıltıcıdır. Ai etkisi ölçümü sınırı: örnek küçüldükçe matched cohort gürültüsü artar. Ai etkisi ölçümü kararında matched cohort tek başına kullanılmaz. Ai etkisi ölçümü testi 6: bu soru yalnız AI-002 içindeki kararı sınar.

Kaynak sınıflandırması nasıl tutulmalı?

Ai etkisi ölçümü odağı: her metrik için observed, platform-reported veya modeled etiketi kullanmak. Ai etkisi ölçümü metriği: confidence tier. Ai etkisi ölçümü örneği: yönetim sunumunda tahmini incremental satış kesin gelir gibi gösterilmemelidir. Ai etkisi ölçümü sınırı: fazla metodoloji detayı karar vericiyi ana sonuçtan uzaklaştırabilir. Ai etkisi ölçümü kararında confidence tier tek başına kullanılmaz. Ai etkisi ölçümü testi 7: bu soru yalnız AI-002 içindeki kararı sınar.

Kanal raporu ile iş etkisi nerede birbirinden ayrılır?

Katman	Örnek metrik	Yanlış yorum	Doğru soru
Exposure	AI sonuçlarında görünme	Daha çok = daha iyi	Doğru sorgularda mı görünüyor?
Referral	AI’dan siteye geçiş	AI tüm talebi yarattı	Hangi exposure tıklamaya dönüştü?
Sipariş	AI source siparişi	Tamamı incremental	Yeni/mevcut müşteri dağılımı ne?
Assisted	Sonraki direct/brand search	AI etkisi yok	Holdout farkı var mı?
Kalite	Hata/uyumsuz ürün	Teknik ayrıntı	Yanlış öneri satışa nasıl yansıyor?