Makine öğrenimi, e-ticaret şirketlerinin dönüşümlerini artırmasına nasıl yardımcı olur?

Makine öğrenimi, süreçlerin optimize edilmesi ve reklam verimliliğinin artırılmasıyla ilgili birçok sorunu çözmek için kullanılıyor. Büyük miktarda verinin hızlı bir şekilde analiz edilmesine, kişiselleştirilmiş teklifler oluşturulmasına, hedeflemenin optimize edilmesine, kullanıcı davranışının tahmin edilmesine, sahtekârlığın önlenmesine ve genel olarak reklam kampanyalarının daha etkili hale getirilmesine olanak tanıdığını her reklam platformu ifade ediyor. Ancak reklam verenler için, işletme ekonomisine bağlı olarak ödemeye hazır olduğu fiyat dahilinde maksimum dönüşüm (satın alma) elde etmek büyük öneme sahip. İdeal dünyada bu şekilde olsa da gerçekte bir şeyler ters gidebilir.

Reklamcılar, tüm reklam algoritmalarını bir kara kutu olarak görmeye ve algoritma hatalarının ve yetersizliklerinin bedelini ödemek zorunda olduklarına alışkın bir hale geldi. Genellikle çeşitli reklam platformları, algoritmalarını eğitmenin iki ila dört hafta sürdüğünü söylüyor. Bu süreç, reklam verenler için bir sorun haline geliyor çünkü doğru maliyetle dönüşüm elde etmeden önce zamanlarını ve paralarını reklam sistemini eğiterek harcamak zorunda kalıyorlar.

Ayrıca, kampanya ayarları veya hedeflenen reklam harcama getirisi (ROAS) veya eylem başı maliyet (CPA) değiştiyse, büyük olasılıkla, değişen girdilerle gerekli veri dizisinin toplanması için ek süre de gerekebiliyor. Bu nedenle yapılan tahmin yeniden hesaplanıyor. Tıklama başına maliyet (TBM/CPC) tabanlı ödeme modeli; reklam verenleri, reklam platformu hatalarının bedelini ödemesi ve öğrenme dönemlerine sponsor olması için zorlayabiliyor.

Yandex’in e-ticaret reklamı ürünündeki algoritmaların ise ilk tıklamaları ve dönüşümleri beklemeyecek, dönüşümleri mevcut bilgilere dayanarak anında ve doğru bir şekilde tahmin edecek şekilde tasarlandığını belirten Yandex Ads Uluslararası Ürün ve Büyüme Başkanı Elmira Agzamova konuya ilişkin açıklamalarda bulundu:

“Makine öğrenimi (ML) algoritmaları ve e-ticaretten belirli verilerin kullanılması nedeniyle ürünümüz, dönüşümlerin ne olacağını tahmin etmeyi görüntüleme aşamasında öğrenerek bunu anında yapıyor. Böylece reklam veren, sistemin veri toplayıp öğrenmesini beklerken haftalarca bütçe harcamak yerine, anında dönüşüm elde edip istediği bedeli ödeyebiliyor. Tahminlerin hızı ve kalitesinin anahtarı, ML modelinin büyük miktarda heterojen veriden öğrenmesinden kaynaklanıyor ve reklam sistemindeki dönüşümlere ilişkin tek veri de buradan elde edilmiyor. Ürünümüz ayrıca, kullanıcıların internetteki ilgi alanları ve ticari davranışları, reklamların görüntülendiği web sitesi, çevrim içi mağazanın sayfaları ve belirli bir ürünün yanı sıra reklam banner’ı ile özellikleri hakkındaki verileri de dikkate alıyor.”

TBM tabanlı modelin diğer bir sorunu, pazarlama bütçesini yeniden hedefleme ve kullanıcı edinimi için bölme niyetini oluşturması olarak göze çarpıyor. Reklam verenler, yeniden hedeflemenin kontrol edebilecekleri bir şey olduğunu, daha düşük fiyata dönüşüm elde edebileceklerini biliyor. Ancak kullanıcı edinimi (UA) bazen herhangi bir dönüşüm olmadan web sitesine veya trafiğe robotlar getirebiliyor. Bu yüzden de reklam verenler, işleri üzerinde gerçek bir etki olmamasına rağmen bu trafiğin bedelini ödemek zorunda kalıyor.

Yeniden hedefleme ile kullanıcı edinimi arasındaki farklar ise kolayca ayırt edilemiyor. Örneğin, “Kullanıcı 180 gün önce web sitesindeyse, bu yeniden hedefleme mi yoksa UA mı?”, “Peki ya 365 gün önce olsaydı?”, “Kullanıcı edinme kampanyalarınızın yeniden hedefleme hedef kitlesini içermediğinden emin misiniz?”, “UA kampanyalarınızdaki yeni kullanıcıların yüzdesini en son ne zaman kontrol ettiniz?” gibi sorular akla geliyor.

Gerçekte manuel segmentasyondan çok daha gelişmiş olan Makine öğrenimi (ML) modelleri, belirli e-ticaret verilerinin çeşitliliğini mümkün olduğunca geniş ve etkili bir şekilde hesaba katıyor. ML, reklam verenler tarafından da ürünlerini ek alıcılara ulaştırmak için kullanılıyor.

ML modelinin, kullanıcıların hem kısa vadeli hem de uzun vadeli ilgileri dahil olmak üzere ticari profillerini dikkate aldığı da belirtiliyor. Kısa vadeli veriler, örneğin yakın zamanda görüntülenen ürünlerle ilgili veriler olarak tanımlanırken; uzun vadeli veriler ise kullanıcıların belirli bir sıklıkta yaptığı yinelenen satın alma işlemleriyle ilgili bilgiler olarak değerlendiriliyor.

Reklam sistemi, kullanıcıların özelliklerine ve satın alma davranışlarına ilişkin verilerin yanı sıra satın aldıkları veya web sitelerindeki çevrim içi mağazalarda görüntüledikleri ürünlere ilişkin verileri bir araya getiriyor. Makine öğrenimi algoritmalarını temel alan bir model, bu bilgiyi analiz ederek, benzer kullanıcılar için hangi reklamların ve hangi ürünlerin dönüşüm sağlama olasılığının yüksek olduğunu tahmin edebiliyor. Örneğin, özellikle giyim sektöründe e-ticaret söz konusu olduğunda banner üzerindeki görsel burada çok daha önemli hale geliyor. Genel olarak reklamcılıkta büyük rol oynayan ürünlerin rengi, boyutu, markası ve diğer özellikleri de bulunuyor.

ML algoritmaları ayrıca alakasız veya yanlış tıklamaların filtrelenmesine de olanak tanıyor. Model tek bir tıklama için değil; kullanıcının bir siteyi ziyaret ettikten sonra bilinçli bir eylem gerçekleştirerek, başka bir sayfayı tıklaması gibi daha uzun tıklamalar için optimize edilmesiyle fark yaratıyor. Yandex’in ürünü ise bu durumu yararlı bir tıklama olarak görüyor. Böylece yanlışlıkla yapılan tıklamaları ve reklam sahtekârlığını ortadan kaldırıyor. Bu da şirketlere kendi internet sitelerine yalnızca satın almayla gerçekten ilgilenen hedef müşterileri getirme imkânı sunuyor.

Bu yaklaşım, reklam verenin hem yeniden hedefleme yoluyla hem de mevcut ürünler için yeni müşteriler çekerek sabit bir bütçe ve hedef KPI ile maksimum dönüşüm elde etmesine olanak tanıyor. Ancak bu yalnızca reklam platformunun reklam veren için iş sonuçlarını garanti edebilmesi durumunda işe yarıyor.

Sistemin çalışma şeklini de açıklayan Uluslararası Ürün ve Büyüme Başkanı Elmira Agzamova, “Reklam platformlarının, reklam verenin işinin bir parçası olması gerektiğine inanıyoruz. İşletmelerin yalnızca dönüşüm için hangi fiyatı ödeyebilecekleri ile ilgilenmelerini arzu ediyoruz. Onlara istedikleri fiyat aralığında maksimum dönüşümü sağlayabiliriz. Temel olarak, reklam verenlerimiz için nasıl site dışı uzantı olabileceğimizi her zaman düşünüyoruz. Örneğin, büyük e-ticaret sitelerinde genellikle var olan ‘Size benzer kullanıcılar bu ürünleri satın aldı’ veya ‘genellikle bu ürünü alanlar şunları da satın alıyor’ gibi algoritmalar oluşturduk. Bu iş odaklı yaklaşım, müşterilerimize fiyat garantisi vermemize ve yalnızca dönüşüm gerçekleştiğinde gelir paylaşımı olarak ödeme almamıza olanak tanıyor” dedi.

Yandex Ads Hakkında

Uluslararası bilişim teknolojileri şirketi Yandex’in bir parçası olan Yandex Ads, Doğu Avrupa ve BDT’nin lider reklam platformudur. Yandex Ads etkili pazarlama, ürün ve hizmetlerin tanıtımı, web sitelerinin ve uygulamaların reklamlardan para kazanması için eksiksiz bir araç setinin yanı sıra ayrıntılı uygulama analitiği ve yeniden hedefleme çözümleri sunar. Ürünlerimiz, veriye dayalı pazarlama kararlarına olanak sağlar ve reklam oluşturmak için yapay zekâ teknolojilerini kullanır.

Detaylar için: ads.yandex.com/welcome_tr

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir