Aynı indirim bütçesiyle daha fazla gelir elde edilir mi?
ABD’deki bir ev dekorasyonu mağazasının deneyinde, aynı indirim bütçesini farklı dağıtmak geliri artırdı mı? Yeni kupon seçme yöntemi, bildirilen 11 günlük dönemde eski yönteme göre kullanıcı başına ortalama geliri aynı bütçeyle %4,5 artırdı. İşletmenin geliri, indirim bütçesinin büyüklüğü kadar müşterilere nasıl dağıtıldığına da bağlı olabilir.
İngilizce kaynak · Türkçe inceleme: 24 Ekim 2026 · Kaynak tarihi yukarıdaki künyededir.
Editoryal inceleme taslağı
Kaynak kontrolü yapıldı; Türkçe inceleme insan editör değerlendirmesini bekliyor. DijitalPi bu çalışma için müşteri deneyi yapmadı.
KISA AÇIKLAMA
Bu Araştırma Size Ne Söylüyor?
DijitalPi yorumu: Araştırmadaki %4,5 gelir artışı, işletmenizin beklenen getirisi değildir.
Bir örnek düşünün
Temsili bir giyim e-ticaret işletmesi, yeni kuponlara verilen yanıtları müşterilerin yakın zamanda yüksek indirim alıp almadığına göre ayrı inceler.
İşinizde ne yapabilirsiniz?
Yeni kupon dağıtımını mevcut yöntemle, müşterileri rastgele ayırdığınız gruplarda eşit promosyon bütçesiyle karşılaştırın.
DijitalPi’nin uygulama yorumu. Örnek, konuyu açıklamak için hazırlanmıştır.
ARAŞTIRMAYI BİRLİKTE OKUYALIM
Önce araştırmacıların sorusunu, yöntemini ve bulgularını tanıyalım. Ardından sonuçların nasıl okunabileceğini DijitalPi’nin açıklamalarıyla ele alalım.
01 / ARAŞTIRMACILAR NEYİ ANLAMAK İSTEDİ?
Müşterinin geçmişini dikkate alarak kupon seçmek, aynı indirim bütçesiyle geliri artırabilir mi?
Araştırmacılar, günlük e-postalarda her müşteriye hangi indirimin gönderileceğini toplam promosyon bütçesine uyarak belirlemek istiyor. Ayrıca müşterinin yakın geçmişte gördüğü en iyi indirimi karşılaştırma noktası olarak kullanmasının, gelecekteki teklif sırasını nasıl etkileyebileceğini inceliyorlar. Bu karşılaştırma noktasına referans etkisi deniyor.
Konuyu açalım · DijitalPi açıklaması
DijitalPi yorumu: İndirim kararını yalnız kampanyanın bugünkü oranıyla değerlendirmek eksik kalabilir. Aynı müşterinin önceki günlerde gördüğü teklifler, yeni kuponu değerlendirme biçimi açısından incelenmeye değer. Bu çalışma, bütçenin müşteriler arasında dağılımını ve teklif geçmişini birlikte ele almak için bir gerekçe sunuyor.
02 / ARAŞTIRMA NASIL YAPILDI?
Soruyu nasıl sınadılar?
Çalışma, ABD’de adı açıklanmayan büyük bir ev dekorasyonu e-ticaret perakendecisinde yürütüldü. Model geliştirmede 360.000 müşterinin 90 günlük geçmiş verisi ve 61 özellik kullanıldı. Mayıs-Haziran 2024’te 20 milyon müşteri rastgele 50/50 iki gruba ayrıldı. Yeni kupon algoritması birkaç yıldır kullanılan eski algoritmayla karşılaştırıldı. Yazarlara testin yalnızca 11 günlük dönemine ait toplu ve göreli sonuçlar verildi. Referans etkisi için ayrıca 11 gün boyunca her gün rastgele kupon alan 150.000 müşterinin verisi incelendi.
Yöntemi anlamak · DijitalPi açıklaması
Eski algoritma müşterileri ağırlıkla müşterilik süresi ve ortalama harcamaya göre kabaca grupluyordu. Yeni yöntem, geçmiş verilerden öğrenip satın alma olasılığını tahmin eden bir modelle %10, %12, %15, %17 veya %20 kuponlarından birini seçiyordu. Üretken yapay zekâ kullanılmıyordu. Bir şirket çalışanı bütçe ayarını her gün eski algoritmanın promosyon bütçesine eşitliyordu. Dolayısıyla karşılaştırma, kişiselleştirme ile herkese aynı teklif arasında değildi.
Uygulanan algoritma ertesi günün beklenen gelirini yükseltmeyi hedefliyordu. Harcama tutarını tahmin etme girişimi başarısız olduğundan model satın alma olasılığına odaklandı ve satılan malın maliyetini hesaba katmadı. Ana sonuç kullanıcı başına ortalama gelirdi. Katkı marjı ayrıca raporlandı. Paylaşılan 11 günlük dönemde model yeniden eğitilmedi. Sonuçlar yalnız e-posta açılması veya tıklanmasıyla sınırlı değildi.
03 / ARAŞTIRMANIN BULGULARI
Yeni kupon dağıtımı, paylaşılan kısa dönemde aynı bütçeyle daha fazla gelir getirdi
Araştırmacılar, yeni algoritmanın eski algoritmaya göre kullanıcı başına ortalama geliri %4,5 artırdığını bildirdi. Artış tek yönlü testte istatistiksel olarak anlamlıydı: p < 0,01. Eşit büyüklükteki grupların 11 günlük toplam gelir karşılaştırmasında da bildirilen artış %4,5’ti. Katkı marjı %5,6 arttı. Bu sonuç için kaynakta ayrı bir anlamlılık bilgisi verilmedi. Yazarların olası açıklaması daha yüksek marjlı ürünlere yönelimdi, ancak bunu test etmediler. Ayrı rastgele kupon verisinde, yakın geçmişteki en yüksek indirim daha düşük satın alma eğilimiyle ilişkiliydi ve geçmiş indirimlerin ortalamasından satın almayı tahmin etmede daha yararlıydı. Bu ilişkilerin büyüklüğü küçüktü. Müşteri-gün gözlemlerinin %99,9’undan fazlasında satın alma yoktu.
Kullanıcı başına ortalama gelir
%4,5Aynı promosyon bütçesinde yeni algoritmanın eski algoritmaya göre artışı. Yalnızca paylaşılan 11 günlük dönem, tek yönlü testte p < 0,01.
Katkı marjı
%5,6Yeni algoritma grubunda bildirilen artış. Artışın ürün tercihindeki değişimden kaynaklandığı açıklaması test edilmedi. Net kâr artışı olarak okunmamalı.
DijitalPi yorumu: Mevcut kupon gruplamanızın karşısına, müşterinin davranışını ve teklif geçmişini dikkate alan bir alternatif koyabilirsiniz. Kararı aynı promosyon bütçesinde kullanıcı başına gelir ve katkı marjıyla değerlendirin. Kaynaktaki etki büyüklüğünü hedef olarak kopyalamak yerine kendi verinizde hangi dağıtımın işe yaradığını sınayın.
Referans etkisine ilişkin ilişki, sürekli büyük indirim göndermenin uzun vadeli zararını ölçmüş bir saha sonucu değildir. Makalenin tek müşterili teorik modeli, bütçe ve dış değişiklik olmadan, hatırlama süresi boyunca zayıf indirimlerin ardından bir iyi indirim verilen döngüyü destekliyor. Bu döngü sahada denenmedi. Uygulanan algoritma yalnız ertesi günü hedefliyordu. ABD’deki günlük e-postalardan elde edilen sonuçlar Türkiye’ye, Türkçeye veya başka sektörlere doğrudan taşınamaz.
05 / SONUÇ VE AÇIK SORULAR
Neyi öğrendik, neyi henüz bilmiyoruz?
Bulgular ABD’deki tek bir ev dekorasyonu perakendecisine aittir; uzun vadeli kazancı veya Türkiye’deki Türkçe kampanyaların sonucunu göstermez. Bu ön baskı, mevcut bir kupon algoritmasının aynı promosyon bütçesinde daha ayrıntılı bir yöntemle iyileştirilebildiğine dair kısa dönemli, rastgele atamalı saha bulgusu sunuyor. Mutlak gelir tutarları ve testin tamamının sonuçları paylaşılmadı. En güncel veriler de yazarlara verilmedi. Algoritma Ağustos-Eylül 2024’te standart yöntem oldu, ancak şirket 2024 sonunda kişiselleştirmeyi önceliksizleştirerek her gün herkese en büyük indirimi göndermeye geçti ve algoritma 2025 başında kullanımdan kaldırıldı. Bu nedenle teorik döngü sınanamadı. Yazarlar şirket çalışanı değil. Buna karşılık algoritmayı geliştirdiler ve üretimde kullanılacak kodun hazırlanmasına yardım ettiler. Sonuçları şirket toplu ve göreli olarak paylaştı. Kaynakta finansman veya çıkar beyanı bulunmuyor; metin hakem değerlendirmesinden geçmedi.
DijitalPi’nin açık sorusu: Kupon kararınızda müşterinin yakın zamanda gördüğü en yüksek indirimi hesaba katsanız, aynı bütçeyle hangi sonucu sınamak isterdiniz? Temsili örnekler uygulama önerileridir. DijitalPi bu inceleme kapsamında kupon deneyi yürütmedi.
Bu üç senaryoyu konuyu birlikte düşünmek için hazırladık. Araştırmadan alınmış vaka veya ölçülmüş müşteri sonucu değildir.
ÖRNEK 01
E-ticaret: aynı bütçeyle farklı kupon dağıtımı
Temsili bir giyim e-ticaret işletmesi, müşterilerini alışveriş geçmişine göre grupluyor ve her gruba aynı kuponu gönderiyor.
Müşteriye göre kupon seçmek mevcut gruplamadan daha fazla gelir getirir mi?
Örnek 01 için öneriyi aç+
Mevcut gruplamayı karşılaştırma olarak koruyup yeni dağıtımı eşit promosyon bütçesiyle sınayın.
Müşterileri rastgele gruplara ayırarak mevcut yöntemle yeni kupon seçimini karşılaştırın. Her grubun kupon geçmişini, kullanıcı başına gelirini ve katkı marjını kaydedin. Test süresini ve karar ölçütünü başlamadan belirleyin. Makalenin kısa dönem sonucu, giyim sektöründe veya Türkçe e-postalarda aynı artışın görüleceği anlamına gelmez.
ÖRNEK 02
Turizm: önceki tekliften daha düşük yeni indirim
Temsili bir otel işletmesi, daha önce yüksek indirim gönderdiği kişilere daha düşük indirimli bir rezervasyon e-postası hazırlıyor.
Yeni teklifin karşılığı, müşterinin yakın zamanda gördüğü indirime göre değişiyor mu?
Örnek 02 için öneriyi aç+
Önceki teklifleri kaydedin ve yeni indirime verilen yanıtı bu geçmişle birlikte değerlendirin.
Müşteri bazında teklif tarihini, indirim oranını ve gerçekleşen rezervasyon gelirini eşleştirin. Karşılaştırmada konaklama tarihlerini ve teklif koşullarını tutarlı tutun. E-posta açılmasını rezervasyon geliri yerine kullanmayın. Makaledeki geçmiş indirim ilişkisi, otel müşterilerinin daha düşük teklifi neden kabul etmediğini tek başına açıklamaz.
ÖRNEK 03
Eğitim: indirim döngüsünü hazır takvim saymak
Temsili bir dil kursu, birkaç düşük indirimli teklifin ardından yüksek indirim gönderilen bir kampanya takvimi düşünüyor.
Makalede anlatılan indirim döngüsünü doğrudan uygulayabilir miyiz?
Örnek 03 için öneriyi aç+
Döngüyü sahada doğrulanmış bir yöntem olarak değil, ayrı bir deneme önerisi olarak ele alın.
Mevcut teklif takvimini karşılaştırma grubu olarak koruyun. Denemede gönderilen teklif sırasını, kullanıcı başına kayıt gelirini ve indirim maliyetini izleyin. Değerlendirmeyi yalnız yüksek indirim gününe göre yapmayın. Makaledeki döngü sonucu teoriktir. Eğitim hizmetlerinde denenmiş bir takvim sunmaz.
EKİBİNİZLE DENEYİN
Kupon geçmişinizi ölçüme katın
Gönderilen indirimleri müşteri ve tarih bazında satın alma kayıtlarıyla eşleştirip mevcut yöntemi karşılaştırma olarak koruyan, eşit promosyon bütçeli bir deneme tasarlayın. Katkı marjı, gelirden satışla birlikte değişen maliyetler çıkarılınca kalan tutardır. Kullanıcı başına gelir ile katkı marjını ayrı değerlendirin ve kısa dönem sonucunu uzun vadeli kazanç saymayın. Bu, DijitalPi’nin henüz uygulamadığı bir öneridir.
Akademik çalışma yukarıdaki araştırmacılara aittir. Bu sayfa, DijitalPi’nin AI desteğiyle hazırladığı açıklamalı inceleme ve özgün iş örneklerini içerir; makalenin tam çevirisi değildir.
Çerez tercihleri