Son tıklama verisi reklam bütçesi kararını yanıltır mı?
Ekibiniz, reklam panelinde başarılı görünen kampanyanın bütçesini artırmak istiyor. Rapor, son tıklamadan sonraki işlemleri reklama yazıyor. Dönüşüm, sipariş gibi ölçmek istediğiniz işlemdir. Peki bu dönüşümlerin ne kadarı reklam gösterilmeseydi de gerçekleşirdi? Reklamın ek etkisi, reklam olmasa gerçekleşmeyecek dönüşümleri ifade eder. PIE, önceki reklam deneylerinden öğrenerek reklamın ek etkisini tahmin eden modelin adıdır. Hakem değerlendirmesinden geçmemiş bu ön baskıda araştırmacılar, deneylerden öğrenen PIE modelinin kampanya başarısı kararlarında deney sonuçlarıyla son tıklama ölçümünden daha az ayrıştığını buldu. DijitalPi yorumu: Bütçe kararından önce rapordaki dönüşüm sayısının reklamın ek katkısını mı, yalnızca tıklama sonrası işlemleri mi anlattığını ayırın. Araştırma bir ölçüm yöntemini değerlendiriyor; bu yöntemi kullanmanın işletmenizde satış veya gelir artışı sağlayacağını göstermiyor. Veriler ABD’deki büyük ölçekli Meta deneylerinden geliyor; Türkiye ve Türkçe kampanyalar için aynı isabet düzeyi varsayılamaz.
İngilizce kaynak · Türkçe inceleme: 12 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: Son tıklama dönüşümlerini reklamın ek katkısı olarak kabul etmek, başarı eşiğini geçmeyen kampanyalara bütçe ayırmanıza yol açabilir. Uygun bir kontrollü deneyle ölçümü karşılaştırmayı değerlendirin; makaledeki oranları hesabınıza düzeltme katsayısı olarak uygulamayın.
Bir örnek düşünün
Temsili bir seyahat işletmesi, son tıklama raporunda başarılı görünen kampanyasının bütçesini büyütmeyi düşünüyor. Önce reklam gösterilmeyen bir karşılaştırma grubunda da kaç rezervasyon gerçekleştiğini ölçmek, bütçe kararına farklı bir dayanak sağlayabilir.
İşinizde ne yapabilirsiniz?
Başarı eşiğinizi harcama başına ek dönüşüm olarak tanımlayın. Deney yapabiliyorsanız son tıklama raporunu deney sonucuyla karşılaştırın. İkisinin de kampanyayı başarılı sayıp saymadığına bakın.
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?
Başka kampanyalardaki deneylerden öğrenen bir model, reklamın ek katkısını son tıklama sayısından daha iyi tahmin edebilir mi?
Araştırmacılar, her kampanyada kontrollü deney yapılamadığında reklamın ek etkisinin nasıl tahmin edilebileceğini inceliyor. Araştırmacılar tahminlerin ne kadar doğru olduğunu ölçüyor. Ayrıca tahminle verilen başarı kararını deneyle verilen kararla karşılaştırıyorlar.
Konuyu açalım · DijitalPi açıklaması
DijitalPi yorumu: Bütçe toplantısında kampanyaları sıralamak ile hangisinin yeterli ek katkı sağladığına karar vermek ayrı işlerdir. Son tıklama raporu sıralamayı iyi yakalasa bile katkı düzeyini yüksek gösterebilir. Bu yüzden raporun karar açısından değeri, yalnız hangi kampanyanın önde göründüğüne değil, başarı eşiğini hangi ölçüme göre geçtiğine de bağlıdır.
02 / ARAŞTIRMA NASIL YAPILDI?
Soruyu nasıl sınadılar?
Gordon, Moakler ve Zettelmeyer, ABD’li reklamverenlerin 1 Kasım 2019–1 Mart 2020 arasında Meta’nın Conversion Lift ürünüyle yürüttüğü büyük ölçekli deneylerden rastgele seçilen verileri inceledi. Reklamlar Facebook, Instagram ve Audience Network üzerinden sunuldu. Seçim koşulu, test grubunda en az 1 milyon kullanıcı ve 5.000 dönüşümdü. Başlangıçtaki 839 deney, birden çok test grubu içeren deneylerin ayrılmasıyla 998 test-kontrol çiftine dönüştü. Bu çiftlerin ölçtüğü 2.226 dönüşüm olayının her biri, ilgili deneyle birlikte bir rastgele atamalı deney olarak sayıldı; 2.226 bağımsız kampanya söz konusu değil. Her deneyde hedef kitledeki kullanıcılar reklamı görebilen test grubuna veya reklamı göremeyen kontrol grubuna rastgele atandı.
Yöntemi anlamak · DijitalPi açıklaması
Rastgele kontrollü deney, reklamı görebilen ve göremeyen grupların sonuçlarını karşılaştırarak ek etkiyi tahmin eder. Araştırmacılar bu deney sonuçlarını PIE modelinin öğrenmesi ve değerlendirilmesi için referans olarak kullandı. PIE, verileri farklı koşullara göre ayıran çok sayıda tahmini birleştirir. Araştırmacılar bu yönteme rastgele orman diyor. Model kampanya ve reklamveren özelliklerinin yanında kampanya sonrasında test grubundan hesaplanan sonuçları ve farklı sürelerdeki son tıklama dönüşümlerini kullanıyor; kontrol grubunun verileri tahmin girdisi yapılmıyor. Dolayısıyla en yüksek isabeti veren model, yalnız kampanya başlamadan bilinen bilgilerle çalışmıyor.
Ana ölçüt, deneyden tahmin edilen ek dönüşümlerin kampanya maliyetine bölünmesiyle bulunan dolar başına ek dönüşüm. Karşılaştırma yöntemi, 7 günlük son tıklama dönüşümlerini harcamaya bölüp bu değeri doğrudan ek dönüşüm ölçüsü sayıyor. Tahminler modelin öğrenmesinde kullanılmayan verilerde değerlendiriliyor ve kampanya maliyetiyle ağırlıklandırılıyor. R², tahminin deney sonucuna ne kadar yaklaştığını gösteren uyum ölçüsüdür; 1’e yaklaştıkça daha iyidir. Doğru sınıflandırılan kampanyaların yüzdesi değildir. Karar analizinde ise aynı başarı eşiğinin üstünde veya altında kalma kararı karşılaştırılıyor; eşikler kampanyaları sıralayınca ortada kalan değerin, yani medyanın %50–150’si arasında değişiyor.
03 / ARAŞTIRMANIN BULGULARI
PIE, deneyle verilen başarı kararına son tıklamadan daha sık yaklaştı.
Araştırmacılar, PIE ile verilen başarılı veya başarısız kararının deney sonucuna dayalı karardan kampanyaların %8–12’sinde ayrıştığını buldu; son tıklamada bu oran %12–20 idi. Başarı eşiği ilgili grubun medyanına eşitken, satın almaya daha yakın sonuçları izleyen alt huni kampanyalarında ayrışma son tıklama için yaklaşık %19,0, PIE için yaklaşık %12 oldu. Son tıklama, deney ölçümüne göre başarısız kampanyaları sıklıkla başarılı sınıflandırırken başarılı kampanyaları nadiren başarısız saydı; PIE’de iki hata türü daha düşük ve dengeliydi. Dolar başına ek dönüşüm tahmininde örneklem dışı R², tüm özellikleri kullanan PIE modelinde 0,88, ham 7 günlük son tıklama ölçümünde 0,19 bulundu. Yalnız kampanya öncesi özelliklerle PIE’nin R² değeri 0,35’ti; test grubunun ortalama sonucu eklenince 0,46, 7 günlük son tıklama bilgisi de eklenince 0,85 oldu. Son tıklama verisi bu nedenle yararsız değildi: deneylerle eğitilen modelin içinde güçlü bir tahmin girdisiydi.
PIE: yeni veride tahmin uyumu (R²)
0,88R², tahminin deney sonucuna ne kadar yaklaştığını gösteren uyum ölçüsüdür; 1’e yaklaştıkça daha iyidir. Tüm özellikleri kullanan modelin dolar başına ek dönüşüm tahminindeki başarısı; satış artışı veya doğru karar yüzdesi değil.
7 günlük son tıklama: yeni veride tahmin uyumu (R²)
0,19R², tahminin deney sonucuna ne kadar yaklaştığını gösteren uyum ölçüsüdür; 1’e yaklaştıkça daha iyidir. Son tıklama dönüşümlerini harcamaya bölüp doğrudan ek etki sayan karşılaştırmanın sonucu; modelle düzeltilmiş bir tahmin değil.
DijitalPi yorumu: Son tıklama raporunun bütçe kararınız için yeterli olup olmadığını kontrol edin. Uygun bir deney varsa rapor ile ek etki tahminini aynı başarı eşiğinde karşılaştırabilirsiniz. Fakat birkaç deneyin bu makaledeki tahmin başarısını sağlayacağını varsaymayın: eğitimde 50 rastgele atamalı deney kullanıldığında R² 0,37, 400 rastgele atamalı deney kullanıldığında 0,72 bulundu. Az sayıdaki işletme testi, geniş deney verisiyle eğitilen PIE modelinin yerine geçmez.
Tahminler eğitimde görülmeyen reklamverenlerde zayıfladı: R² mevcut reklamverenlerde 0,87, yeni reklamverenlerde 0,72 oldu. Ayrıca tahmin girdileriyle sonuçların aynı gözlemlerden hesaplanması, aralarındaki bağı yapay biçimde güçlendirip R²’yi yüksek gösterebilir; önceden kampanya düzeyinde toplanmış veriler bu sorunu gidermek için örneklemin bölünmesine izin vermedi. Araştırmacılar iki hata türünün maliyetlerini karşılaştıramadı. Daha az karar uyuşmazlığı, işletme için daha yüksek kârın ölçülmüş olduğu anlamına gelmez.
05 / SONUÇ VE AÇIK SORULAR
Neyi öğrendik, neyi henüz bilmiyoruz?
Deneylerden öğrenen tahminler, bu veri setinde ham son tıklama ölçümüne göre deney sonuçlarına ve deneyle verilen başarı kararlarına daha çok yaklaştı. İncelenen yayın, hakem değerlendirmesinden geçmemiş arXiv v2 ön baskısıdır; çalışma NBER’de 35044 numaralı çalışma makalesi olarak da yer alıyor. Bulgular ABD’deki büyük ölçekli Meta deneyleriyle sınırlı; Türkiye, Türkçe kampanyalar, başka platformlar ve arama reklamları için aynı sonuç varsayılamaz. Yaklaşım temsil edici eğitim verisine ve verilerle sonuç arasındaki ilişkinin zaman içinde korunmasına dayanıyor; uygulayacak platformun kendi örneklem dışı doğrulamasını yapması gerekiyor. Moakler Meta’nın Ads Research biriminde çalışıyor. Gordon ve Zettelmeyer daha önce Facebook’ta haftada 3 saat yarı zamanlı çalışmış; şimdi Northwestern ile eşzamanlı olarak Amazon’da da görev yapıyor. Yazarlar çalışmanın Northwestern’de yapıldığını ve Amazon ile ilişkili olmadığını belirtiyor. Metin, yöntemin bir uygulamasının Amazon Advertising’de üretimde kullanıldığını ve Meta’nın benzer yaklaşımı bağımsız geliştirdiğini de bildiriyor. Kaynakta finansman beyanı bulunamadı.
DijitalPi’nin açık sorusu: Son tıklama raporunda başarı eşiğini geçen kampanyanız, reklamın ek dönüşüm katkısıyla değerlendirildiğinde aynı bütçe kararını destekler mi?
Bu üç senaryoyu konuyu birlikte düşünmek için hazırladık. Araştırmadan alınmış vaka veya ölçülmüş müşteri sonucu değildir.
ÖRNEK 01
E-ticaret: bütçeyi büyütme kararı
Temsili bir e-ticaret işletmesi, son tıklamaya yazılan siparişlere bakarak kampanya bütçesini artırmayı düşünüyor.
Raporda görünen siparişler bütçe artışını desteklemek için yeterli mi?
Örnek 01 için öneriyi aç+
Raporda reklama yazılan siparişlerle reklamın getirdiği ek siparişleri ayrı değerlendirin.
İşletmeniz için harcama başına ek sipariş eşiğini önceden belirleyin. Uygun bir deney için kullanıcıları reklamı görebilen ve göremeyen gruplara rastgele ayırın. Grupları karşılaştırarak ek siparişleri tahmin edin. Bu tahmini kampanya maliyetiyle birlikte değerlendirin. Makaledeki e-ticaret sonucu, işletmenizin son tıklama raporunun aynı doğrulukta olduğunu göstermez.
ÖRNEK 02
Perakende: kampanya başarı eşiğini geçiyor mu?
Temsili bir perakende işletmesi, panelde başarılı görünen kampanyayı sürdürme kararı veriyor.
Kampanya, reklamın ek katkısı üzerinden de başarılı sayılıyor mu?
Örnek 02 için öneriyi aç+
Aynı başarı eşiğini son tıklama raporuna ve deney tahminine uygulayın.
Ölçülecek dönüşüm olayını ve değerlendirme dönemini karşılaştırma boyunca aynı tutun. Deney yapılabiliyorsa harcama başına son tıklama dönüşümlerinin ve ek dönüşümlerin başarı eşiğinin hangi tarafında kaldığını kaydedin. Sonuçlar ayrışırsa kararı yeniden inceleyin; bu karşılaştırma kampanyayı durdurmanın gelir etkisini tek başına belirlemez.
ÖRNEK 03
Turizm: rezervasyon raporuna güven
Temsili bir turizm işletmesi, rezervasyonlara bağlanan son tıklamaları reklamın getirdiği ek talep olarak yorumluyor.
Reklam olmasa da gelecek rezervasyonları nasıl ayırabiliriz?
Örnek 03 için öneriyi aç+
Uygunsa reklamı göremeyen bir kontrol grubuyla ek rezervasyon etkisini ölçün.
Hedef kitle içinde rastgele ayrılan grupların rezervasyon sonuçlarını karşılaştıracak bir test planlayın. Tahmin edilen ek rezervasyonları ve kampanya harcamasını birlikte kullanarak başarı kararını değerlendirin. Makaledeki seyahat sektörüne ait oranı kendi rezervasyon sayınıza uygulamayın; dönem ve işletme değiştiğinde tahmin başarısı da değişebilir.
EKİBİNİZLE DENEYİN
Kampanyanın ek sipariş getirip getirmediğini ölçün.
Bir kampanya için dönüşüm olayını, harcama başına ek dönüşüm eşiğini ve kontrollü deneyin uygulanabilirliğini yazın. Deney mümkünse son tıklama ile deney sonucunun bütçe kararında nerede ayrıştığını inceleyecek bir plan hazırlayın. Bu, DijitalPi tarafından henüz uygulanmamış bir öneridir.
Reklamın ek satış getirip getirmediğini sınamadan önce dönüşüm kayıtlarınızın doğru çalıştığını kontrol edin. GTMMACHINE ile dönüşüm takibini kuruyor ve doğruluğunu denetliyoruz. Reklamın ek etkisini ölçen deney ayrıca tasarlanmalıdır. GTMMACHINE hakkında bilgi alın ↗
Brett R. Gordon, Robert Moakler, Florian Zettelmeyer Brett R. Gordon — Kellogg School of Management, Northwestern University; Robert Moakler — Ads Research, Meta; Florian Zettelmeyer — Kellogg School of Management, Northwestern University, NBER.
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