Tıklama verisiyle eğitilen yapay zekâ daha çok tıklama getirir mi?
Facebook mobil akışında ABD’deki reklamverenlerle yapılan deneyde, geçmiş tıklamalardan öğrenen yapay zekâ daha çok tıklanan reklam metinleri önerebildi mi? AdLlama sunulan reklamverenlerin tıklanma oranı, önceki modelin sunulduğu gruba göre göreli olarak %6,7 daha yüksekti. Bu sonuç, bir metin aracının nasıl eğitildiğinin reklamların tıklanmasında fark yaratabileceğini gösteriyor.
İngilizce kaynak · Türkçe inceleme: 21 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: Bir reklam metni aracının geçmiş tıklama verileriyle eğitilmesi, tıklama sonuçlarında fark yaratabilir.
Bir örnek düşünün
Temsili bir çevrim içi mağaza, daha çok tıklanan reklam metninin sipariş getirip getirmediğini ayrıca izler.
İşinizde ne yapabilirsiniz?
Kendi reklam karşılaştırmanızda tıklama, satın alma ve maliyet sonuçlarını ayrı kaydedin.
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?
Geçmiş tıklama sonuçlarıyla eğitilen bir reklam metni modeli, örnek metinleri taklit eden modele göre daha yüksek tıklama oranı sağlayabilir mi?
Araştırmacılar, Meta Ads Manager içindeki Text Generation özelliğinin metin önerilerini geliştirmeyi amaçladı. Soru, yapay zekânın insandan daha iyi yazıp yazmadığı değil, iki farklı biçimde eğitilmiş yapay zekâ modelinden hangisinin reklamveren düzeyinde daha iyi tıklama sonucu verdiğiydi. Bu ayrım, bulguyu hangi araç seçimine dayanak yapabileceğimizi belirliyor.
Konuyu açalım · DijitalPi açıklaması
DijitalPi yorumu: Bir reklam metni aracının akıcı öneriler üretmesi, hangi pazarlama sonucuna hizmet ettiğini tek başına söylemez. Buradaki karar, geçmiş performansın model eğitimine katılmasının değerini nasıl değerlendireceğinizdir. Tıklama odaklı bir araç seçerken işletmenizin asıl hedefini ve metinleri kabul eden ekibin rolünü de değerlendirmeye katmak gerekir.
02 / ARAŞTIRMA NASIL YAPILDI?
Soruyu nasıl sınadılar?
Meta araştırmacıları, Facebook’ta 16 Şubat ile 25 Nisan 2024 arasında 10 haftalık bir deney yürüttü. ABD merkezli 34.849 reklamveren rastgele kontrol ve test gruplarına atandı. Çalışma yaklaşık 640.000 reklam seçeneğini kapsadı. Kontrol grubuna Imitation LLM v2, test grubuna geçmiş reklam performansıyla eğitilmiş AdLlama sunuldu. Her iki model de 7 milyar parametreli Llama 2 Chat tabanlıydı. Parametre, modelin eğitim sırasında ayarladığı sayısal değerdir. Ölçümler Facebook mobil akışında, reklamveren düzeyinde yapıldı.
Yöntemi anlamak · DijitalPi açıklaması
Kontrol modeli seçilmiş örnek metinleri taklit ederek eğitilmişti. AdLlama ise geçmiş tıklama sonuçlarından öğrenilen bir puanlama sistemini kullanarak eğitildi. Makale bu yöntemi performans geri bildirimiyle pekiştirmeli öğrenme, kısaca RLPF, olarak adlandırıyor. Puanlama sisteminin eğitim verisi, yalnız gövde metni farklı reklam çiftlerinden oluşuyordu: İngilizce, 100 ile 1.000 karakter uzunluğunda ve en az 2.000 Facebook gösterimi almış metinlerden yaklaşık 7 milyon tercih çifti kullanıldı. Model canlı sonuçlardan sürekli öğrenmiyordu.
Ana ölçüt, deney boyunca oluşturulan ve kullanıcıdan doğrudan bir eylem bekleyen reklamların toplam tıklamalarının toplam gösterimlerine bölünmesiydi. Marka ve bilinirlik reklamları ile deney öncesindeki reklamların kopyaları dışarıda bırakıldı. Reklamverenler önerileri kullanmak zorunda değildi. Düzenleyebilir, yok sayabilir ve yayına en fazla beş varyasyon seçebilirdi. Dolayısıyla deney, tek tek metinlerin etkisini değil, bir öneri modelinin reklamverene sunulmasının etkisini ölçtü. Ana analiz geçmiş tıklama oranı, sektör ve bütçe gibi özellikleri de hesaba kattı.
03 / ARAŞTIRMANIN BULGULARI
Performansla eğitilen model tıklama oranını yükseltti. Satış etkisi ölçülmedi
Araştırmacılar, AdLlama grubunda reklamveren düzeyindeki tıklama oranının kontrol grubuna göre göreli %6,7 daha yüksek olduğunu buldu. Sonuç istatistiksel olarak anlamlıydı (p=0,0296). Makalenin verdiği yaklaşık mutlak değerler %3,1 ve %3,3’tü. %6,7 bir yüzde puan farkı değildir. Reklamveren başına tıklama sayısı anlamlı biçimde artarken gösterim sayısında anlamlı değişim bulunmadı. Ortalama metin seçeneği sayısı 16,8’den 19,9’a çıktı: bildirilen artış 3,1 varyasyon ve %18,5’ti (p<0,01). Oluşturulan toplam reklam sayısında ise istatistiksel olarak anlamlı değişim saptanmadı. Dönüşüm, satış ve yatırım getirisi ölçülmedi.
Reklamveren düzeyinde göreli tıklama oranı artışı
%6,7AdLlama grubunun Imitation LLM v2 grubuna göre ana analiz sonucu. İşletmeniz için beklenen kazanç veya yüzde puan farkı değildir.
Ortalama metin seçeneği sayısı
16,8’den 19,9’aKontrol ve test gruplarında oluşturulan metin seçenekleri. Toplam reklam sayısında anlamlı değişim bulunmadı.
DijitalPi yorumu: Metin öneri aracını değerlendirirken tıklama oranını bir ara sonuç olarak kullanın ve satın alma ya da hizmetinize uygun müşteri talebi gibi iş sonuçlarını ayrıca izleyin. Seçilen, düzenlenen ve elenen önerileri kaydetmek de değerlidir. Çünkü buradaki kazanım, reklamverenin seçim yapabildiği bir iş akışında elde edildi. Araştırma, her otomatik önerinin yayımlanmasını desteklemiyor.
Rastgele atama, incelenen koşullarda sunulan modelin etkisini değerlendirmeyi destekliyor. Hangi tekil metnin veya insan seçiminin kazanımı sağladığını ayırmıyor. Ayrıca eğitimde puan yükselmeye devam ederken bir noktadan sonra alakasız veya tekrarlayan metinler ortaya çıktı. Araştırmacılar bunu modelin eğitimdeki hangi sürümünü kullanacaklarını seçerek yönetti. Modelin puanı ile metnin kalitesi bu nedenle aynı şey sayılmamalı. Yaratıcılık ve ton talimatlarına uyum da eğitimde dengelenen hedefler değildi.
05 / SONUÇ VE AÇIK SORULAR
Neyi öğrendik, neyi henüz bilmiyoruz?
Yazarların tamamının Meta ile çalışma bağı vardır. Çalışma, geçmiş performans verisiyle eğitilen modelin önceki taklit modeline göre bu deneyde tıklama oranını artırabildiğini gösteriyor. İncelenen metin arXiv v2 ön baskısıdır; hakem değerlendirmesinden geçtiği belirtilmiyor. Bulgular 2024’te ABD’deki reklamverenlerle, Facebook mobil akışında elde edildi. Ödül modeli İngilizce metinlerle eğitildi. Türkçe, Türkiye, diğer sektör ve platformlar veya bugünkü ürün için aynı etki varsayılamaz. Yazarların yatırım getirisi hakkındaki olumlu değerlendirmesi ölçülmüş bir sonuç değildir. Tüm yazarlar Meta’nın mevcut veya eski çalışanıdır ve kendi şirketlerinin ürününü değerlendirmiştir. Kaynakta finansman beyanı bulunamadı, teşekkür bölümü Meta’nın iç ekiplerini anıyor.
DijitalPi’nin açık sorusu: Türkçe reklam metinleriniz daha çok tıklama aldığında, bu ilginin uygun talebe veya satın almaya dönüştüğünü hangi ayrı ölçümle değerlendireceksiniz?
Bu üç senaryoyu konuyu birlikte düşünmek için hazırladık. Araştırmadan alınmış vaka veya ölçülmüş müşteri sonucu değildir.
ÖRNEK 01
E-ticaret: tıklanan metin sipariş getiriyor mu?
Temsili bir ev tekstili mağazası, aynı ürün için önerilen yapay zekâ metinlerinden hangilerini yayımlayacağını seçiyor.
Daha çok tıklanan metni daha başarılı sayabilir miyim?
Örnek 01 için öneriyi aç+
Tıklama oranını sipariş sonucu ve maliyetle birlikte değerlendirin.
Ürün vaadini doğruladıktan sonra karşılaştırılacak metinleri belirleyin. Görseli, teklifi ve hedef kitleyi tutarlı tutun. Her metin için gösterim, tıklama, gerçekleşen sipariş ve harcamayı ayrı kaydedin. Makale sipariş veya yatırım getirisi ölçmediği için daha yüksek tıklama oranını kârlılık sonucu olarak sunmayın.
ÖRNEK 02
Yerel hizmet: ilgi çeken vaat doğru mu?
Temsili bir mobilya bakım işletmesi, reklam aracının önerdiği metinler arasından kendi hizmetine uygun olanları ayırıyor.
Tıklama odaklı öneri hizmetimi doğru anlatıyor mu?
Örnek 02 için öneriyi aç+
Hizmet kapsamını ve anlatım tonunu yayın öncesinde kontrol edin.
Önerilerdeki işlem süresi, hizmet bölgesi ve kapsam ifadelerini işletmenin gerçek koşullarıyla karşılaştırın. Kabul edilen, düzenlenen ve elenen metinleri kaydedip yayımlananlar için tıklama oranını ve uygun hizmet taleplerini ayrı izleyin. Araştırmadaki model marka tonu gibi hedefleri dengelemediğinden, tıklama performansı bu kontrolün yerini tutmaz.
ÖRNEK 03
B2B yazılım: daha fazla metin, daha fazla reklam mı?
Temsili bir stok yönetimi yazılımı ekibi, yapay zekâ önerileri çoğaldıkça reklam sayısını da artırmayı düşünüyor.
Daha fazla varyasyon üretmek daha fazla reklam yayımlamamı gerektirir mi?
Örnek 03 için öneriyi aç+
Üretilen seçenek sayısıyla yayımlama kararını ayrı yönetin.
Her önerinin hangi müşteri ihtiyacını anlattığını yazın ve birbirini tekrar edenleri ayırın. Üretilen, seçilen ve yayımlanan metinleri ayrı sayın. Sonuçlarda tıklama oranı ile uygun demo taleplerini birbirine karıştırmayın. Çalışmada varyasyon sayısı yükselse de toplam reklam sayısında anlamlı değişim bulunmadı. Bu bulgu daha çok reklam yayımlamayı desteklemez.
EKİBİNİZLE DENEYİN
Metin seçiminizin ölçütünü belirleyin
Karşılaştıracağınız metinlerde ürün vaadini kontrol edin ve tıklama oranının yanında hangi iş sonucunu izleyeceğinizi yazın. Önerilerin hangilerinin seçildiğini veya düzenlendiğini de kaydederek Türkçe kullanımınıza özgü bir değerlendirme planlayın. Bu, henüz uygulanmamış bir DijitalPi önerisidir.
Ekibimiz, GTMMACHINE ile reklamdan sonraki iş sonuçlarını izlemek için GTM, GA4 ve reklam dönüşümü kurulumlarını ölçüm planına göre yapar. Bu kurulum, reklam metni modelini geçmiş tıklama verileriyle eğitmez. GTMMACHINE hakkında bilgi alın ↗
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