# Datanın Ötesi: Reklam Ölçümünde Pay ve Etki

Edip Ali Avcıbaşı · Birinci baskı

Kaynak: https://meerkads.com/tr/kitaplar/datanin-otesi

---

## Bu kitapta

- Önsöz
- 1. Bölüm · Reklamın etkisi neden bu kadar zor görülür?
- 2. Bölüm · Raporlanan bir dönüşüm aslında neyi kaydeder?
- 3. Bölüm · Attribution modeli neyi söyler, neyi söyleyemez?
- 4. Bölüm · Gözlemsel reklam ölçümleri etkiyi neden şişirir?
- 5. Bölüm · Bir reklamın neye yol açtığını nasıl ölçersiniz?
- 6. Bölüm · Bütçe kararları kanıtı nasıl izlemeli?
- 7. Bölüm · Attribution, deney ve model birlikte nasıl çalışır?
- 8. Bölüm · Bir yapay zekâ analisti payı etkiden ayırabilir mi?
- Sonuç · On iki önerme
- Ekler
- Uygulama rehberleri

---

### Özet

Her reklam raporu pay dağıtır. Bir platform reklamlarının 300 satın almaya yol açtığını söyler, bir attribution modeli geçen ayın siparişlerinin %75'ini aramaya yazar, bir pano kanalları reklam harcamasının getirisine (ROAS) göre sıralar. Bu sayıların hiçbiri reklamın neye yol açtığını, yani reklamlar yayınlanmasaydı kaç satışın kaybolacağını söylemez. Bu kitap o iki sayı arasındaki mesafe hakkındadır.

Kitap bu mesafeye dair kanıtları tek bir çerçevede toplar: **kanıt merdiveni**. Her basamak daha zor bir soruya cevap verir. 0. basamak, satışın doğru kaydedilip kaydedilmediğini sorar. 1. basamak, neyin neyle birlikte hareket ettiğini. 2. basamak, bir şeyi değiştirdiğimizde ne olduğunu. 3. basamak, bütün kanıtlar birlikte okunduğunda ne söylediğini. Attribution modelleri, platform raporları ve panolar alt basamaklarda durur. Deneyler 2. basamakta. Medya karması modelleri ve kalibre edilmiş sistemler 3. basamağa ulaşmaya çalışır.

Kanıtlar en büyük reklam platformlarında yapılmış kontrollü deneylerden, binlerce kampanyayı kapsayan meta-analizlerden ve platformların kendi dokümanlarından gelir. Üç bulgu tekrar tekrar çıkar. Reklamın etkisi gerçektir ama satışlardaki gürültüye göre küçüktür. Gözlemsel yöntemler bu etkiyi abartma eğilimindedir, kimi zaman on kat ve daha fazla. Attribution'ın dağıttığı pay da nedensel anlamı olmayan kurallarla işler: kanallar birbirini güçlendirdiğinde, ayrı ayrı nedensel etkilerinin toplamı birlikte ürettikleri satışın %100'ünü geçer. Bu yüzden tek ve doğal bir pay bölüşümü yoktur; nedensel bir bölüşüm ancak etkileşimlerin nasıl paylaştırılacağını belirten varsayımlarla kurulabilir.

Son bölüm özgün bir test ekler. Pazarlamacıların çoğu artık reklam verisini yapay zekâ asistanlarına okuttuğu için, iki dil modeli ailesine altı ölçüm tuzağı verdik. Kanıt görünür olduğunda ikisi de neredeyse her vakada doğru karara vardı. Tipik kaymaları başka yerdeydi: bir test mağazanın yarısını kapsadığında, bazı cevaplar yarım mağazadaki kaybı tüm mağazanın harcamasıyla karşılaştırdı (bir tekrarda 120 cevabın 35'i). Kayma kararı değiştirecek olduğunda 120'de 6'ya düştü ve hiçbir cevap kanalı kapatmadı.

Kitap, her biri bir bölüme ve kaynaklarına bağlı on iki numaralı önermeyle biter.

### Bu kitap nasıl okunur?

Kitap üç katmanda okunacak şekilde yazıldı.

1. **Göz atma katmanı (5 dakika).** Sondaki on iki önermeyi okuyun. Her biri tek başına anlaşılır.
2. **Karar katmanı (30 dakika).** Her bölüm kendi sorusuyla, yaklaşık elli kelimelik kısa bir cevapla ve temel bulgular kutusuyla açılır. Yalnız bunları okumak bütün argümanı verir.
3. **Kanıt katmanı (yaklaşık 80 dakika).** Her bölümün gövdesi çalışmaları, tasarımlarını ve rakamlarını gösterir; bölüm, bir sonrakine götüren sınırla kapanır.

Her olgusal iddia bir kanıt etiketi taşır:

| Etiket | Anlamı |
| --- | --- |
| **[Deney]** | Rastgele atamalı kontrollü deney ya da saha deneyi |
| **[Gözlemsel]** | Rastgele atama olmadan veriden tahmin edilmiş |
| **[Model]** | İstatistiksel ya da simülasyon modelinin çıktısı |
| **[Platform]** | Bir reklam platformunun kendi ürünü hakkındaki beyanı |
| **[Deney ve gözlemsel karşılaştırması]** | Aynı kampanyalarda deneyin sonucunu gözlemsel yöntemlerin tahminiyle karşılaştıran çalışma |
| **[Analitik]** | Veriden değil matematiksel türetmeden çıkan sonuç |
| **[Yöntem derlemesi]** | Bir yöntemin ne zaman güvenilir olduğunu tartışan derleme |
| **[Ders kitabı ilkesi]** | Bir alanın ders kitaplarında yerleşik ilke |
| **[Sektör anketi]** | Pazarlamacılara ya da şirketlere yapılmış anket; ne yapıldığını gösterir, neyin işe yaradığını göstermez |
| **[Kıyaslama testi]** | Dil modellerinin standart bir görev setinde aldığı puan |
| **[Bizim testimiz]** | Bu kitap için yaptığımız test (8. bölüm, Ek D) |
| **[Bizim okumamız]** | Kaynaklardan yaptığımız çıkarım; herhangi bir çalışmanın bulgusu değil |

### Kanıt merdiveni

| Basamak | Soru | Tipik yöntemler | Bölümler |
| --- | --- | --- | --- |
| 0 · Kayıt | Satış doğru kaydedildi mi? | İzleme, attribution pencereleri, izin, modellenmiş dönüşümler | 2 |
| 1 · İlişki | Ne ile ne birlikte görülüyor? | Attribution modelleri, panolar, önce-sonra karşılaştırmaları | 3, 4 |
| 2 · Müdahale | Bir şeyi değiştirince ne değişiyor? | Holdout, ghost ads, bölgesel deney, sentetik kontrol | 5, 6 |
| 3 · Bütünleştirme | Bütün kanıtlar birlikte ne söylüyor? | Medya karması modelleri, kalibrasyon, üçgenleme | 7 |
| Merdivenin yanında · Okur | Bir yapay zekâ analisti hangi basamağa çıkabilir? | Raporları okuyan dil modelleri | 8 |

Birinci bölüm merdivene neden ihtiyaç olduğunu anlatır: reklamın etkisi iki dünya arasındaki farktır ve bunlardan yalnızca biri gözlemlenebilir.

Merdiven biçimini iki eski fikirden alır: Judea Pearl'ün nedensellik merdiveni (ilişki, müdahale, karşı-olgu) ve tıpta kullanılan kanıt hiyerarşisi. İkisinin de aynısı değildir. 0. basamağın Pearl'ün merdiveninde karşılığı yoktur, çünkü reklam verisi çoğu bilimsel verinin aksine çıkarı olan bir taraf tarafından kaydedilir. Merdiven kanıtın gücünü değil, sorunun kapsamını sıralar: üst basamaktaki bir yöntem daha geniş bir soru sorar, ama cevabı her zaman daha güvenilir değildir.

![Dört basamaklı kanıt merdiveni: kayıt, ilişki, müdahale ve bütünleştirme; yanında ancak kanıtın ulaştığı yere kadar çıkabilen yapay zekâ okuru.](https://storage.googleapis.com/meerkads-media/media%2Fkanit-merdiveni-dort-basamak.webp)

*Şekil 0.1.* Kitap boyunca kullanılan kanıt merdiveni. Alt basamaklar pay raporlar; 2. ve 3. basamaklar etkiyi tahmin eder. Kaynak: Yazarın çerçevesi; Pearl'ün nedensellik merdiveninden uyarlandı.

### Bölüm haritası

| # | Soru | Kısa cevap |
| --- | --- | --- |
| 1 | Reklamın etkisi neden bu kadar zor görülür? | Etki, reklamlı ve reklamsız satış arasındaki farktır. Küçüktür, satışlar gürültülüdür ve reklamlar zaten alacak kişilere gider. |
| 2 | Raporlanan bir dönüşüm aslında neyi kaydeder? | Kaydedilen bir dönüşüm eksik olabilir, iki kez sayılmış olabilir ya da modellenmiş olabilir. Reklamı satan platform ona not da verir. |
| 3 | Attribution modeli neyi söyler, neyi söyleyemez? | Attribution payı bir kurala göre böler. Kanallar birbirini güçlendirdiğinde nedensel etkilerinin toplamı %100'ü geçer; bu yüzden tek ve doğal bir bölüşüm yoktur. |
| 4 | Gözlemsel reklam ölçümleri etkiyi neden şişirir? | Hedefleme ve kullanıcı etkinliği reklam görenleri görmeyenlerden farklı kılar. Yüzlerce deneyde gözlemsel yöntemler deneyin cevabını büyük farkla kaçırdı. |
| 5 | Bir reklamın neye yol açtığını nasıl ölçersiniz? | Reklamı kimin görebileceğine rastgele karar verin, sonra karşılaştırın. Holdout, ghost ads ve bölgesel deneyler başlıca tasarımlardır; her birinin bir bedeli ve kör noktası vardır. |
| 6 | Bütçe kararları kanıtı nasıl izlemeli? | Ortalamayı değil marjinal getiriyi izleyin. Doygunluk, gecikmeli etki ve sinerji marjı raporların gösterdiğinden uzaklaştırır. |
| 7 | Attribution, deney ve model birlikte nasıl çalışır? | Attribution günlük yönü, deney gerçeği verir, model bunu kanallara yayar. Kalibrasyon hepsini birbirine bağlar. |
| 8 | Bir yapay zekâ analisti payı etkiden ayırabilir mi? | Testimizde, kanıt görünür olduğunda evet. Tipik kayma nedensel karışıklık değil, aritmetik ölçekti. |

### Özgün katkılar

1. **Kanıt merdiveni.** Ölçüm yöntemlerini sordukları soruya göre dört basamağa dizer; kayıt basamağının Pearl'ün merdiveninde karşılığı yoktur. (Bu sayfa)
2. **%100'ü aşan toplam.** Epidemiyolojideki atfedilebilir payların toplamının %100'ü aşabileceği ilkesini (Rothman) attribution'a taşır. ([3. bölüm](https://meerkads.com/tr/kitaplar/datanin-otesi/attribution))
3. **Kendine not veren platform.** Reklamı satan platformun o reklamı kendisinin ölçmesini ayrı bir hata türü sayar. ([2. bölüm](https://meerkads.com/tr/kitaplar/datanin-otesi/donusumler))
4. **Üçgenleme düzeni.** Attribution, deney ve medya karması modelini kalibrasyonla tek bir çalışma düzeninde birleştirir. ([7. bölüm](https://meerkads.com/tr/kitaplar/datanin-otesi/ucgenleme))
5. **Yapay zekâ analisti testi.** Dil modellerinin payı etkiden ayırıp ayıramadığını, doğru cevabı bilinen vakalarla sınar. ([8. bölüm](https://meerkads.com/tr/kitaplar/datanin-otesi/yapay-zeka-analist), [Ek D](https://meerkads.com/tr/kitaplar/datanin-otesi/ekler))
6. **Kanıt etiketleri ve on iki önerme.** Her iddia dayandığı kanıtın türünü gösterir; argüman, her biri bir bölüme bağlı on iki önermede toplanır. ([Sonuç](https://meerkads.com/tr/kitaplar/datanin-otesi/sonuc))

### Bu kitap neyi ölçmez?

Bu kitaptaki kanıtların çoğu online reklamdan ve günler ya da haftalar süren deneylerden gelir. Kitap, reklamın bu süre içinde satışa ne eklediğini ölçer. Dört şey bu çerçevenin dışında kalır.

1. **Uzun vadeli marka etkisi.** Reklam aylar ya da yıllar içinde hafıza, tercih ve fiyatlama gücü oluşturabilir. Kısa testler bunu görmez. 1. bölümdeki meta-analizde uzun vadeli esneklik kısa vadelinin yaklaşık iki katıdır; bu yüzden erken biten bir test toplam etkiyi küçük gösterme eğilimindedir.
2. **Hedeflenen kitlenin ötesine erişim.** Kullanıcı düzeyindeki deneyler, platformun zaten seçtiği kitlenin içinde çalışır. Henüz satın almayı düşünmeyen insanlara ulaşmanın değeri büyük ölçüde bu deneylerin görüş alanı dışında kalır.
3. **Kreatif.** Bir deney, bir reklamın bir dönemde ne yaptığını söyler. O reklamın neden işe yaradığını ya da daha iyi bir reklamın ne yapacağını söylemez.
4. **Test edilmemiş olan.** Eksik bir deney, eksik bir kanıttır. Bir kanalın hiçbir şey yapmadığının kanıtı değildir.

[Bizim okumamız] Bir kanalın amacı uzun vadeliyse, duraklatılan bölgeleri test bittikten sonra birkaç hafta daha izleyin ve test sonucunu toplam etkiyi muhtemelen küçük gösteren bir tahmin olarak okuyun.

### Çıkar beyanı

Yazar, reklam analitiği yazılımı geliştiren Meerkads'ın kurucu ortaklarındandır; bu yazılımlar arasında yapay zekâ asistanlarının reklam verisini okumasını sağlayan araçlar da vardır. Kitap hiçbir Meerkads ürününü anlatmaz ya da önermez. Kitabın sonundaki [Uygulama rehberleri](https://meerkads.com/tr/kitaplar/datanin-otesi/rehberler) sayfası, bölüm bölüm Meerkads blogundaki uygulama rehberlerine bağlantı verir; bölümlerin kendisinde bu bağlantılar yer almaz. Bazı kaynaklar reklam platformu çalışanlarınca yazılmıştır ya da platform verisi kullanır. Bu durum her kaynağın anıldığı yerde belirtilir, çünkü deneysel reklam verisine erişim pratikte yalnızca bir platformun içinden mümkündür.

---

## Önsöz

Reklam verisinden doğru okuma nasıl yapılır? Uzun yıllardır reklam verisiyle çalışan bir ekipte en çok peşinde olduğumuz soru buydu. Bize bu okumayı ve ondan çıkan anlamlı içgörüleri tam olarak veren bir araç bulamadığımızda, kendi sistemimizi ihtiyaçlarımızın üzerine kurduk. Neye ihtiyaç duyduğumuzu biliyorduk, ya da en azından öyle düşünüyorduk.

Bu süreçte kafama takılan bir soru vardı: Elimizdekinin ötesine nasıl geçebilirim? Daha fazla veriye erişebilirsem daha anlamlı çıktılar elde edebileceğimi düşünüyordum.

Bu sorunun peşinde bir araştırmaya başladım. Araştırma önce blog yazılarına dönüştü, sonra büyüdü. Bunun bir kitaba dönüşeceğini hiç düşünmemiştim. Süreç, bir yapay zekâ asistanıyla yapılan uzun soru-cevaplar ve tartışmalar içinde ilerledi.

Kitap, ölçüm yöntemlerini hangi soruya cevap verebildiklerine göre bir merdivende sıralıyor. Kanallar birbirini güçlendirdiğinde ayrı ayrı ölçülen etkilerinin toplamı %100'ü aşıyor; bu yüzden tek ve doğal bir bölüşüm yok; bir satışı kanallar arasında bölmek ancak açıkça yazılmış varsayımlarla mümkün. Kitap, reklamı satan platformun kendi sonucunu ölçmesini ayrı bir hata türü olarak ele alıyor. Attribution, deney ve modelin birlikte nasıl kullanılacağını anlatıyor ve son olarak yapay zekânın bu ayrımları yapıp yapamadığını sınıyor. Kitaptaki her rakamın kaynağı açılıp okundu; ikincil kaynaktan alınan tek rakam bunu geçtiği yerde belirtiyor.

Yola çıkarken daha fazla veri arıyordum; süreç beni veri miktarından kanıta ve etkiye taşıdı. Bildiğimizi sandığımız sayılar, düşündüğümüz şeyi söylemiyormuş.

*Edip Ali Avcıbaşı, Kasım 2026*

---

## 1. Bölüm · Reklamın etkisi neden bu kadar zor görülür?

**Temel bulgular**

- 56 çalışma ve 751 tahminde, reklamdaki %1'lik artış satışları kısa vadede yaklaşık %0,12, uzun vadede %0,24 artırıyor (Sethuraman ve ark., 2011). [Gözlemsel, meta-analiz]
- ABD televizyonunda 288 tüketici markasında etkiler daha da küçük çıktı; markaların %80'inden fazlasında TV reklamına harcanan son dolar zarar ettirdi (Shapiro ve ark., 2021). [Gözlemsel]
- 25 büyük çevrimiçi deneyde, yatırım getirisinin medyan %95 güven aralığı 100 yüzde puanından genişti (Lewis ve Rao, 2015). [Deney]
- Kesin sonuç veren bir deney 10 milyon kişi-haftadan fazla veri gerektirebilir (Lewis ve Rao, 2015). [Deney]

**Kısa cevap.** Bir reklamın etkisi, gerçekleşen satışlarla reklam olmasaydı gerçekleşecek satışlar arasındaki farktır. İkinci sayı hiçbir zaman gözlemlenmez; tahmin edilmesi gerekir. Bu tahmin üç nedenle zordur: etki küçüktür, tek tek satışlar çok gürültülüdür ve reklamlar zaten satın alması muhtemel kişilere gösterilir.

### Bir reklamın "etkisi" tam olarak nedir?

**Bir reklamın nedensel etkisi, bir müşterinin reklamı gördükten sonra yaptığı ile aynı müşterinin reklamı görmeseydi yapacağı arasındaki farktır.** İstatistikçiler bu iki niceliğe olası sonuçlar (potential outcomes) der (Imbens ve Rubin, 2015). Herhangi bir kişi için bunlardan yalnızca biri gözlemlenir. Reklamı görüp satın alan bir müşteriyi aynı anda reklamı görmezken gözlemleyemeyiz.

Bu kitaptaki her yöntem, eksik sonucu tahmin etmenin bir yoludur. Kimi iyi tahmin eder, kimi kötü, kimi hiç denemez. Bir reklam tıklamasından sonraki satın almaları sayan bir rapor eksik sonuç hakkında hiçbir şey tahmin etmez. Yalnızca bir tıklama ile bir satın almanın art arda gerçekleştiğini kaydeder.

Bu yüzden kitap iki kelimeyi birbirinden ayırır. **Pay**, bir raporun bir satıştan reklama yazdığı kısımdır. **Etki**, reklam kaldırılsaydı kaybolacak satış kısmıdır. Pay bir muhasebe tercihidir ve her zaman elde vardır. Etki dünyaya dair bir olgudur ve hiçbir zaman doğrudan görünmez.

![İki sütun: reklamla gözlenen dünyadaki satışlar ve reklamsız, hiç gözlenmeyen dünyadaki satışlar; aradaki fark reklamın nedensel etkisidir.](https://storage.googleapis.com/meerkads-media/media%2Freklam-etkisi-iki-dunya-arasindaki-fark.webp)

*Şekil 1.1.* Her ölçüm yöntemi sağdaki eksik dünyayı tahmin etmenin bir yoludur. Kaynak: Potansiyel sonuçlar çerçevesi, Imbens ve Rubin (2015). Şematik.

### Reklamın etkisi ne kadar büyük?

Çoğu panonun düşündürdüğünden küçük. Pazarlama bilimciler reklamın etkisini esneklikle ifade eder: reklamdaki %1'lik değişime karşı satıştaki yüzde değişim.

| Çalışma | Kapsam | Bulgu | Kanıt |
| --- | --- | --- | --- |
| Sethuraman, Tellis ve Briesch (2011) | 56 çalışma, 751 kısa ve 402 uzun vadeli esneklik, 1960–2008 | Ortalama esneklik kısa vadede 0,12, uzun vadede 0,24; önceki meta-analizdeki 0,22 ve 0,41'den düşük; zamanla azalıyor | Gözlemsel, meta-analiz |
| Lodish ve ark. (1995) | 389 split-cable TV deneyi | Rakiplere göre bütçeyi artırmak genelde satışı artırmıyor. 89 yerleşik üründe ortalama esneklik 0,05; tahminlerin %33'ü gevşek bir eşikte (tek yönlü %20) anlamlı (Shapiro ve ark.'nın aktarımıyla) | Deney |
| Shapiro, Hitsch ve Tuchman (2021) | 288 tüketici markası, ABD TV | Esneklikler önceki literatürden çok küçük, çoğu anlamsız; markaların %80'inden fazlasında marjinal getiri negatif; toplam getiri yaklaşık üçte birinde pozitif | Gözlemsel |

Buradan iki sonuç çıkar. Birincisi, harcamasını %10 artıran tipik bir reklamveren satışlarında yaklaşık %1'lik, çoğu zaman daha az bir artış beklemelidir. İkincisi, etki ya küçülüyor ya da eski çalışmalarda abartılmış, belki ikisi birden. Shapiro ve arkadaşları yayımlanmış tahminlerin büyük ve anlamlı oldukları için seçildiğini, kendi örneklemlerinin ise böyle seçilmediğini savunuyor.

Bunların hiçbiri reklamın işe yaramadığını söylemez. Shapiro'nun verisi, markaların yaklaşık üçte birinde yürüttükleri reklamın bütün olarak kârlı olduğunu gösteriyor, bir sonraki dolar kârlı olmasa bile. Söylenen şu: etki, büyük bir arka plandan ayrılması gereken küçük bir sinyaldir.

![Çubuk grafik: reklam harcamasındaki %10 artış satışı kısa vadede yaklaşık %1,2 artırır; 56 çalışmadaki 751 tahminin ortalaması.](https://storage.googleapis.com/meerkads-media/media%2Freklam-esnekligi-yuzde-10-harcama-yuzde-1-satis.webp)

*Şekil 1.2.* Ortalama kısa vadeli reklam esnekliği (0,12), %10'luk bütçe artışına uygulandı. Uzun vadeli ortalama 0,24. Kaynak: Sethuraman, Tellis ve Briesch (2011), 56 çalışmanın meta-analizi.

### Reklamı gören alıcılarla görmeyenleri neden doğrudan karşılaştıramayız?

Çünkü iki grup, reklam gösterilmeden önce zaten farklıydı. Çevrimiçi reklam bilerek hedeflenir. Platformlar reklamı davranışı satın almayı öngören kişilere gösterir: siteyi yakın zamanda ziyaret edenlere, ürünü arayanlara, geçmiş alıcılara benzeyenlere. Reklam sonra genel kitlenin dört katı oranda "dönüşüm" getiriyorsa, bu farkın çoğu reklamdan önce de vardı.

Lewis ve Rao (2015) bunu gözlemsel yöntemlerin temel zaafı olarak tanımlıyor: hedeflemenin yarattığı seçilim, ölçülmeye çalışılan etkiye göre büyüktür. İkinci bir yanlılık daha incedir. Lewis, Rao ve Reiley (2011), belli bir günde internette çok aktif olan kişilerin hem reklamı görme olasılığının hem de reklamverenin sitesini ziyaret etmek dahil her şeyi yapma olasılığının daha yüksek olduğunu buldu. Yahoo deneylerinden birinde reklamı görenlerin Yahoo ziyaretleri sıçradı, ama aynı sıçrama ilgisiz bir reklam gören plasebo grubunda da vardı. Buna **etkinlik yanlılığı** (activity bias) adını verdiler. [Deney]

Dördüncü bölüm bu yanlılıkların pratikte ne kadar büyüdüğünü gösteriyor.

### Satış verisi neden bu kadar gürültülü?

Çünkü tek bir müşterinin satın alımları, o müşteriye ulaşmanın maliyetine göre çok büyük oynar. Lewis ve Rao (2015), büyük ABD'li perakendeciler ve aracı kurumlarla 2,8 milyon dolarlık çevrimiçi reklamı kapsayan 25 saha deneyi yaptı. Verilerinde bir müşterinin satışlarındaki standart sapma tipik olarak ortalamanın yaklaşık on katıydı. Bu oynaklık karşısında, kişi başına birkaç sente mal olan ve ortalamayı yüzde birin altında bir oranda artıran bir reklam neredeyse görünmezdir. [Deney]

Sonuçlar somuttur:

- Deneylerinde yatırım getirisinin medyan %95 güven aralığı **100 yüzde puanından** genişti. Dürüst bir sonuç çoğu zaman "para kaybetmekle ikiye katlamak arasında bir yerde" der.
- Kesin bir deney **10 milyon kişi-haftadan** fazla gözlem gerektirebilir; bu, çoğu reklamverenin ulaşamayacağı bir ölçek.

Buna "reklam getirisini ölçmenin elverişsiz ekonomisi" dediler. Ölçümün bu kadar büyük kısmının rastgele atama kullanmayan daha ucuz yöntemlere dayanmasının, dolayısıyla bu kadar büyük kısmının yanlı olmasının ana nedeni budur.

![Başa baş noktasını kesen şematik aralık: 25 büyük çevrimiçi reklam deneyinde getirinin medyan %95 güven aralığı 100 yüzde puandan genişti.](https://storage.googleapis.com/meerkads-media/media%2Freklam-deneyi-getiri-guven-araligi-100-puandan-genis.webp)

*Şekil 1.3.* Aralık yalnızca genişlik olarak ölçeklidir. Dürüst bir sonuç çoğu zaman zarar ile iki katı arasında bir yer der. Kaynak: Lewis ve Rao (2015), 25 saha deneyi, 2,8 milyon dolarlık çevrimiçi reklam. Şematik.

### Bu bir reklamveren için ne anlama gelir?

[Bizim okumamız] Yukarıdaki kanıtlardan üç pratik sonuç çıkar.

1. **Büyük bir raporlanan getirinin yanlış olma olasılığı küçüğünden yüksektir.** Tipik esneklikler düşünüldüğünde, on kat getiri raporlayan bir kanalın satışa yol açmaktan çok seçilimi yakalıyor olması daha olasıdır.
2. **Tek bir haftanın verisi nadiren bir şeyi kesinleştirir.** Satış gürültüsü yüzünden bir kanalın raporlanan performansındaki haftadan haftaya dalgalanmalar çoğunlukla gürültü ve mevsimselliktir.
3. **Eksik sonuç bilinçli olarak tahmin edilmelidir.** Raporlama yapısında hiçbir yöntem reklam olmasaydı ne olacağını tahmin etmeye çalışmıyorsa, o yapı etkiyi değil payı raporluyordur.

### Bu bölümün sınırı

Bu bölüm gözlemlenen sayıları doğru kabul etti ve neden etkileri göstermediklerini sordu. Daha ileri gitmeden bu varsayımı sınamalıyız. Bir reklam raporundaki sayılar izleme sistemlerince kaydedilir, izinlerle süzülür ve kimi zaman modellerle tahmin edilir. 2. bölüm, raporlanan bir dönüşümün aslında neyi kaydettiğini soruyor.

### Kaynaklar

- Imbens, G. W., & Rubin, D. B. (2015). *Causal Inference for Statistics, Social, and Biomedical Sciences*. Cambridge University Press. doi:10.1017/CBO9781139025751
- Lewis, R. A., & Rao, J. M. (2015). The unfavorable economics of measuring the returns to advertising. *Quarterly Journal of Economics*, 130(4), 1941–1973. doi:10.1093/qje/qjv023
- Lewis, R. A., Rao, J. M., & Reiley, D. H. (2011). Here, there, and everywhere: Correlated online behaviors can lead to overestimates of the effects of advertising. *Proceedings of WWW 2011*, 157–166. doi:10.1145/1963405.1963431
- Lodish, L. M., Abraham, M., Kalmenson, S., Livelsberger, J., Lubetkin, B., Richardson, B., & Stevens, M. E. (1995). How T.V. advertising works: A meta-analysis of 389 real world split cable T.V. advertising experiments. *Journal of Marketing Research*, 32(2), 125–139. doi:10.2307/3152042
- Sethuraman, R., Tellis, G. J., & Briesch, R. A. (2011). How well does advertising work? Generalizations from meta-analysis of brand advertising elasticities. *Journal of Marketing Research*, 48(3), 457–471. doi:10.1509/jmkr.48.3.457
- Shapiro, B. T., Hitsch, G. J., & Tuchman, A. E. (2021). TV advertising effectiveness and profitability: Generalizable results from 288 brands. *Econometrica*, 89(4), 1855–1879. doi:10.3982/ECTA17674

---

## 2. Bölüm · Raporlanan bir dönüşüm aslında neyi kaydeder?

**Temel bulgular**

- Apple'ın Uygulama İzleme Şeffaflığı (ATT) çerçevesinden sonra ABD'de izlenebilen Apple trafiğinin payı %73'ten %22'ye düştü (Kraft ve ark., 2023). [Gözlemsel]
- Kasım 2023'ten beri Google Analytics 4 yalnızca veriye dayalı ve son tıklama attribution'ı sunuyor; ilk tıklama, doğrusal, zaman azalmalı ve konuma dayalı modeller kaldırıldı (Google, 2026). [Platform]
- 12 Ocak 2026'dan itibaren Meta'nın Ads Insights API'si 7 ve 28 günlük görüntüleme pencerelerini artık döndürmüyor (Meta, 2025). [Platform]
- Platformlar kendi sonuçlarını raporladığında toplamları mağaza cirosunu aşabilir, çünkü her platform aynı satışı kendine yazar. [Bizim okumamız, aşağıda örneklendi]

**Kısa cevap.** Raporlanan bir dönüşüm, bir satışın seçilmiş bir zaman penceresi içinde bir reklamın ardından geldiği iddiasıdır. Bu iddia üç şekilde yanlış olabilir: satış izlenemediği için eksiktir, satışı birden fazla platform sayar ya da satış gözlemlenmemiş, bir modelle tahmin edilmiştir. Her durumda reklamı satan platform, reklamın nasıl puanlanacağına da kendisi karar verir.

### Bir platform raporunda dönüşüm nedir?

**Reklam raporundaki dönüşüm, platformun bir attribution penceresi içinde reklamlarından birini görmüş ya da tıklamış bir kişiye bağladığı, satın alma gibi kaydedilmiş bir olaydır.** Tanımın üç hareketli parçası vardır: neyin olay sayıldığı, kişiye bağlantının nasıl kurulduğu ve pencerenin ne kadar uzun olduğu. Bunlardan birini değiştirin, müşterilerde hiçbir şey değişmemiş olsa da sayı değişir.

Bu bölüm kanıt merdiveninin 0. basamağı hakkındadır: kaydedilen sayı gerçekten sadık bir kayıt mı? Kusursuz bir kayıt bile etki hakkında hiçbir şey söylemez. Kusurlu bir kayıt ise sonraki her adımı kötüleştirir.

### 1. hata: Satışlar nasıl kaybolur?

Satışlar, bir reklam ile bir alıcı arasındaki bağ gözlemlenemediğinde kaybolur. Son yılların tek en büyük değişikliği, Apple'ın 2021'de getirdiği ATT çerçevesiydi. Bu çerçeve, uygulamaların kullanıcıları başka şirketlerin uygulama ve sitelerinde izlemeden önce izin istemesini zorunlu kılar.

Kraft, Skiera ve Koschella (2023) sekiz ülkede milyarlarca reklam gösterimini inceledi. ABD'de hâlâ izlenebilen Apple trafiğinin payı %73,05'ten %22,15'e, yani yaklaşık %70 düştü. İzin verme oranları ülkeye göre %18,18 ile %44,65 arasında değişti. [Gözlemsel]

Bir platform için reklama bağlayamadığı satış raporda yoktur. Bundan iki şey çıkar. Gerçek satışlar düşmese bile raporlanan dönüşümler düşer. Ve alıcıları daha zor izlenen kanallar, örneğin video ve mobil uygulamalar, alıcıları izlenen bir tıklamayla gelen kanallardan daha zayıf görünür.

![Çubuk grafik: izlenebilen ABD Apple trafiğinin payı App Tracking Transparency öncesinde %73'ten sonrasında %22'ye düştü.](https://storage.googleapis.com/meerkads-media/media%2Fapple-att-izlenebilir-trafik-yuzde-73-ten-22-ye.webp)

*Şekil 2.1.* Bir reklama bağlanamayan satış, gerçekleşmiş olsa bile platformun raporunda yoktur. Kaynak: Kraft, Skiera ve Koschella (2023): %73,05'ten %22,15'e.

### 2. hata: Bir satış nasıl iki kez sayılır?

Her platform yalnızca kendi reklamlarını görür. Bir müşteri Meta'da bir reklam görüp sonra bir Google reklamını tıklayarak satın aldıysa, iki platform da satışı iyi niyetle sahiplenebilir. Hiçbiri diğerinden haberdar değildir.

Basit bir kontrol bunu ortaya çıkarır. Her platformun raporladığı ciroyu toplayın ve mağazanın gerçekte kaydettiği ciroyla karşılaştırın.

| Kaynak | Raporlanan ciro | Not |
| --- | --- | --- |
| Meta | 49.200 € | Platformun kendi raporu |
| Google Ads | 28.800 € | Platformun kendi raporu |
| TikTok | 8.800 € | Platformun kendi raporu |
| **Platform raporlarının toplamı** | **86.800 €** |  |
| **Mağaza cirosu (tüm kaynaklar)** | **71.000 €** | Hiçbir reklamın dokunmadığı satışlar dahil |

*8. bölümdeki testte kullanılan örnek.*

Platformlar birlikte mağazanın kasasına girenden 15.800 € fazlasını sahipleniyor; üstelik mağaza rakamı, hiçbir platformun sahiplenmemesi gereken organik ve doğrudan satışları da içeriyor. Yani çakışma en az 15.800 €, büyük olasılıkla çok daha fazla. [Bizim okumamız] Platform iddialarının toplamı mağaza toplamını aştığında, platformların tek tek reklam harcaması getirisi (ROAS) rakamları birbiriyle karşılaştırılamaz; çünkü her biri aynı satışların farklı ve çakışan bir payı üzerinden hesaplanmıştır.

![Yığılmış çubuk: Meta 49.200 €, Google 28.800 € ve TikTok 8.800 € toplamda 86.800 € ediyor; tüm kaynaklardan mağaza cirosu 71.000 €.](https://storage.googleapis.com/meerkads-media/media%2Fplatform-cirosu-magaza-cirosunu-asiyor.webp)

*Şekil 2.2.* Her platform ortak satışları kendine yazar; bu yüzden çakışma en az 15.800 €'dur. 8. bölümdeki testte kullanılan örnek. Kaynak: Örnek veri.

### 3. hata: Modellenmiş dönüşüm nedir?

Bir satış izlenemediğinde platformlar giderek daha çok onu tahmin ediyor. Google Ads'te çoğu dönüşüm işlemi için varsayılan olan veriye dayalı attribution, payı dönüşüm yapan müşterilerin yollarını yapmayanlarınkiyle karşılaştırarak dağıtır (Google, 2026). Meta'nın 2025'te getirdiği artımsal attribution, hangi dönüşümlerin bir reklamdan kaynaklandığını tahmin etmek için bir model kullanır. Meta, bunun standart attribution'a göre %24 daha fazla artımsal dönüşüm sağladığını bildiriyor (Meta, 2026). [Platform]

Modellenmiş sayılar doğası gereği yanlış değildir. Ama farklı türde bir sayıdır. İzlenen bir dönüşüm bir olayı kaydeder. Modellenmiş bir dönüşüm, reklamverenin inceleyemediği bir yöntemle yapılmış bir olay tahminidir.

### Reklama notu kim veriyor?

Reklamı satan platform, sonucunu da ölçer. Varsayılan attribution modelini, varsayılan pencereyi, görüntüleme ile tıklamanın nasıl ele alınacağını ve eksik verinin nasıl modelleneceğini o seçer. Biz buna **kendi kendine not verme** (self-grading) diyoruz. [Bizim okumamız]

Kendi kendine not verme bir kötü niyet iddiası değildir. Platformların kendi reklamları hakkında en iyi veriye sahip olduğu doğrudur ve bu kitaptaki en titiz çalışmaların bazıları platform verisi sayesinde yapılabildi. Sorun yapısaldır: yüksek bir sayıdan en çok kazanacak taraf, o sayının tanımını kontrol eder.

Son değişiklikler tanımın ne kadar önemli olduğunu gösteriyor:

| Yıl | Değişiklik | Kaynak |
| --- | --- | --- |
| 2021 | Apple ATT: iOS kullanıcılarının çoğu uygulamalar arasında izlenemiyor | Kraft ve ark. (2023) |
| 2023 | Google, GA4'ten dört kurala dayalı modeli kaldırıyor; Google Ads'te son tıklama ve veriye dayalı kalıyor | Google (2026) |
| 2025 | Meta artımsal attribution'ı getiriyor | Meta (2026) |
| 2026 | Meta API'si 7 ve 28 günlük görüntüleme pencerelerini döndürmeyi bırakıyor | Meta (2025) |

Her değişiklik, aynı reklamlar için raporlanan dönüşümleri değiştirdi. Bu yılın rakamlarını geçen yılınkilerle karşılaştıran reklamverenler çoğu zaman iki farklı tanımı karşılaştırıyor.

Daha derin bir teşvik sorunu da var. Berman (2018), oyun kuramı modeliyle son temas attribution'ının yayıncıları gereğinden fazla gösterim sunmaya ittiğini ve çoğu zaman reklamverenin kârını düşürdüğünü gösteriyor. Puanlama kuralı sonucu yalnızca betimlemez. Davranışı, kuralın çıktısıyla eğitilen teklif algoritmalarının davranışı da dahil, şekillendirir. [Model]

![Zaman çizelgesi: 2021 Apple ATT, 2023 GA4 dört attribution modelini kaldırdı, 2025 Meta artımsal attribution, 2026 Meta 7 ve 28 günlük görüntüleme pencerelerini kaldırdı.](https://storage.googleapis.com/meerkads-media/media%2Fdonusum-tanimi-degisiklikleri-2021-2026.webp)

*Şekil 2.3.* Her değişiklik aynı reklam için raporlanan dönüşümleri değiştirdi. Yıllık karşılaştırma çoğu zaman iki farklı tanımı karşılaştırır. Kaynak: Kraft ve ark. (2023); Google (2026); Meta (2025; 2026).

### Reklamveren önce neyi kontrol etmeli?

1. **Mağazayla mutabakat yapın.** Her ay platformların raporladığı ciro toplamını tüm kaynaklardan gelen mağaza cirosuyla karşılaştırın. Toplam mağaza cirosuna yakınsa ya da üstündeyse, platform ROAS'ını etki değil pay olarak okuyun.
2. **Tanımları dondurun.** Her rapor için kullanılan attribution modelini, pencereyi ve görüntüleme ayarlarını kaydedin. Bir eğilim ancak altındaki tanım değişmediyse anlamlıdır.
3. **Gözlemleneni modellenenden ayırın.** Platform modellenmiş dönüşüm raporluyorsa bunları izlenenlerden ayrı not edin.
4. **Not vereni adlandırın.** Rapordaki her sayı için onu kimin ürettiğini not edin. Reklamın satıcısının ürettiği sayı bir platform beyanıdır, bağımsız kanıt değil.

### Bu bölümün sınırı

Her satışın bir kez, doğru kaydedildiğini ve alıcının gördüğü her reklama bağlandığını varsayalım. Kayıt yine yalnızca hangi reklamların hangi satışlardan önce göründüğünü gösterirdi. Reklamların hangi satışlara yol açtığını göstermezdi. Bu kaydı paya dönüştürmek attribution modellerinin işidir; 3. bölüm bu modellerin neyi söyleyip neyi söyleyemeyeceğini soruyor.

### Kaynaklar

- Berman, R. (2018). Beyond the last touch: Attribution in online advertising. *Marketing Science*, 37(5), 771–792. doi:10.1287/mksc.2018.1104
- Google. (2026). About attribution models; About data-driven attribution (Google Ads Help 6259715, 6394265); Attribution models in Google Analytics (Analytics Help 10596866). Accessed 13 November 2026.
- Kraft, L., Skiera, B., & Koschella, T. (2023). Economic impact of Apple's App Tracking Transparency framework. *Proceedings of the European Marketing Academy (EMAC)*.
- Meta. (2025, October 16). Ads Insights API metric availability updates. Meta for Developers Blog.
- Meta. (2026, January 28). Fourth quarter 2025 earnings conference call transcript. [Platform; şirketin kendi ürünü hakkındaki beyanı]

---

## 3. Bölüm · Attribution modeli neyi söyler, neyi söyleyemez?

**Temel bulgular**

- Görüntülü (display) reklam, reklamı yapılan markanın aranmasını %30–45 artırıyor (Lewis ve Nguyen, 2015). [Deney]
- eBay marka anahtar kelimesindeki arama reklamlarını kapattığında, kaybolan ücretli tıklamaların %99,5'i organik arama üzerinden geri geldi (Blake ve ark., 2015). [Deney]
- 2.226 Meta deneyinde 7 günlük son tıklama attribution'ı, dolar başına artımsal dönüşümlerdeki değişkenliğin %19'unu açıkladı; deneylerle kalibre edilmiş bir model %88'ini açıkladı (Gordon ve ark., 2026). [Deney]
- Epidemiyolojide farklı nedenlere atfedilebilen hastalık oranlarının üst sınırı yoktur ve toplamları %100'ü rahatça aşabilir (Rothman, 2002). [Ders kitabı ilkesi]

**Kısa cevap.** Bir attribution modeli, bir satışın payını müşterinin satın almadan önce karşılaştığı reklamlar arasında böler. Her model payların toplamını tam %100'e zorlar. Nedensel etkiler bu kurala uymaz: kanallar birbirini güçlendirdiğinde, her kanal kaldırılınca kaybedilen satışların toplamı %100'ü geçer; aynı alıcılar için yarıştıklarında %100'ün altında kalır. Bu yüzden bölüşüm müşteri yolculuğunu betimleyebilir ama her kanalın neye yol açtığını söyleyemez.

### Attribution modeli nedir?

**Attribution modeli, bir satışın payını müşterinin satın almadan önce karşılaştığı reklamlar ve kanallar arasında bölen bir kuraldır.** Son tıklama bütün payı son temasa verir. Doğrusal model eşit böler. Veriye dayalı modeller her kanalın payını geçmiş müşterilerin yollarından tahmin eder.

| Model | Payı nasıl dağıtır | Neyi gizler |
| --- | --- | --- |
| Son tıklama | Tamamı son tıklamaya | Talebi daha önce yaratan kanalları; marka aramasını ve yeniden hedeflemeyi şişirir |
| İlk tıklama | Tamamı ilk temasa | Satışı kapatan adımları |
| Doğrusal | Eşit paylar | Hangi temasın gerçekten önemli olduğunu |
| Zaman azalmalı | Satışa yakın temaslara daha fazla | Uzun kararlardaki erken temasları |
| Konuma dayalı | İlk ve sona sabit paylar, kalan ortaya | Payların keyfi olduğunu |
| Veriye dayalı (Shapley, Markov) | Bir temasla dönüşüm arasındaki ilişkiden, birçok yol üzerinde | İlişkinin hâlâ bir korelasyon olduğunu: temas olmasaydı satışın yine olup olmayacağını sormaz |

Platformlar seçenekleri daralttı. Google Analytics 4, Kasım 2023'te ilk tıklama, doğrusal, zaman azalmalı ve konuma dayalı modelleri kaldırdı; Google Ads artık son tıklama ve veriye dayalı modeli sunuyor, çoğu dönüşüm işlemi için varsayılan veriye dayalı (Google, 2026). [Platform]

### Veriye dayalı modeller nasıl çalışır?

Veriye dayalı attribution'ın çoğu iki fikirden türer.

**Shapley değeri** işbirlikçi oyun kuramından gelir (Shapley, 1953). Ortak bir kazancı oyuncular arasında, her oyuncunun olası her geliş sırasındaki marjinal katkısının ortalamasını alarak böler. Reklama uygulandığında "oyuncular" kanallar, kazanç ise dönüşümlerdir. Genellikle verimlilik (efficiency) denen tanımlayıcı özelliklerinden biri, payların toplamının tam olarak toplama eşit olmasıdır. Singal ve arkadaşları (2022), klasik Shapley değerinin reklamda nedensel olarak okunabilmesi için karşı-olgusal bir düzeltmeye ihtiyaç duyduğunu gösteriyor.

**Markov zinciri modelleri** müşteri yolculuğunu bir durumlar dizisi olarak ele alır ve bir kanal grafikten çıkarıldığında dönüşüm olasılığının ne kadar düştüğünü ölçer. Anderl ve arkadaşları (2016) bunu her biri en az yedi kanallı dört veri setine uyguladı ve son tıklamadan belirgin biçimde farklı pay dağılımları buldu; kanal içinde taşınan etkiler ve kanallar arasında yayılan etkiler gördüler. [Gözlemsel]

İki yöntem de yolculuğun betimlemesi olarak son tıklamaya göre büyük bir ilerlemedir. İkisi de hâlâ gözlemlenen yollardan kurulur. Bir müşterinin yeniden hedefleme reklamını görüp satın aldığı bir yol, ikisinin birlikte gerçekleştiğinin kanıtıdır. 1. ve 4. bölümde anlatılan nedenlerle, reklamın satın almaya yol açtığının kanıtı değildir.

### Nedensel etkiler neden %100'ü aşar?

Reklamsız ayda 20 adet satan bir mağaza düşünün. Yalnız Instagram satışları 30'a çıkarıyor. Yalnız arama 50'ye çıkarıyor. İkisi birlikte 100'e çıkarıyor. Reklam 80 adet ekliyor.

| Senaryo | Satış | Bu kanal kapatılırsa kaybedilen |
| --- | --- | --- |
| Reklam yok | 20 |  |
| Yalnız Instagram | 30 |  |
| Yalnız arama | 50 |  |
| İki kanal birlikte | 100 |  |
| Instagram'ı kapat | 50 | 50 |
| Aramayı kapat | 30 | 70 |
| **Kayıpların toplamı** |  | **120 = eklenen 80'in %150'si** |

*Örnek.*

Kanallardan birini kapatmak, o kanalın "payından" fazlasını kaybettirir, çünkü her kanal diğerine ihtiyaç duyar. Kayıpların toplamı 120'dir; bu, reklamın eklediği 80 satışın %150'si. **Her çok temaslı attribution modeli bu 120 kayıp satışı 80 birimlik paya sıkıştırmak zorundadır** ve her model bunu kendi kuralıyla yapar. Etki yalnızca birleşimde var olduğunda "hangi pay Instagram'ın?" sorusunun tek ve doğal bir cevabı yoktur; nedensel bir bölüşüm ancak etkileşimlerin nasıl paylaştırılacağını belirten varsayımlarla kurulabilir. Shapley değeri böyle bir varsayım setidir ve yukarıda anıldığı gibi nedensel okunabilmesi için karşı-olgusal bir düzeltme ister (Singal ve ark., 2022).

Epidemiyoloji aynı aritmetikle on yıllar önce karşılaştı. Rothman'ın ders kitabı örneğinde bir hastalığın vakalarının %75'i sigaraya, %67'si alkole atfedilebilir; toplam %142. Vardığı sonuç şu: farklı bileşen nedenlere atfedilebilen oranların toplamının üst sınırı yoktur (Rothman, 2002; Rothman ve Greenland, 2005).

![Çubuk grafik: reklam 80 satış ekliyor, ama Instagram kapatılınca 50, arama kapatılınca 70 satış kayboluyor; toplam 120, yani 80'in %150'si.](https://storage.googleapis.com/meerkads-media/media%2Fkanal-sinerjisi-nedensel-etkiler-yuzde-100u-asar.webp)

*Şekil 3.1.* Kanallar birbirini güçlendirdiğinde 120 kayıp satışı 80 birimlik paya bölmenin tek ve doğal bir yolu yoktur; nedensel bir bölüşüm ancak etkileşimlerin nasıl paylaştırılacağını belirten varsayımlarla kurulabilir. Kaynak: Örnek veri. Epidemiyolojide aynı aritmetik: Rothman (2002).

### Kanalların birbirini güçlendirdiğine dair gerçek kanıt var mı?

Var; en güçlü kanıt, görüntülü ya da video reklamı aramayla bağlıyor.

| Çalışma | Tasarım | Bulgu |
| --- | --- | --- |
| Lewis ve Nguyen (2015) | Saha deneyi | Görüntülü reklamlar, reklamı yapılan markanın aranmasını %30–45 artırıyor |
| Kireyev, Pauwels ve Gupta (2016) | Zaman serisi modeli | Görüntülü reklam teması arama tıklamalarını da artırıyor; bu da arama reklamı maliyetlerini yükseltiyor |
| Li ve Kannan (2014) | Model ve saha deneyi | E-posta ve görüntülü reklam, arama ve yönlendirme üzerinden ziyaretleri tetikliyor; modele dayalı kanal payları firmaların kullandığı metriklerden açıkça farklı |
| Naik ve Raman (2003) | Pazar verisi, Dockers | TV ile basılı reklam arasında sinerji kanıtı |
| Guitart ve Hervet (2025) | Coğrafi deney | Televizyon ile marka arama reklamları etkileşiyor |

Pratik sonucu doğrudandır. Son tıklama rakamları görüntülü reklamı zayıf gösterirse ve görüntülü reklam kesilirse, arama da onunla birlikte zayıflayabilir; çünkü aramanın topladığı talebin bir kısmını görüntülü reklam yaratıyordu.

### Toplam %100'ün altına da düşebilir mi?

Evet. İki kanal zaten satın alacak aynı alıcılara ulaşıyorsa, birini kaldırmak az şey kaybettirir, çünkü satışı diğeri ya da hiç reklam olmadan durum yakalardı. En açık örnek marka aramasıdır. Büyük bir saha deneyinde eBay marka anahtar kelimelerindeki ücretli arama reklamlarını kapattı. Kaybolan ücretli tıklamaların %99,5'i organik arama üzerinden geri döndü ve reklamların ölçülebilir bir kısa vadeli faydası olmadı (Blake, Nosko ve Tadelis, 2015). [Deney]

[Bizim okumamız] Marka arama reklamları da yeniden hedefleme de çoğunlukla kararını vermiş alıcılara ulaşır. Nedensel etkilerinin toplamı atfedilen paylarının çok altında kalabilir. Onları en çok ödüllendiren model son tıklamadır.

![Çubuk: eBay marka kelimesi reklamlarını kapatınca kaybolan ücretli tıklamaların %99,5'i organik aramadan geri geldi, %0,5'i kayboldu.](https://storage.googleapis.com/meerkads-media/media%2Febay-marka-aramasi-reklamlari-tiklamalar-organikten-dondu.webp)

*Şekil 3.2.* Marka araması reklamları çoğunlukla zaten karar vermiş alıcılara ulaştı. Son tıklama attribution'ı onları en çok ödüllendirir. Kaynak: Blake, Nosko ve Tadelis (2015), eBay'de saha deneyi.

### Attribution, bir deneyin bulacağını ne kadar iyi öngörür?

Büyüklüğü iyi öngörmez; yönü çoğu kampanyada tutturur. Gordon, Moakler ve Zettelmeyer (2026), farklı ölçülerin dolar başına gerçek artımsal etkiyi ne kadar iyi öngördüğünü sınamak için Meta'da yürütülmüş 2.226 deneyi kullandı. Sektör standardı olan 7 günlük son tıklama ölçüsü değişkenliğin %19'unu açıkladı (örneklem dışı R² 0,19). Deneylerle kalibre ettikleri PIE (Predicted Incrementality by Experimentation, deneyle öngörülen artımsallık) yöntemi %88'ini açıkladı. Son tıklama çoğu kampanyada deneyle aynı karara vardı, ama kampanyaların %12–20'sinde yanlış yönü gösterdi. [Deney; yazarlar arasında Meta çalışanları var]

Bulgu iki nedenle önemli. Attribution'ın ne kadar bilgiyi çöpe attığını gösteriyor. Ayrıca attribution'ın deneylerle kalibre edildiğinde çok daha yararlı olabileceğini gösteriyor; bu da 7. bölümün konusu.

### O hâlde attribution ne işe yarar?

[Bizim okumamız] Attribution, dördüncü bir iş istenmediği sürece üç iş için yararlı kalır.

1. **Yolculukları betimlemek.** Dönüşen yollarda hangi kanalların, hangi sırayla göründüğü ve yolun ne kadar sürdüğü.
2. **Hızlı, kaba yön.** Alternatifin hiç sinyal olmaması olduğu kanal içi günlük optimizasyon.
3. **Değişimi fark etmek.** Atfedilen paydaki ani bir kayma, incelemek için bir nedendir.

Dördüncü iş, yani her kanalın ne kadar bütçeyi hak ettiğine karar vermek, her kanalın marjda neye yol açtığının tahminini gerektirir. Attribution bunu sağlamaz.

### Bu bölümün sınırı

Bir attribution kuralı bir etkiyi kanıtlayamaz ve bir sayının neden hareket ettiğini söyleyemez. Atfedilen ciro %20 düştüğünde pazarlamacı müşteri karmasının mı, dönüşüm oranının mı yoksa trafiğin mi değiştiğini ve bunlardan herhangi birine reklamın yol açıp açmadığını bilmek ister. 4. bölüm, nedenleri gözlemsel veriden okumaya çalıştığımızda neyin ters gittiğine bakıyor.

### Kaynaklar

- Anderl, E., Becker, I., von Wangenheim, F., & Schumann, J. H. (2016). Mapping the customer journey: Lessons learned from graph-based online attribution modeling. *International Journal of Research in Marketing*, 33(3), 457–474. doi:10.1016/j.ijresmar.2016.03.001
- Blake, T., Nosko, C., & Tadelis, S. (2015). Consumer heterogeneity and paid search effectiveness: A large-scale field experiment. *Econometrica*, 83(1), 155–174. doi:10.3982/ECTA12423 [Nosko ve Tadelis çalışmayı eBay'de çalışırken yaptı]
- Gordon, B. R., Moakler, R., & Zettelmeyer, F. (2026). Predicted incrementality by experimentation (PIE) for ad measurement. arXiv:2304.06828v2. [Moakler Meta çalışanı]
- Guitart, I. A., & Hervet, G. (2025). Exploring the interaction between television and branded search advertising: Implications for real-time syncing strategies. *Journal of the Academy of Marketing Science*, 53(6), 1692–1714. doi:10.1007/s11747-025-01103-7
- Kireyev, P., Pauwels, K., & Gupta, S. (2016). Do display ads influence search? Attribution and dynamics in online advertising. *International Journal of Research in Marketing*, 33(3), 475–490. doi:10.1016/j.ijresmar.2015.09.007
- Lewis, R. A., & Nguyen, D. (2015). Display advertising's competitive spillovers to consumer search. *Quantitative Marketing and Economics*, 13(2), 93–115. doi:10.1007/s11129-015-9155-0
- Li, H., & Kannan, P. K. (2014). Attributing conversions in a multichannel online marketing environment: An empirical model and a field experiment. *Journal of Marketing Research*, 51(1), 40–56. doi:10.1509/jmr.13.0050
- Naik, P. A., & Raman, K. (2003). Understanding the impact of synergy in multimedia communications. *Journal of Marketing Research*, 40(4), 375–388. doi:10.1509/jmkr.40.4.375.19385
- Rothman, K. J. (2002). *Epidemiology: An Introduction*. Oxford University Press, ch. 2.
- Rothman, K. J., & Greenland, S. (2005). Causation and causal inference in epidemiology. *American Journal of Public Health*, 95(S1), S144–S150. doi:10.2105/AJPH.2004.059204
- Shapley, L. S. (1953). A value for n-person games. In *Contributions to the Theory of Games II*, Annals of Mathematics Studies 28, 307–317. doi:10.1515/9781400881970-018
- Singal, R., Besbes, O., Desir, A., Goyal, V., & Iyengar, G. (2022). Shapley meets uniform: An axiomatic framework for attribution in online advertising. *Management Science*, 68(10), 7457–7479. doi:10.1287/mnsc.2021.4263

---

## 4. Bölüm · Gözlemsel reklam ölçümleri etkiyi neden şişirir?

**Temel bulgular**

- 15 büyük Facebook deneyinde gözlemsel yöntemler, çalışmaların yarısında deneysel satın alma artışını üç kat ya da daha fazla farkla kaçırdı; çoğunlukla abartarak (Gordon ve ark., 2019). [Deney ve gözlemsel karşılaştırması]
- 663 Meta deneyinde alt huni kampanyalarının medyan gerçek artışı %5'ti; bir makine öğrenmesi tahmincisi bunu %24, bir eşleştirme tahmincisi %64 buldu (Gordon ve ark., 2023). [Deney ve gözlemsel karşılaştırması]
- eBay'in marka dışı arama reklamlarında standart bir regresyon %4.100'ün üzerinde getiri ima etti; deney −%63 buldu (Blake ve ark., 2015). [Deney ve gözlemsel karşılaştırması]
- Platform A/B testleri, algoritmanın seçtiği farklı kitlelere gösterilen reklamları karşılaştırır; bu, bir sonucun işaretini tersine çevirebilir (Braun ve Schwartz, 2025). [Analitik]

**Kısa cevap.** Çünkü reklamı görenler görmeyenlerden, satın almayı da öngören yönlerden farklıdır. Platformlar olası alıcıları hedefler, aktif kullanıcılar her şeyden daha fazla görür ve algoritmalar farklı reklamları farklı kitlelere ulaştırır. İstatistiksel kontroller bu farkları azaltır ama ortadan kaldırmaz. Aynı kampanyalar iki yolla ölçüldüğünde gözlemsel yöntemler deneysel etkiyi genellikle, çoğu zaman birkaç kat, abarttı.

### Gözlemsel ölçüm nedir?

**Gözlemsel ölçüm, bir reklamın etkisini kimsenin onu kimin göreceğini kontrol etmediği veriden tahmin eder.** Reklamı görenleri ve görmeyenleri, ya da daha çok ve daha az reklamlı dönemleri karşılaştırır ve aralarındaki gözlemlenen farklar için düzeltme yapar. Attribution modelleri, panolar, önce-sonra karşılaştırmaları, regresyonlar ve medya karması modellerinin çoğu gözlemseldir.

Soru, gözlemsel yöntemlerin yararlı olup olmadığı değil. Çoğu zaman tek seçenek onlardır. Soru, ne kadar yanıldıkları ve hangi yönde yanıldıklarıdır. Reklam bunu cevaplamak için olağandışı bir fırsat sunar: platformlar binlerce rastgele atamalı deney yürüttü ve bunların gerçek cevapları, gözlemsel yöntemlerin aynı veriden tahmin edeceği sonuçlarla karşılaştırılabilir.

### Gözlemsel tahminler ile deneyler arasındaki fark ne kadar?

Kararları değiştirecek kadar.

**Gordon, Zettelmeyer, Bhargava ve Chapsky (2019)**, Facebook'ta yapılmış 15 ABD reklam deneyini kullandı; 500 milyon kullanıcı-deney gözlemi ve 1,6 milyar gösterim. Her deney için iyi donanımlı bir analistin kullanacağı gözlemsel yöntemleri uyguladılar: reklamı görenle görmeyenin basit karşılaştırmasından zengin kullanıcı verisiyle eşleştirme ve regresyona kadar. Sonucu deneyle karşılaştırdılar. Çalışmaların yarısında denedikleri her gözlemsel yöntem deneysel satın alma artışını üç kat ya da daha fazla farkla kaçırdı. Hatalar çoğunlukla abartma, kimi zaman olduğundan küçük gösterme yönündeydi ve hiçbir yöntem diğerlerinden güvenilir biçimde daha iyi değildi. Bir çalışmada reklamı gören ve görmeyen kullanıcıların saf karşılaştırması %217'lik bir artış ima etti. [Yazarlar Facebook'tan ödeme almadıklarını beyan ediyor]

**Gordon, Moakler ve Zettelmeyer (2023)** aynı çalışmayı 663 deneyle büyük ölçekte tekrarladı.

| Sonucun huni aşaması | Deneysel medyan artış | Çift makine öğrenmesi | Tabakalı eğilim skoru eşleştirmesi |
| --- | --- | --- | --- |
| Üst huni | %29 | %83 | %173 |
| Orta huni | %18 | %58 | %176 |
| Alt huni (ör. satın alma) | %5 | %24 | %64 |

Yazarlar, zengin kullanıcı düzeyinde veri ve modern makine öğrenmesi yöntemleriyle bile bir kampanyanın nedensel etkisinin gözlemsel veriden güvenilir biçimde tahmin edilemediği sonucuna varıyor. [Deney ve gözlemsel karşılaştırması; yazarlar arasında bir Meta çalışanı ve yarı zamanlı Meta araştırmacıları var]

**Blake, Nosko ve Tadelis (2015)** arama için aynı sonuca vardı. eBay'in marka dışı anahtar kelime reklamlarında, satışların arama harcamasına standart regresyonu %4.100'ün üzerinde bir getiri ima etti; kontrollerle bile %1.400'ün üzerindeydi. Saha deneyi getiriyi −%63 olarak tahmin etti (%95 aralık −%124 ile −%3). Reklam harcamasının çoğu, satın almaları reklamlara bağlı olmayan sık eBay kullanıcılarına gidiyordu.

![Çubuk grafik: 663 Meta deneyinde alt huni medyan artışı deneyle %5, tabakalı eğilim skoru eşleştirmesiyle %64 çıktı.](https://storage.googleapis.com/meerkads-media/media%2Fgozlemsel-yontemler-reklam-artisini-abartiyor-663-deney.webp)

*Şekil 4.1.* Alt hunide medyan artış. Daha zengin veriyle çift makine öğrenmesi bile %24 tahmin etti. Kaynak: Gordon, Moakler ve Zettelmeyer (2023). Yazarlardan biri Meta çalışanı.

![eBay marka dışı arama reklamları için iki panel: satışın harcamaya regresyonu %4.100'ün üzerinde getiri ima etti; saha deneyi −%63 tahmin etti.](https://storage.googleapis.com/meerkads-media/media%2Febay-marka-disi-arama-regresyon-ve-deney.webp)

*Şekil 4.2.* Harcamanın çoğu, alışverişi reklama bağlı olmayan sık eBay kullanıcılarına gitti. Deneyin %95 aralığı: −%124 ile −%3. Kaynak: Blake, Nosko ve Tadelis (2015).

### Abartma nereden geliyor?

Dört mekanizma çoğunu açıklıyor.

| Mekanizma | Ne oluyor | Kanıt |
| --- | --- | --- |
| Hedefleme seçilimi | Platformlar reklamı zaten satın alması muhtemel kişilere gösterir; reklamı görenler reklam olmasa da daha çok alırdı | Lewis ve Rao (2015); Blake ve ark. (2015) |
| Etkinlik yanlılığı | Belli bir gün internette çok aktif olanlar daha çok reklam görür ve reklamvereni ziyaret etmek dahil her şeyi daha çok yapar | Lewis, Rao ve Reiley (2011) |
| Ayrışan teslimat (divergent delivery) | Platform A/B testlerinde algoritma her reklam versiyonunu farklı bir kullanıcı kümesine ulaştırır; karşılaştırma reklam içeriğini kitleyle karıştırır | Braun ve Schwartz (2025) |
| Ölçüm baskısı | Bir sayı hedef olunca sistem o sayıyı oynatmak için uyum sağlar; atfedilen dönüşüme göre optimize eden algoritmalar dahil | Campbell (1979); Berman (2018) |

İlk iki yanlılık tahminleri yukarı iter. Ayrışan teslimat iki yöne de itebilir; hangi reklam versiyonunun daha iyi göründüğünü tersine çevirmek dahil. Braun ve Schwartz ayrıca platformların reklamın etkisini kitlenin etkisinden ayırmak için pek bir teşviki olmadığını not ediyor, çünkü optimizasyonları ikisini birleştirmek için tasarlanmıştır.

Sosyal politika için formüle edilen Campbell yasası şunu söyler: nicel bir gösterge kararlarda ne kadar çok kullanılırsa onu çarpıtan baskılara o kadar açık olur. Reklam bu baskıyı otomatikleştirdi: teklif algoritmaları atfedilen bir dönüşüm üretmesi en muhtemel kişileri bulmak üzere eğitilir; bu, ikna edilmesi en muhtemel kişilerle aynı şey değildir.

### Sayı neden hareket etti?

Pratikte ölçüm sorularının çoğu bir etkinin büyüklüğüyle değil bir değişimle ilgilidir: geçen hafta ciro %20 düştü ya da bir kanalın ROAS'ı yarıya indi. Reklamın bu değişime yol açıp açmadığını sormadan önce değişimin yerini bulmak işe yarar. Bir toplamdaki her değişim üç parçaya ayrılabilir.

| Bileşen | Soru | Örnek |
| --- | --- | --- |
| Hacim | Daha çok ya da daha az kişi mi geldi? | Bir tatilden sonra trafik %15 düştü |
| Karma | Bileşim mi değişti? | Daha az dönüşen yeni müşterilerin payı arttı |
| Oran | Her grubun içindeki davranış mı değişti? | Geri dönen müşteriler daha seyrek dönüştü |

*Örnek çerçeve.*

Karma etkileri klasik tuzaktır. Bir kampanya çok sayıda yeni ziyaretçi çekerse, her grubun dönüşüm oranı artmış olsa bile genel dönüşüm oranı düşebilir. İstatistikçiler bu örüntüye **Simpson paradoksu** der (Simpson, 1951): her alt grupta geçerli olan bir ilişki, gruplar birleştirildiğinde tersine döner.

Bir ayrıştırma değişimin nerede olduğunu söyler. Nedenini söylemez. Geri dönen müşterilerde yoğunlaşan bir düşüşe bir reklam değişikliği, bir fiyat değişikliği, bir rakip ya da bir site sorunu yol açmış olabilir. Değişimin yerini bulmak merdivenin 1. basamağıdır. Açıklamak 2. basamağı gerektirir.

Yararlı bir köprü var. Bir değişim planlandıysa, örneğin bir kampanya bazı pazarlarda başlatıldıysa, zaman serisi yöntemleri müdahale görmemiş pazarlardan müdahale görmüş pazarın sentetik bir versiyonunu kurarak, müdahale olmasaydı ne olacağını tahmin edebilir. Brodersen ve arkadaşları (2015) bunun için Bayesçi yapısal zaman serisi yöntemini geliştirdi ve CausalImpact paketi olarak yayımladı. Hâlâ gözlemseldir, ama eksik sonucu açıkça tahmin eder; 5. bölümün gerektireceği de budur.

![Diyagram: ciro değişimi hacim, karma ve oran olarak bölünür ve 1. basamakta değişimin yerini bulur; nedenini açıklamak 2. basamakta müdahale gerektirir.](https://storage.googleapis.com/meerkads-media/media%2Fdegisimin-yerini-bulmak-hacim-karma-oran.webp)

*Şekil 4.3.* Karma etkileri klasik tuzaktır: her grubun oranı artarken genel oran düşebilir (Simpson paradoksu). Kaynak: Açıklayıcı çerçeve; Simpson (1951).

### Daha iyi veri ya da daha iyi modeller sorunu çözer mi?

[Bizim okumamız] Kanıtın cevabı: güvenilir biçimde çözmez. 663 deneylik çalışma çoğu reklamverenin sahip olduğundan çok daha zengin veri kullandı ve en iyi gözlemsel yöntem bile alt huni etkilerini yaklaşık beş kat abarttı. Daha fazla veri gürültüyü azaltır. Seçilimi kaldırmaz, çünkü seçilimi veriyi üreten aynı hedefleme yaratır.

Bu, gözlemsel veriyi değersiz kılmaz. Onu farklı türde bir kanıt yapar: betimlemek, sıralamak ve değişimi fark etmek için iyi; nedensel etkileri boyutlandırmak için zayıf; ve yeniden hedefleme ve marka araması gibi hedeflemenin en güçlü olduğu yerlerde en az güvenilir.

### Bu bölümün sınırı

Gözlemsel yöntemler bir değişimin yerini bulabilir ve bir ilişkiyi betimleyebilir. Bir reklamın neye yol açtığını bilmek için birinin reklamı kimin göreceğine rastgele karar vermesi ve karşılaştırması gerekir. 5. bölüm bunun nasıl yapıldığını anlatıyor.

### Kaynaklar

- Berman, R. (2018). Beyond the last touch: Attribution in online advertising. *Marketing Science*, 37(5), 771–792. doi:10.1287/mksc.2018.1104
- Blake, T., Nosko, C., & Tadelis, S. (2015). Consumer heterogeneity and paid search effectiveness: A large-scale field experiment. *Econometrica*, 83(1), 155–174. doi:10.3982/ECTA12423
- Braun, M., & Schwartz, E. M. (2025). Where A/B testing goes wrong: How divergent delivery affects what online experiments cannot (and can) tell you about how customers respond to advertising. *Journal of Marketing*, 89(2), 71–95. doi:10.1177/00222429241275886
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. *Annals of Applied Statistics*, 9(1), 247–274. doi:10.1214/14-AOAS788
- Campbell, D. T. (1979). Assessing the impact of planned social change. *Evaluation and Program Planning*, 2(1), 67–90. Reprinted (2011), *Journal of MultiDisciplinary Evaluation*, 7(15). doi:10.56645/jmde.v7i15.297
- Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D. (2019). A comparison of approaches to advertising measurement: Evidence from big field experiments at Facebook. *Marketing Science*, 38(2), 193–225. doi:10.1287/mksc.2018.1135
- Gordon, B. R., Moakler, R., & Zettelmeyer, F. (2023). Close enough? A large-scale exploration of non-experimental approaches to advertising measurement. *Marketing Science*, 42(4), 768–793. doi:10.1287/mksc.2022.1413
- Lewis, R. A., & Rao, J. M. (2015). The unfavorable economics of measuring the returns to advertising. *Quarterly Journal of Economics*, 130(4), 1941–1973. doi:10.1093/qje/qjv023
- Lewis, R. A., Rao, J. M., & Reiley, D. H. (2011). Here, there, and everywhere: Correlated online behaviors can lead to overestimates of the effects of advertising. *Proceedings of WWW 2011*, 157–166. doi:10.1145/1963405.1963431
- Simpson, E. H. (1951). The interpretation of interaction in contingency tables. *Journal of the Royal Statistical Society, Series B*, 13(2), 238–241.

---

## 5. Bölüm · Bir reklamın neye yol açtığını nasıl ölçersiniz?

**Temel bulgular**

- Ghost ads, artışı klasik holdout testleri kadar hassas ölçüyor ve maliyeti en az on kat düşük (Johnson, Lewis ve Nubbemeyer, 2017). [Deney]
- Bir çevrimiçi perakendecinin görüntülü yeniden hedefleme reklamlarının ghost-ad testinde reklamlar site ziyaretlerini %17,2, satın almaları %10,5 artırdı (Johnson ve ark., 2017). [Deney]
- Kesin sonuç veren bir çevrimiçi reklam deneyi 10 milyon kişi-haftadan fazla veri gerektirebilir (Lewis ve Rao, 2015). [Deney]
- Sentetik kontroller yalnızca belli koşullarda güvenilirdir; bunlar arasında iyi bir ön dönem uyumu ve yeterli sayıda karşılaştırma birimi var (Abadie, 2021). [Yöntem derlemesi]

**Kısa cevap.** Reklamı kimin görebileceğine rastgele karar verin, sonra gruplar arasındaki sonuçları karşılaştırın. Reklamı görmeye yalnızca şans karar verdiği için gruplar reklam dışında her şeyde benzerdir ve aradaki fark reklamın nedensel etkisini tahmin eder. Kullanıcı düzeyinde holdout, ghost ads ve bölgesel deneyler başlıca tasarımlardır. Her birinin bir maliyeti, bir asgari büyüklüğü ve bir kör noktası vardır.

### Artımsallık testi nedir?

**Artımsallık testi, reklamı kitlenin bir kısmından ya da bazı bölgelerden rastgele esirgeyen ve gruplar arasındaki sonuç farkını ölçen bir deneydir.** Bu fark artımsal etkidir: reklamlar sayesinde gerçekleşen satışlar. Artımsal ciroyu harcamaya bölmek artımsal reklam harcaması getirisini (iROAS) verir; bir bütçe kararının gerçekten ihtiyaç duyduğu sayı budur.

Mantık 1. bölümde anlatılanla aynıdır. Bir reklamın etkisi, reklamlı ve reklamsız iki dünya arasındaki farktır. Rastgele atama iki dünyayı aynı anda, yalnızca şans ve reklamla farklılaşan iki grupta yaratır.

![Diyagram: kitle rastgele ikiye bölünür; test grubu reklamı görebilir, kontrol grubu göremez; sonuçlar arasındaki fark reklamın etkisidir.](https://storage.googleapis.com/meerkads-media/media%2Fartimsallik-testi-rastgele-atama.webp)

*Şekil 5.1.* Maruziyete yalnızca şans karar verdiği için gruplar reklam dışında her bakımdan benzerdir. Artımsal ciro bölü harcama iROAS'ı verir. Kaynak: Şematik.

### Hangi deney tasarımları var?

| Tasarım | Rastgele atanan birim | Kontrol grubu nasıl oluşur | Ana gücü | Ana kör noktası |
| --- | --- | --- | --- | --- |
| Niyet-tedavi (intent-to-treat) holdout | Kullanıcı | Hedef kitlenin rastgele bir payı reklama hiç uygun olmaz | Basit ve yansız | İki gruptakilerin çoğu reklamı zaten hiç görmeyecekti; sinyal seyrelir |
| PSA (plasebo) reklamları | Kullanıcı | Kontrol kullanıcıları ilgisiz bir reklam görür, örneğin bir bağış mesajı | Kimin reklamı göreceğini belirler | Reklamveren plasebo gösterimleri için ödeme yapar; teslimat algoritmaları iki reklama farklı davranabilir |
| Ghost ads | Kullanıcı | Platform, reklamı görecek olan kontrol kullanıcılarını hiçbir şey göstermeden kaydeder | Hassas ve ucuz | Platformun işbirliğini gerektirir; reklamveren uygulamayı denetleyemez |
| Bölgesel deney | Bölge | Rastgele seçilen bölgelerde reklam kapatılır ya da değiştirilir | Tüm kanallar ve çevrimdışı dahil toplam mağaza satışını ölçer | Çok sayıda benzer bölge gerekir; bölgeler gürültülüdür |
| Sentetik kontrol | Bölge (çoğunlukla az) | Müdahale görmemiş bölgelerin ağırlıklı bir birleşimi müdahale görmüş bölgeyi taklit eder | Yalnızca bir ya da birkaç bölgeye müdahale edilebildiğinde çalışır | Rastgele değildir; yalnızca ön dönem uyumu iyiyse geçerlidir |
| Bütçe düzeyi testi | Zaman ya da bölge | Bütçeler rastgele farklı düzeylere ayarlanır | Yalnızca açık/kapalıyı değil marjinal getiriyi ölçer | Birkaç dönem gerekir; etkiler dönemler arasında taşabilir |

### Ghost ads neden önemli?

Çünkü 1. bölümde anlatılan ekonomi sorununu çözer. Sıradan bir holdout'ta kontrol grubu hedef kitledeki herkesi, hiçbir zaman ulaşılmayacak olan çok sayıda kişi dahil, kapsar. Bu kişilerin satın almaları bilgi eklemeden gürültü ekler.

Johnson, Lewis ve Nubbemeyer (2017), her kontrol kullanıcısı için reklam sisteminin reklamı göstereceği anı kaydetmeyi, sonra yalnızca bu "görecek olan" kullanıcıları gerçekten reklam görenlerle karşılaştırmayı önerdi. Uygulamaları günde 100 milyondan fazla öngörülen hayalet reklamı kaydetti. Niyet-tedavi ve PSA tasarımlarıyla karşılaştırıldığında artışı aynı hassasiyetle, en az on kat daha düşük maliyetle ölçtü. Görüntülü yeniden hedeflemeye uygulamalarında reklamlar site ziyaretlerini %17,2, satın almaları %10,5 artırdı. [Deney]

Buradan iki ders çıkar. Birincisi, yeniden hedefleme işe yarayabilir: bu, deneyle ölçülmüş pozitif bir etkidir. İkincisi, etki, reklamı gören ve görmeyen kullanıcıların saf karşılaştırmalarının ürettiği farklardan çok daha küçüktür; örneğin 4. bölümdeki Facebook çalışmasındaki %217'lik artıştan. Aradaki fark, orada anlatılan seçilimdir.

### Bölgesel deney ne zaman kullanılmalı?

İzlenen dönüşümleri değil toplam satışı ölçmek istediğinizde ya da platform kullanıcı düzeyinde test yapamadığında. Bölgesel deney bazı bölgelerde reklamı değiştirir ve oradaki toplam satışları dokunulmamış bölgelerle karşılaştırır. Her kaynaktan gelen mağaza satışını ölçtüğü için izlemenin kaçırdığı etkileri yakalar: bir video görüp sonra arama yapan, çevrimdışı alan ya da başka bir cihaz kullanan alıcılar.

Çözülmüş bir örnek, bölgesel testlerin hem gücünü hem tuzağını gösteriyor.

Bir mağaza 8 teslimat bölgesinin yazı-turayla seçilen 4'ünde Instagram'ı 14 gün durduruyor. Durdurmadan önceki 14 günde iki grup da günde ortalama 50 sipariş alıyordu. Durdurma sırasında durdurulan bölgeler ortalama 46, aktif bölgeler 51 sipariş aldı.

- Durdurulan bölgelerdeki değişim: 46 − 50 = −4
- Aktif bölgelerdeki değişim: 51 − 50 = +1
- Durdurulan yarıdaki tahmini etki: −4 − (+1) = **günde −5 sipariş**
- Tüm mağaza için etki (8 bölge): yaklaşık **günde −10 sipariş**

Sipariş başına 20 € kârla merkezi tahmin Instagram'ın değerini günde yaklaşık 200 € gösteriyor; günlük harcama 400 €. Son tıklama raporları ona günde 5 sipariş yazıyor, testin tahmininin yarısı.

*Açıklayıcı örnek. Mağaza siparişlerinin yaklaşık %10'u kadar bir etki, yayımlanmış deneylerdeki satın alma artışlarına yakındır: 663 deneyde alt huni sonuçları için medyan %5 (4. bölüm), yeniden hedeflemede %10,5 (yukarıda). 8. bölümdeki testin 3. vakası aynı tasarımı çok daha büyük bir etkiyle kullanıyor.*

İki adımda hata yapmak kolaydır. Aktif bölgeler de +1 hareket etti; bu yüzden etki, yalnızca durdurulan bölgelerdeki değişim değil, iki değişimin farkıdır. Ve test mağazanın yarısını kapsadı; bu yüzden sonuç tüm mağazanın harcamasıyla karşılaştırılmadan önce tüm mağazaya ölçeklenmelidir. 8. bölüm, yapay zekâ analistlerinin cevaplarının çoğunda ikinci adımı atladığını gösteriyor.

Tahminin bir aralığa da ihtiyacı var. Siparişler birbirinden bağımsız geliyorsa, ortalaması 50 olan günlük sayı yaklaşık √50 ≈ 7 sipariş oynar; bu yüzden böyle iki grup arasındaki günlük fark yaklaşık √(50 + 50) = 10 oynar. Etki, durdurmadan önceki 14 günün ortalama farkını durdurmanın 14 gününün ortalama farkıyla karşılaştırır:

- Her 14 günlük ortalama farkın standart hatası: 10 ÷ √14 ≈ 2,7
- Etkinin standart hatası: √2 × 2,7 ≈ 3,8
- Durdurulan yarıda %95 aralık: −5 ± 1,96 × 3,8 → **günde −12,4 ile +2,4 sipariş**
- Tüm mağaza: **günde −24,8 ile +4,8 sipariş**; yani Instagram'ın değeri günde yaklaşık −96 € ile 496 € arasında

Aralık sıfır etkiden 400 €'luk harcamanın biraz üstüne uzanıyor. On dört gün son tıklamanın Instagram'ı eksik saydığını gösteriyor, ama Instagram'ın kendini amorti edip etmediğini gösteremiyor. Durdurmadan önce 6 hafta ve durdurma sırasında 6 hafta olsaydı, merkezi tahmin aynı kaldığında tüm mağaza aralığı günde yaklaşık 30–370 €'ya daralırdı; iki ucu da harcamanın altında. Bu aralık bile iyimser: günlerin bağımsız olduğunu ve tek gürültünün siparişlerin rastgele gelişi olduğunu varsayıyor; oysa gerçek bölgeler hava, teslimat ve yerel olaylar bakımından da farklılaşır. Test bittikten sonra gelen etkiler kaçırılır (6. bölüm). Formüller Ek F'de.

Meta'nın açık kaynak GeoLift paketi bu tasarım için yapıldı; Brodersen ve arkadaşlarının CausalImpact paketi de zaman serisi versiyonlarını destekliyor.

![Çizgi grafik: 14 günlük Instagram durdurmasında durdurulan bölgeler günde 50'den 46 siparişe düştü, aktif bölgeler 51'e çıktı; mağazanın yarısında etki günde −5.](https://storage.googleapis.com/meerkads-media/media%2Fbolgesel-deney-instagram-durdurma-siparis-1.webp)

*Şekil 5.2.* Etki iki değişimin farkıdır: (46 − 50) − (51 − 50) = 8 bölgenin 4'ünde günde −5 sipariş. %95 aralık bağımsız günler ve yalnızca siparişlerin rastgele gelişini varsayar. Kaynak: Açıklayıcı örnek.

![Çubuk grafik: son tıklama Instagram'a günde 5 sipariş yazıyor; tüm mağazaya ölçeklenen bölgesel deney yaklaşık 10 tahmin ediyor, %95 aralık −4,8 ile 24,8.](https://storage.googleapis.com/meerkads-media/media%2Fson-tiklama-ve-bolgesel-test-instagram-siparisleri-1.webp)

*Şekil 5.3.* Sipariş başına 20 € kârla merkezi tahmin günde yaklaşık 200 €, günlük harcama 400 €. Ölçekleme adımı atlanırsa cevap yarıya iner. Kaynak: Açıklayıcı örnek.

### Bir deneyi güvenilir kılan nedir?

Rastgele atama seçilim yanlılığını kaldırır ama her hatayı kaldırmaz. Çevrimiçi deneyler literatürü (Kohavi, Tang ve Xu, 2020) kısa bir kontrol listesi öneriyor; liste reklam testlerine doğrudan uygulanır.

1. **Metriğe ve süreye başlamadan önce karar verin.** Sonuç iyi göründüğünde durmak yanlış pozitifleri şişirir.
2. **Bölünmeyi kontrol edin.** Gruplar tasarımın öngördüğü büyüklükte değilse atamada bir şey bozuktur ve sonuca güvenilmemelidir.
3. **Toplam sonuçları ölçün.** 2. bölümdeki sorunları miras alan platform atfı dönüşümleri değil, mağaza cirosunu ya da siparişleri kullanın.
4. **Gecikmeye pay bırakın.** Bazı etkiler temastan haftalar sonra gelir. Çok erken biten bir test onları olduğundan küçük gösterir.
5. **Kimin rastgele atadığını bilin.** Bir platformun artış (lift) testi bir deneydir, ama reklam gören grubu platformun teslimat algoritması seçer; bu yüzden iki reklam arasındaki karşılaştırmalar ayrışan teslimat sorununa tabidir (Braun ve Schwartz, 2025).
6. **Yalnızca tahmini değil aralığı raporlayın.** 1. bölümdeki gürültü düzeylerinde dürüst bir sonuç çoğu zaman hem bir kaybı hem büyük bir kazancı kapsar.

### Bir deney neyi söyleyemez?

[Bizim okumamız] Bir deney tek bir soruyu iyi cevaplar: bu kampanya, bu dönemde, bu kitle için neye yol açtı. Üç başka soruyu cevaplamaz.

- **Başka bütçeler.** Bir kanalı kapatmak, kanalın mevcut harcamadaki değerini söyler. Bir sonraki 1.000 €'nun ne getireceğini söylemez.
- **Başka zamanlar.** Etkiler mevsimle, kreatifle ve rekabetle değişir. Geçen bahardan bir deney, geçen bahar hakkında kanıttır.
- **Başka kanallar.** Kanalları tek tek test etmek aralarındaki etkileşimleri kaçırır; 3. bölüm bunların büyük olabileceğini gösterdi.

Varian (2016), iş kararlarının tam olarak bu karşı-olgusal akıl yürütmeyi gerektirdiğini ve mümkün olduğunda deneylerin ona giden en doğrudan yol olduğunu genel olarak savunuyor. Pratik sorun şu: bir işletme her kanal için, her bütçe düzeyinde, her ay deney yapamaz.

### Bu bölümün sınırı

Deneyler yereldir ve pahalıdır. Bir bütçe kararı tek bir kanal için açık/kapalı cevabından fazlasını gerektirir: harcama arttıkça getirinin nasıl değiştiğini, etkilerin ne kadar sürede geldiğini ve kanalların nasıl etkileştiğini bilmek gerekir. 6. bölüm bütçenin kanıtı nasıl izlemesi gerektiğini soruyor.

### Kaynaklar

- Abadie, A. (2021). Using synthetic controls: Feasibility, data requirements, and methodological aspects. *Journal of Economic Literature*, 59(2), 391–425. doi:10.1257/jel.20191450
- Braun, M., & Schwartz, E. M. (2025). Where A/B testing goes wrong. *Journal of Marketing*, 89(2), 71–95. doi:10.1177/00222429241275886
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. *Annals of Applied Statistics*, 9(1), 247–274. doi:10.1214/14-AOAS788
- Johnson, G. A., Lewis, R. A., & Nubbemeyer, E. I. (2017). Ghost ads: Improving the economics of measuring online ad effectiveness. *Journal of Marketing Research*, 54(6), 867–884. doi:10.1509/jmr.15.0297
- Kohavi, R., Tang, D., & Xu, Y. (2020). *Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing*. Cambridge University Press. doi:10.1017/9781108653985
- Lewis, R. A., & Rao, J. M. (2015). The unfavorable economics of measuring the returns to advertising. *Quarterly Journal of Economics*, 130(4), 1941–1973. doi:10.1093/qje/qjv023
- Meta. GeoLift: open-source geo experimentation. https://github.com/facebookincubator/GeoLift
- Varian, H. R. (2016). Causal inference in economics and marketing. *Proceedings of the National Academy of Sciences*, 113(27), 7310–7315. doi:10.1073/pnas.1510479113

---

## 6. Bölüm · Bütçe kararları kanıtı nasıl izlemeli?

**Temel bulgular**

- TV reklamı veren 288 markanın %80'inden fazlasında marjinal getiri negatifti; oysa toplam getiri yaklaşık üçte birinde pozitifti (Shapiro ve ark., 2021). [Gözlemsel]
- Attribution payı, bir medyanın marjinal etkinliği ile geçmiş temas miktarının çarpımıyla orantılıdır; kârı en yükseğe çıkaran bütçe ise geçmiş temasa bağlı değildir (Danaher ve van Heerde, 2018). [Model]
- İki medya birbirini güçlendirdiğinde en iyi tepki toplam harcamayı artırmak ve bütçenin bir kısmını daha az etkili medyaya kaydırmaktır (Naik ve Raman, 2003). [Model, pazar verisi]
- Medya karması modellerinde tahmin edilen en iyi karma, alttaki parametreler belirsiz olduğu için geniş ölçüde değişebilir (Jin ve ark., 2017). [Model]

**Kısa cevap.** Bütçe marjinal getiriyi izlemeli: bir kanala harcanan bir sonraki euronun toplam kâra kattığını. Çoğu raporun gösterdiği ortalama reklam harcaması getirisi, zaten harcanmış euroları betimler. Doygunluk marjı ortalamanın altına çeker, gecikmeli etkiler kısa pencerelerde marjı olduğundan küçük gösterir ve sinerji bir kanalın marjını diğerlerine bağlı kılar. Kanıt zayıfken en iyi karar çoğu zaman mevcut bütçeyi korumak ve test etmektir.

### Ortalama ve marjinal getiri arasındaki fark nedir?

**Ortalama reklam harcaması getirisi, bir kanala yazılan tüm ciroyu o kanala harcanan tüm paraya böler. Marjinal getiri, bir sonraki harcama biriminden gelen ek kârdır.** Bütçe kararları her zaman bir sonraki birimle ilgilidir: para eklemek, kesmek ya da kaydırmak. Bu yüzden ortalama, doğru ölçülmüş olsa bile, karar için yanlış sayıdır.

Sekizinci bölümdeki testten bir deney ikisinin ne kadar ayrışabileceğini gösteriyor.

Bir mağaza 8 hafta boyunca X ve Y kanallarının haftalık bütçelerini rastgele, her birini 2.000 € ya da 3.000 € olarak ayarladı. Ortalama haftalık mağaza cirosu:

| Şu haftalarda | Ciro |
| --- | --- |
| X 2.000 € | 40.100 € |
| X 3.000 € | 41.300 € |
| Y 2.000 € | 39.300 € |
| Y 3.000 € | 42.100 € |

Platformun raporladığı ROAS: X 5,0, Y 3,0. Cironun yarısı reklam maliyetleri öncesi kâr.

- X'e ek 1.000 €: +1.200 € ciro → +600 € kâr → harcamadan sonra **400 € zarar**
- Y'ye ek 1.000 €: +2.800 € ciro → +1.400 € kâr → **400 € kazanç**

*Örnek.*

Ortalama getirisi yüksek olan kanal, bir sonraki euro için daha kötü yerdir. Bu, ölçeği büyütülmüş bir kanal için olağan durumdur: en iyi kitlelerine ilk önce ulaşılmıştır; bu yüzden ortalaması yüksek kalırken marjı düşer.

Bu sıralamadan ne kadar emin olunabilir? Dört bütçe bileşiminin her birinin 8 haftanın 2'sine düştüğünü ve haftalık cironun beklenen düzeyi etrafında 500 € standart sapmayla oynadığını varsayalım. O zaman her kanalın etkisi 4 haftayı 4 haftayla karşılaştırır:

- Her kanalın etkisinin standart hatası: 500 € × √(1/4 + 1/4) ≈ 354 €; %95 aralık yaklaşık ±690 €
- X: +1.200 € ciro (510 € ile 1.890 € arası) → ek harcamadan sonra yaklaşık −750 € ile −50 € arası
- Y: +2.800 € ciro (2.110 € ile 3.490 € arası) → ek harcamadan sonra yaklaşık +50 € ile +750 € arası
- Y eksi X: +1.600 € ciro, standart hata 500 € → 620 € ile 2.580 € arası

Yalnızca 8 haftalık veriyle, 1,96 yerine 2,57 ile çarpan t dağılımına dayalı aralık yaklaşık %30 daha geniştir. O zaman Y'nin kendi kazancı sıfırın biraz altına inebilir, ama Y yine X'i geçer. Sıralama kârdan daha kesindir. *500 € açıklayıcı bir varsayım; testin 2. vakası yalnızca ortalamaları veriyor.*

![Çubuk grafik: platformun raporladığı reklam harcaması getirisi X kanalı için 5,0, Y kanalı için 3,0.](https://storage.googleapis.com/meerkads-media/media%2Fortalama-roas-x-ve-y-kanali.webp)

*Şekil 6.1.* Ortalama getiri harcanmış euroları anlatır. Şekil 6.2 sıradaki euroyu gösteriyor. Kaynak: 8. bölümdeki testte kullanılan örnek.

![Ayrışan çubuk grafik: rastgele bütçe testinde X kanalına eklenen 1.000 € reklam maliyeti sonrası −400 €, Y kanalına eklenen +400 € kâr getiriyor.](https://storage.googleapis.com/meerkads-media/media%2Fmarjinal-getiri-siradaki-1000-euro.webp)

*Şekil 6.2.* 8 hafta boyunca rastgele 2.000 € ya da 3.000 €'ya ayarlanan haftalık bütçelerden; cironun yarısı reklam öncesi kâr. Yüksek ortalama, sıradaki euro için daha kötü yerdir. Kaynak: 8. bölümdeki testte kullanılan örnek.

### Harcama arttıkça marj neden düşer?

Doygunluk yüzünden. Bir kanala harcanan ilk eurolar en duyarlı kitlelere en düşük maliyetle ulaşır. Ek eurolar daha az ilgili, ulaşması daha pahalı ya da zaten ulaşılmış kişilere gider. Medya karması modelleri bunu bir şekil (azalan getiri) eğrisiyle yakalar (Jin ve ark., 2017).

Shapiro ve arkadaşlarının 288 markadaki sonuçları bunun ne kadar önemli olduğunu gösteriyor. Markaların çoğunda TV reklamına harcanan son dolar maliyetinden az getirdi; oysa reklam bir bütün olarak yaklaşık üçte birinde kârlıydı (Shapiro ve ark., 2021). [Bizim okumamız] Reklamın bir bütün olarak kârlı olduğu üçte birlik grupta bile yalnızca ortalama getiriyi okuyan bir reklamveren kanalın çalıştığı sonucuna varır ve kâr ettirdiği noktayı geçtikten sonra da ölçeği büyütmeye devam eder.

![Harcamaya karşı ciroda azalan getiri eğrisi: mevcut harcamada ortalama getiri (sıfırdan eğim), marjinal getiriden (o noktadaki eğim) daha diktir.](https://storage.googleapis.com/meerkads-media/media%2Freklam-doygunluk-egrisi-ortalama-ve-marjinal-getiri.webp)

*Şekil 6.3.* İlk eurolar en duyarlı kitlelere ulaşır. Medya karması modelleri bunu bir şekil terimiyle yakalar. Kaynak: Şematik; Jin ve ark. (2017) temel alındı.

### Gecikmeli etkiler resmi nasıl bozar?

Reklam çoğu zaman gecikmeyle çalışır. Biri bugün bir video görür, üç hafta sonra satın alır. 1 ya da 7 günlük attribution pencereleri bunu kaçırır; bu yüzden etkileri geç gelen kanallar olduklarından zayıf görünür. Medya karması modelleri gecikmeyi carryover ya da adstock olarak, yani harcamadan sonra azalarak süren bir etki olarak temsil eder (Jin ve ark., 2017).

Bir mağaza YouTube'a ayda 5.000 € harcıyor. Ajans panosu, 7 günlük tıklama attribution'ıyla 6.000 € ciro gösteriyor (ROAS 1,2). Cironun yarısı kâr, yani başa baş ROAS 2,0. Geçen bahar yapılan bölgesel bir deney 5.000 € harcama başına 15.000 € artımsal ciro tahmin etti (%95 aralık 10.500 € ile 19.500 € arası); çoğu temastan 2 ila 5 hafta sonra geldi.

- Atfedilen ROAS: 1,2, başa başın altında → "kes"
- Artımsal ROAS: 3,0, başa başın üstünde → reklam maliyetinden sonra ayda yaklaşık 2.500 € kâr
- Aralığın alt ucu: ROAS 2,1, yine başa başın üstünde → ayda yaklaşık 250 € kâr

*8. bölümdeki testte kullanılan örnek. Aralık burada eklendi; testin 5. vakası yalnızca tahmini veriyor.*

Aynı kampanya, ölçüm penceresinin gecikmeyi kapsayıp kapsamamasına göre zararlı ya da kârlı görünüyor.

![2,0'da başa baş çizgili çubuk grafik: 7 günlük attribution ROAS'ı 1,2 ile başa başın altında; bölgesel deneyden artımsal ROAS 3,0 ile üstünde.](https://storage.googleapis.com/meerkads-media/media%2Fyoutube-attribution-ve-artimsal-roas-gecikme.webp)

*Şekil 6.4.* Etkinin çoğu maruziyetten 2–5 hafta sonra, 7 günlük pencerenin dışında geldi. Kaynak: 8. bölümdeki testte kullanılan örnek.

### Sinerji kararı nasıl değiştirir?

Kanallar birbirini güçlendiriyorsa, 3. bölümde görüntülü reklam ve arama için gösterildiği gibi, bir kanalın marjı diğerlerine ne kadar harcandığına bağlıdır. Naik ve Raman (2003) Dockers reklamlarında TV ile basılı reklam arasındaki sinerjiyi tahmin etti ve sezgiye aykırı bir kural çıkardı: sinerji arttıkça reklamveren toplamda daha çok harcamalı ve bütçenin bir kısmını daha az etkili medyaya kaydırmalıdır, çünkü o medya daha etkili olanın getirisini artırır. [Model, pazar verisi]

Attribution bu kuralı yakalayamaz. Her kanala sabit bir pay verir; oysa her kanalın gerçek değeri diğerlerinin bütçesiyle değişir. Danaher ve van Heerde (2018), "Delusion in Attribution" (Attribution yanılgısı) başlıklı makalelerinde ilişkili bir noktaya değiniyor: attribution payı bir medyanın marjinal etkinliği ile geçmiş temas miktarının çarpımını yansıtır; kârı en yükseğe çıkaran dağılım ise geçmiş temasa hiç bağlı değildir. Bu yüzden attribution paylarına göre bütçe dağıtmak geçen yılın planını yeniden üretme eğilimindedir.

### Kanıt belirsizken ne yapmalı?

Kararı belirsizlik altında bir seçim olarak ele alın ve belirsizliği fiyatlayın. [Bizim okumamız]

| Durum | Eldeki kanıt | Tipik doğru karar |
| --- | --- | --- |
| Güvenilir bir deney kanalın aralığın alt ucunda bile kârlı olduğunu gösteriyor | Deney, aralık başa başın üstünde | Attribution ne derse desin koru |
| Attribution ile deney çelişiyor | Deney ve attribution | Deneyi izle, sonra attribution penceresinin gecikmeli etkileri kaçırıp kaçırmadığını kontrol et |
| İki kanal tek bir bütçe artışı için yarışıyor ve bütçe düzeyi testi var | Testten marjinal getiriler | Parayı ortalaması değil marjinal getirisi yüksek olana ver |
| Yalnızca attribution var ve platform iddiaları çakışıyor | Yalnızca attribution | Bütçeyi değiştirme; kesmeden ya da büyütmeden önce test yap |
| Reklamı görenler görmeyenlerden çok daha fazla dönüşüyor | Yalnızca gözlemsel karşılaştırma | O farka dayanarak büyütme; önce holdout yap |

Son iki satır vurguyu hak ediyor. Tek kanıt attribution olduğunda bir kanalı kapatmak raporların hiç göstermediği değeri yok edebilir, bir kanalı büyütmek de parayı seçilime dökebilir. Kısa bir test genellikle iki hatadan da ucuzdur. Bir testin değeri, önlediği kararın beklenen kaybıdır.

Sekizinci bölümün testinden bir örnek ilk satırı açıklıyor.

Google Ads 9.000 € harcamayla 300 dönüşüm raporluyor; her sipariş 45 € kâr getiriyor. Aynı kampanyalarda yapılan rastgele atamalı bir lift testi, raporlanan dönüşümlerin %92'sinin reklamlardan kaynaklandığını buldu (%95 aralık %80–104).

- Merkezi tahmin: 276 artımsal sipariş × 45 € = 12.420 € kâr → harcamanın yaklaşık 3.420 € üstünde
- Alt uç: 240 sipariş × 45 € = 10.800 € → yine harcamanın yaklaşık 1.800 € üstünde

Bir danışmanın "Google zaten olacak satışları sahipleniyor" şeklindeki genel iddiası birçok durumda doğrudur, burada yanlıştır.

Her platform sayısını sabit bir oranda indirmek, her platform sayısına güvenmek kadar kestirme bir yoldur. Kararı her kanaldaki kanıt verir.

### Bu bölümün sınırı

Bu bölümdeki her kural her kanal için bir tepki eğrisi gerektirir: getirinin harcamayla nasıl değiştiği, ne kadar sürede geldiği ve diğer kanallara nasıl bağlı olduğu. Deneyler bu eğrilerin birkaç noktasını verir. Tüm seti birlikte tahmin etmek için reklamverenin bütün kanalların aynı anda modeline ve onu dürüst tutmanın bir yoluna ihtiyacı vardır. 7. bölüm attribution, deney ve modelin birlikte nasıl çalıştığını anlatıyor.

### Kaynaklar

- Danaher, P. J., & van Heerde, H. J. (2018). Delusion in attribution: Caveats in using attribution for multimedia budget allocation. *Journal of Marketing Research*, 55(5), 667–685. doi:10.1177/0022243718802845
- Jin, Y., Wang, Y., Sun, Y., Chan, D., & Koehler, J. (2017). *Bayesian methods for media mix modeling with carryover and shape effects*. Google Inc.
- Naik, P. A., & Raman, K. (2003). Understanding the impact of synergy in multimedia communications. *Journal of Marketing Research*, 40(4), 375–388. doi:10.1509/jmkr.40.4.375.19385
- Shapiro, B. T., Hitsch, G. J., & Tuchman, A. E. (2021). TV advertising effectiveness and profitability: Generalizable results from 288 brands. *Econometrica*, 89(4), 1855–1879. doi:10.3982/ECTA17674

---

## 7. Bölüm · Attribution, deney ve model birlikte nasıl çalışır?

**Temel bulgular**

- Attribution'ı 2.226 deneyle kalibre etmek, artımsal etkileri açıklama gücünü %19'dan %88'e çıkardı (Gordon ve ark., 2026). [Deney]
- Bayesçi medya karması modelleri gecikmeli ve azalan etkileri temsil edebilir, ama küçük örneklemlerde sonucu büyük ölçüde önsel varsayımlar belirler (Jin ve ark., 2017). [Model]
- Google, açık kaynak Bayesçi medya karması modeli Meridian'ı Ocak 2025'te bütün reklamverenlere açtı (Google, 2025). [Platform]
- Pazarlamacıların %85'i bütünsel yatırım getirisini ölçmekte kendinden emin olduğunu söylüyor, ama yalnızca %32'si gerçekten bütünsel ölçüyor (Nielsen, 2025). [Sektör anketi]

**Kısa cevap.** Her yöntem farklı bir soruyu farklı bir hızda cevaplar. Attribution hızlı ve yanlıdır; kanal içinde günlük yön verir. Deneyler yavaş ve yereldir; bir seferde birkaç kanal için gerçeği verir. Medya karması modelleri geniş ve varsayım yüklüdür; kanıtı bütün kanallara ve bütçelere yayar. Kalibrasyon hepsini birbirine bağlar: deneyler modeli ve attribution'ı düzeltir, model de bir sonraki deneye en çok nerede ihtiyaç olduğuna karar verir.

### Medya karması modeli nedir?

**Medya karması modeli (MMM), zaman içindeki toplam satışı her reklam kanalındaki harcamayla ve fiyat, mevsimsellik, promosyon gibi reklam dışı etkenlerle açıklayan istatistiksel bir modeldir.** Haftalık satış ve kanal bazında haftalık harcama gibi toplu veri kullanır; bu yüzden kullanıcı düzeyinde izlemeye ihtiyaç duymaz ve 2. bölümdeki izin ve attribution penceresi sorunlarından etkilenmez.

Modern MMM'ler 6. bölümün önemli olduğunu gösterdiği iki özelliği içerir. Bir carryover terimi her haftanın reklam etkisini sonraki haftalara yayar. Bir şekil terimi harcama arttıkça getirinin azalmasını sağlar. Bu eğrilerden model her kanalın hem ortalama hem marjinal getirisini hesaplayabilir (Jin ve ark., 2017).

### Medya karması modelinin sınırları nelerdir?

Ciddidirler ve modelin geliştiricileri bunları açıkça belirtiyor.

| Sınır | Neden önemli | Kaynak |
| --- | --- | --- |
| Az veri noktası | İki yıllık haftalık veri, çok sayıda parametreyi tahmin etmek için yaklaşık 100 gözlem verir | Jin ve ark. (2017); Chan ve Perry (2017) |
| Önsele bağımlılık | Küçük örneklemlerde Bayesçi önsel tahminleri güçlü biçimde şekillendirir ve yanlı kılabilir | Jin ve ark. (2017) |
| Kararsız en iyi nokta | Bir vaka çalışmasında, parametreler belirsiz olduğu için önerilen medya karması kayda değer biçimde değişti | Jin ve ark. (2017) |
| İlişkili harcama | Genellikle birlikte artırılan kanallar veriyle ayrıştırılamaz | [Bizim okumamız] |
| Özünde gözlemsel | MMM hâlâ rastgele olmayan değişkenlik üzerine bir regresyondur; 4. bölümün seçilim sorunlarını miras alır | [Bizim okumamız] |

Yine Google'dan Chan ve Perry (2017), MMM'lerin medya etkinliği hakkında tutarlı biçimde güvenilir cevaplar vermekte karşılaştığı zorlukları anlatıyor. Dürüst özet şu: MMM, varsayımları veriyle birleştirmenin yapılandırılmış bir yoludur. Değeri, varsayımların ne kadar iyi olduğuna ve ne kadar iyi denetlendiğine bağlıdır.

### Kalibrasyon ne demek?

**Kalibrasyon, deney sonuçlarını deneysel olmayan bir ölçüyü düzeltmek için kullanmaktır.** İki yönde çalışır.

1. **Modeli kalibre etmek.** Bir kanaldaki deney, o kanalın mevcut harcamadaki etkisine dair güvenilir bir tahmin verir. Bu tahmin MMM'de bilgilendirici bir önsel ya da kısıt olarak kullanılır; böylece modelin eğrisi deneysel noktanın yakınından geçmek zorunda kalır.
2. **Attribution'ı kalibre etmek.** Bir kanal için deneysel ve atfedilen dönüşümler arasındaki oran, o kanalın günlük attribution sayılarına uygulanan bir düzeltme katsayısına dönüşür.

Kalibrasyonun işe yaradığına dair en güçlü kanıt PIE çalışmasıdır. Gordon, Moakler ve Zettelmeyer (2026), 2.226 Meta deneyini kullanarak bir kampanyanın artımsal etkisini deney olmadan da elde edilebilen özelliklerden öngören bir model kurdu. Örneklem dışı R²'si 0,88 oldu; 7 günlük son tıklamanınki 0,19. [Deney; yazarlardan biri Meta çalışanı]

Platformlar da aynı yöne ilerledi. Meta'nın 2025'te getirdiği artımsal attribution, yol açılan dönüşümlerin modele dayalı bir tahminidir. Meta bunun standart attribution'a göre %24 daha fazla artımsal dönüşüm sağladığını bildiriyor; bu, platformun kendi ürünü hakkındaki bir beyanıdır (Meta, 2026). Google, açık kaynak Bayesçi MMM'si Meridian'ı Ocak 2025'te herkese açtı (Google, 2025); Meta da Robyn adlı açık kaynak bir MMM sürdürüyor.

![Çubuk grafik: 2.226 Meta deneyinde 7 günlük son tıklama dolar başına artımsal dönüşümdeki değişkenliğin %19'unu, deneylerle kalibre model %88'ini açıkladı.](https://storage.googleapis.com/meerkads-media/media%2Fkalibre-attribution-pie-yuzde-88-ve-19.webp)

*Şekil 7.1.* Örneklem dışı R² 0,19'a karşı 0,88. Son tıklama kampanyaların %12–20'sinde yanlış yönü gösterdi. Kaynak: Gordon, Moakler ve Zettelmeyer (2026), 2.226 deney. Yazarlardan biri Meta çalışanı.

### Üç yöntem birlikte nasıl çalışmalı?

| Yöntem | Cevapladığı soru | Hız | Tipik yanlılık | Sistemdeki rolü |
| --- | --- | --- | --- | --- |
| Attribution | Bir kanal içinde hangi reklamlar ve anahtar kelimeler dönüşümlerle ilişkili? | Günlük | Hedeflenmiş, huninin sonundaki reklamları abartır; izlenmeyen alıcıları kaçırır | Yön: kanal içinde günlük optimizasyon |
| Deneyler | Bu kanal, bu harcamada, bu dönemde neye yol açtı? | Haftalar | Zamanda, bütçede ve kitlede yerel | Gerçek: her şey için çapa noktaları |
| Medya karması modeli | Bütün kanallar, bütçeler ve gecikmeler nasıl birleşiyor? | Aylık ya da çeyreklik | Varsayımlara ve önsellere bağlı | Dağıtım: kanallar arasında bütçe |

Sistem bir döngü olarak çalışır. [Bizim okumamız]

1. **Model önerir.** MMM her kanalın marjinal getirisini ve belirsizliğini tahmin eder.
2. **Belirsizlik bir sonraki testi seçer.** Tahmini hem büyük hem belirsiz olan kanal ilk test edilir, çünkü hata en pahalı orada olur.
3. **Deney çapalar.** Sonuç MMM'yi günceller ve o kanalın attribution'ı için bir düzeltme katsayısı üretir.
4. **Attribution işletir.** Ekipler kalibre edilmiş attribution'la kanal içinde günlük optimizasyon yapar.
5. **Tekrarla.** Kampanyalar, mevsimler ya da kreatif değiştiğinde deneyler yenilenir.

![Beş adımlı döngü: medya karması modeli önerir, belirsizlik sıradaki testi seçer, deney modeli sabitler, kalibre attribution günlük çalışır, tekrar.](https://storage.googleapis.com/meerkads-media/media%2Folcum-dongusu-mmm-deney-attribution.webp)

*Şekil 7.2.* Attribution günlük yön, deney gerçek, model kanallara dağılım verir. Kalibrasyon onları bağlar. Kaynak: Yazarın Gordon ve ark. (2026) ile Jin ve ark. (2017) okuması.

### Bu, bir çalışma ritminde neye benzer?

| Sıklık | Faaliyet | Kanıt basamağı |
| --- | --- | --- |
| Günlük | Kampanyaları kalibre edilmiş attribution'la optimize et; anomalileri izle | 1 |
| Haftalık | Platform iddialarını mağaza cirosuyla mutabık kıl (2. bölüm) | 0 |
| Aylık | MMM marjinal getirilerini gözden geçir; bütçeleri test edilmiş aralıklarda ayarla | 3 |
| Çeyreklik | Modelin en az emin olduğu yerde bir ya da iki deney yap; yeniden kalibre et | 2 |
| Yıllık | MMM'yi yeniden tahmin et; tanımları ve pencereleri gözden geçir | 0–3 |

Yukarıda aktarılan Nielsen rakamları bunun ne kadar nadir olduğunu düşündürüyor. Pazarlamacıların çoğu bütünsel ölçtüğüne inanıyor, yaklaşık üçte biri ölçüyor (Nielsen, 2025). [Sektör anketi]

![Çubuk grafik: ankete katılan pazarlamacıların %85'i bütüncül yatırım getirisini ölçtüğünden emin; %32'si gerçekten bütüncül ölçüyor.](https://storage.googleapis.com/meerkads-media/media%2Fpazarlamacilar-emin-ama-butuncul-olcmuyor.webp)

*Şekil 7.3.* Bu bölümdeki çalışma ritmi pratikte nadirdir. Kaynak: Nielsen (2025), Annual Marketing Report. Sektör anketi.

### Bir işletme üçünü birden karşılayamıyorsa?

[Bizim okumamız] Sistem küçültülebilir. Küçük bir reklamveren en büyük kanalında çeyrekte bir bölgesel test yapabilir, sonucu o kanalın attribution'ını düzeltmek için kullanabilir ve düzeltilmemiş her kanalın attribution'ını bir tahmin olarak değil bir üst sınır olarak okuyabilir. Bu asgari versiyon bile en önemli kanal için raporlama yapısını 1. basamaktan 2. basamağa taşır.

### Bu bölümün sınırı

Burada anlatılan sistem, hiçbir ekibin tamamını okuyamayacağı kadar çok kanıt üretir: binlerce kampanya satırı, deney sonucu, model eğrisi ve düzeltme. Bu kanıtı özetlemesi ve ne yapılacağını önermesi istenen okur giderek bir yapay zekâ asistanı oluyor. 8. bölüm bir yapay zekâ analistinin payı etkiden ayırıp ayıramayacağını soruyor.

### Kaynaklar

- Chan, D., & Perry, M. (2017). *Challenges and opportunities in media mix modeling*. Google Inc.
- Google. (2025, January 29). Meridian is now available to everyone. Google Blog. [Platform]
- Gordon, B. R., Moakler, R., & Zettelmeyer, F. (2026). Predicted incrementality by experimentation (PIE) for ad measurement. arXiv:2304.06828v2.
- Jin, Y., Wang, Y., Sun, Y., Chan, D., & Koehler, J. (2017). *Bayesian methods for media mix modeling with carryover and shape effects*. Google Inc.
- Meta. (2026, January 28). Fourth quarter 2025 earnings conference call transcript. [Platform]
- Meta. Robyn: open-source marketing mix modeling. https://github.com/facebookexperimental/Robyn
- Nielsen. (2025). *2025 Annual Marketing Report*. [Sektör anketi]

---

## 8. Bölüm · Bir yapay zekâ analisti payı etkiden ayırabilir mi?

**Temel bulgular**

- Bir reklam platformundaki gerçek taleplerden kurulmuş bir kıyaslama testinde en iyi model, raporlanan doğru cevabı zamanın %76,9'unda, en zor düzeyde %61,4'ünde üretti (AD-Bench, 2026). [Kıyaslama testi]
- Saf korelasyondan nedenselliğe akıl yürütmede 17 dil modelinin çoğu şans düzeyine yakın performans gösterdi (Jin ve ark., 2023). [Kıyaslama testi]
- Altı vakalı testimizde modeller ipucusuz 48 denemenin 47,5'inde doğru kararı seçti. [Bizim testimiz, 48 deneme]
- Bir bölgesel test vakasına verilen ipucusuz 8 cevabın 5'inde model, yarım mağazadaki kaybı tüm mağazanın harcamasıyla karşılaştırdı. [Bizim testimiz]
- Claude Haiku 5.5 ile 120 çalıştırmalık ve iki bağımsız puanlayıcılı bir tekrarda model 720 kararın 703'ünde doğru karara vardı; hataların hepsi 1. vakadaydı. [Bizim tekrarımız, 120 deneme]

**Kısa cevap.** Testimizde, kanıt önündeyken çoğunlukla evet. Doğru cevapları bilinen altı reklam vakası verildiğinde iki dil modeli ailesi, ipucusuz 48 denemenin 47,5'inde doğru karara vardı ve payı etkiyle karıştıran önerilere istenmeden itiraz etti. Tipik hataları aritmetik ölçekti: ilk sekiz cevabın beşinde, mağazanın yarısını kapsayan bir test tüm mağazanın harcamasıyla karşılaştırıldı; 120 cevaplık bir tekrarda aynı kayma 35 cevapta görüldü. İlk çalıştırmalarda bazı cevaplar aralığa dayalı kanıtı "ispat" (proof) olarak da niteledi; tekrarda hiçbiri nitelemedi.

### Bu soru neden şimdi önemli?

Çünkü yapay zekâ asistanları reklam verisinin okuru oldu. Pazarlamacılar panoları sohbet asistanlarına yapıştırıyor, analitik ürünleri de asistanları doğrudan reklam hesaplarına bağlıyor. Asistana bu kitabın konusu olan soru soruluyor: reklam neye yol açtı ve ne yapmalıyız?

Bir asistan iki şekilde başarısız olabilir. Raporun yazdığı payı etki gibi tekrarlayabilir; bu, 2–4. bölümlerin hatalarını otomatikleştirir. Ya da her sayıya güvenmeyebilir; bu da deneyler gibi iyi kanıtları çöpe atar. Yararlı bir analist bu kitabın anlattığını yapmalıdır: her kanıtı merdivenin doğru basamağına yerleştirmek ve buna göre karar vermek.

### Mevcut araştırma ne diyor?

| Çalışma | Neyi ölçüyor | İlgisi |
| --- | --- | --- |
| AD-Bench (2026) | Bir reklam platformunda gerçek analitik talepleri cevaplayan dil modeli ajanları | En iyi model %76,9 Pass@1, en zor düzeyde %61,4. Doğru, raporlanan sayı demek; nedensel olarak geçerli bir sonuç değil |
| Jin ve ark. (2023), CORR2CAUSE | Korelasyon ifadeleri kümelerinden nedensel ilişki çıkarmak; 200.000+ örnek, 17 model | Modellerin çoğu şansa yakın; ince ayar, değiştirilmiş sorulara genellenmedi |
| Kıcıman ve ark. (2023) | GPT-3.5 ve GPT-4 ile nedensel akıl yürütme görevleri | İkili nedensel keşifte %97, karşı-olgusal akıl yürütmede %92, olay nedenselliğinde %86; öngörülemeyen hatalarla. Modeller veriden değil metinden akıl yürütüyor |

İki nedensellik çalışması zıt yönleri gösteriyor ve aradaki fark öğretici. Dil modelleri nedensel bilgi öğrendikleri kelimelerle ifade edildiğinde iyi, nedenselliği korelasyonlardan biçimsel olarak çıkarmaları gerektiğinde kötü performans gösteriyor. Reklam analizi ikisine de ihtiyaç duyar.

225 arXiv kaydı ile birkaç dergi ve sektör kaynağında yaptığımız yapılandırılmış taramada, bir yapay zekâ analistinin reklam verisinden vardığı sonuçların, gerçek etkinin bilindiği senaryolarda nedensel olarak geçerli olup olmadığını sınayan bir çalışma bulamadık. AD-Bench en yakın olanı, ama raporlanan sayıyı puanlıyor. Bu bölüm o soruya dair ilk testi raporluyor.

### Nasıl test ettik?

Her biri bir çevrimiçi mağazanın verisinin kısa bir anlatımı ve mağaza sahibinden, bir ajanstan ya da bir danışmandan gelen bir öneri içeren altı vaka yazdık. Her vaka bu kitaptaki tuzaklardan birini içeriyor ve her birinin veriden çıkan doğru bir kararı var.

| Vaka | Tuzak | Bölüm | Doğru karar |
| --- | --- | --- | --- |
| 1 | Platform iddiaları mağaza cirosunu aşıyor; sahip bütçeyi platform ROAS'ına göre kaydırmak istiyor | 2 | Henüz kaydırma; önce artımsallığı test et |
| 2 | Rastgele atamalı bütçe testinde ortalama ROAS daha yüksek, marjinal getiri daha düşük | 6 | Ek bütçeyi marjinal getirisi yüksek kanala ver |
| 3 | Son tıklama Instagram'a 5 sipariş yazıyor; rastgele bölgesel durdurma, kısmen arama üzerinden günde yaklaşık 50 sipariş getirdiğini gösteriyor | 3, 5 | Instagram'ı koru |
| 4 | Kontrol vakası: bir lift testi Google'ın raporladığı dönüşümlerin çoğunu doğruluyor; bir danışman "kapat" diyor | 6 | Google Ads'i koru |
| 5 | Atfedilen ROAS başa başın altında; bir deney gecikmeli etkilerin üstünde olduğunu gösteriyor | 6 | YouTube'u koru |
| 6 | Yeniden hedeflenen ziyaretçiler 4 kat dönüşüyor; ajans bütçeyi ikiye katlamak istiyor | 4, 5 | Büyütme; önce holdout yap |

Vakalar, iki yaygın kestirmenin ikisi de başarısız olacak şekilde dengelendi. Platform sayılarına güvenen bir model 1, 3, 5 ve 6. vakalarda başarısız olur. Her platform sayısını indiren bir model 4 ve 5. vakalarda başarısız olur.

Vaka 3, Instagram'a bilerek büyük bir etki veriyor: mağaza siparişlerinin yaklaşık yarısı. Yayımlanmış deneyler çok daha küçük etkiler buluyor; 5. bölüm aynı tasarımı gerçekçi bir etkiyle işliyor ve orada 14 günlük test kararı netleştiremiyor. Vaka etkinin büyüklüğünü değil, aritmetiğin iki adımını sınıyor.

İstemin üç versiyonunu çalıştırdık:

- **v1:** hesaplanmış değerlerle çoktan seçmeli seçenekler;
- **v2:** sabit bir karar listesi ve "karar vermek için veri yeterli mi?" alanı;
- **v3:** seçenek ve alan yok. Model sahibe iki üç cümle yazıyor.

Üçüncü versiyon teste ya da bir "bekle" seçeneğinin varlığına işaret eden her ipucunu kaldırıyor. Aşağıda raporlanan versiyon budur. Modeller Claude Haiku 5.5 (her versiyon için üç bağımsız çalıştırma, araç yok, cevap anahtarına erişim yok) ve Google Gemini idi (v3'ün beş çalıştırması, her biri yeni bir sohbette, Kasım 2026'da sunulduğu biçimiyle tüketici uygulaması üzerinden). Cevaplar yazar tarafından anahtara göre puanlandı.

![Altı test vakası matrisi: her platform sayısına güvenmek 1, 3, 5 ve 6. vakalarda; her platform sayısını indirmek 4 ve 5. vakalarda başarısız olur.](https://storage.googleapis.com/meerkads-media/media%2Fyapay-zeka-analisti-test-vakalari-kestirmeler-basarisiz.webp)

*Şekil 8.1.* Altısını da yalnızca her kanıtı doğru basamağa yerleştiren okur geçer. 4. vaka kontrol vakasıdır. Kaynak: Bizim testimiz, 8. bölüm ve Ek D.

### Modeller ne yaptı?

| Versiyon | Model | Çalıştırma | Doğru karar |
| --- | --- | --- | --- |
| v1 (seçenekler) | Claude Haiku 5.5 | 3 | 18/18 |
| v2 (karar listesi) | Claude Haiku 5.5 | 3 | 18/18 |
| v3 (serbest metin) | Claude Haiku 5.5 | 3 | 18/18 |
| v3 (serbest metin) | Gemini | 5 | 29,5/30 |
| v3 (serbest metin), tekrar | Claude Haiku 5.5 | 120 | 703/720 |

**1. bulgu: kanıt görünür olduğunda yön doğru.** İpucusuz her çalıştırmada iki model de çakışan platform iddialarına dayanarak bütçeyi kaydırmayı reddetti (vaka 1) ve 4 kat farka dayanarak yeniden hedeflemeyi büyütmeyi reddetti (vaka 6). İstenmeden holdout ya da bölgesel test önerdiler. Danışmanın genel iddiasına karşı Google Ads'i korudular (vaka 4) ve YouTube için 7 günlük attribution'ı değil deneyi kullandılar (vaka 5). İpuçlarını kaldırmak puanları değiştirmedi; bu, vakaların kanıtı modelleri ayırt edemeyecek kadar açık gösterdiğini düşündürüyor. [Bizim okumamız] Aşağıda raporlanan daha büyük bir Haiku tekrarı, 1. vakanın her çalıştırmada çözülmediğini gösterdi.

**2. bulgu: aritmetik ölçek bozuluyor.** Vaka 3, 5. bölümde anlatılan iki adımı gerektiriyor: kontrol bölgelerindeki değişimi çıkarmak ve yarım mağaza sonucunu tüm mağazaya ölçeklemek.

| Cevabın hesapladığı | Cevap (8 içinden) |
| --- | --- |
| Tüm mağaza kaybı, kontrole göre düzeltilmiş (günde yaklaşık 1.000 €) | 1 |
| Tüm mağaza kaybı, kontrole göre düzeltilmemiş (960 €) | 1 |
| Yalnızca yarım mağaza kaybı (480–500 €), tüm mağaza harcamasıyla (400 €) karşılaştırılmış | 5 |
| Hesap yok | 1 |

Karar yine doğruydu, çünkü 480–500 € 400 €'yu aşıyor. Günlük harcama 600 € olsaydı aynı karşılaştırma yanlış yönü gösterirdi. Aşağıdaki Haiku tekrarında 400 €'da 120 cevabın 35'i bu karşılaştırmayı yaptı; harcamayı 600 €'ya çıkardığımızda yalnızca 6'sı yaptı ve hiçbiri Instagram'ı kapatmadı.

**3. bulgu: bir nedensel yanlış okuma.** Bir Gemini cevabı, durdurulan bölgelerdeki arama tıklaması düşüşünü Instagram'ın etkisini "ayırt etmeyi zorlaştıran" bir karıştırıcı olarak ele aldı ve yeni bir deney istedi. Arama tıklamalarındaki düşüş Instagram'ın etkisinin bir parçasıdır; 3. bölümdeki tamamlayıcılık. Yarım puan alan tek cevap buydu.

**4. bulgu: aşırı kendinden emin dil.** Birkaç cevap bir deneyin bir etkiyi "ispatladığını" söyledi; aralığı %80'den %104'e uzanan bir lift tahmini için bile. 1. bölüm reklam deneylerinin neden nadiren bir şeyi kesin biçimde ispatladığını gösterdi. Bir cevap ise tam aralığı raporladı ve kararın alt uçta bile geçerli olduğunu gösterdi. Aşağıdaki Haiku tekrarında hiçbir cevap kanıtı ispat olarak nitelemedi.

![48 kareden 47'si dolu, biri yarı dolu ızgara: Claude Haiku 5.5 ve Gemini ipucusuz 48 denemenin 47,5'inde doğru karara vardı.](https://storage.googleapis.com/meerkads-media/media%2Fyapay-zeka-analisti-testi-48de-47-5-dogru.webp)

*Şekil 8.2.* Altı vaka, ipucusuz istem (3. versiyon): Claude Haiku 5.5 üç, Gemini beş çalıştırma. Temiz vakalarla bir test; sonuçlar bir üst sınırdır. Kaynak: Bizim testimiz, 8. bölüm ve Ek D. Puanlama yazara ait.

![Bölgesel test vakasına sekiz cevap: beşi yarım mağaza kaybını tüm mağaza harcamasıyla karşılaştırdı; biri doğru ölçekledi, biri kontrolsüz ölçekledi, birinde hesap yok.](https://storage.googleapis.com/meerkads-media/media%2Fyapay-zeka-analisti-yarim-magaza-olcek-hatasi.webp)

*Şekil 8.3.* Karar yine doğruydu, çünkü 480–500 € 400 €'yu aşıyor. Günlük harcama 600 € olsaydı aynı karşılaştırma yanlış yönü gösterirdi; bu versiyonun Haiku çalıştırmasında 120 cevabın 6'sı bu karşılaştırmayı yaptı ve hiçbiri Instagram'ı kapatmadı. Kaynak: Bizim testimiz, 8. bölüm ve Ek D.

### Sonuç daha büyük bir çalıştırmada da tuttu mu?

Üçüncü versiyonu 18 Kasım 2026'da Claude Haiku 5.5 ile tekrarladık: 120 bağımsız çalıştırma, cevaplardan önce sabitlenmiş bir puanlama anahtarı ve birbirinin puanını görmeyen iki bağımsız model puanlayıcı (Claude Haiku 5.5 ve Claude Sonnet 5.5). Anlaşmazlıklar her cevap okunarak çözüldü. Çalıştırmalar düz bir sohbette değil bir ajan ortamında yapıldı; Haiku sürümü yalnızca çalıştırma tarihiyle sabit. [Bizim tekrarımız]

| Vaka | Doğru karar (120 içinden) |
| --- | --- |
| 1 | 103 |
| 2–6 | her biri 120 |
| Toplam | 703/720 |

Üç sonuç ilk sekiz çalıştırmadan farklı.

- **1. vaka her seferinde çözülmüyor.** 1. vaka burada raporlanan iki Haiku çalıştırmasında da aynıydı: aşağıdaki 600 €'luk çalıştırma dahil 240 cevap. 240 cevabın 22'sinde model platform iddialarının mağaza cirosunu aştığını gördü, sonra bütçenin bir kısmını hemen kaydırmayı ya da kesmeyi önerdi, çoğunlukla mağaza cirosunu izleyerek: kontrolsüz bir önce-sonra karşılaştırması. Test diye sunulan kaydırmanın ne kadar sıkı okunduğuna göre sayı 16 ile 22 arasında. Yüzde 9 civarında bir hata oranında üç çalıştırmanın üçünün de temiz çıkma olasılığı yaklaşık dörtte üçtür; ilk 18/18 bu sonuçla tutarlı.
- **Yarım mağaza kayması yaygın ama çoğunluk değil.** 120 cevabın 41'i doğru ölçekleyip düzeltti, 26'sı kontrol düzeltmesi olmadan ölçekledi, 35'i yarım mağaza kaybını tüm mağaza harcamasıyla karşılaştırdı, 18'i başka bir yol izledi. Bunların çoğu yarım mağaza kaybını yarım mağaza harcamasıyla (200 €) karşılaştırdı; bu da doğru. 35 cevabın yaklaşık sekizi karşılaştırmayı bilerek bir alt sınır olarak sundu ("yalnızca mağazanın yarısında"); altısı ise Instagram'ın kâr payının ince olduğu sonucuna vardı, oysa ölçeklenmiş sonuç 400 € harcamaya karşı yaklaşık 1.000 € kâr.
- **Hiçbir Haiku cevabı kanıtı ispat olarak nitelemedi.** Kelimeyi kullanan cevaplar "ispat değil" dedi. 4. vakada 120 cevabın 116'sı kararı lift aralığının %80'lik alt ucunda da kontrol etti.

**Kayma kararı değiştirecek olsaydı ne olurdu?** Ardından istemde tek bir değişiklikle 120 Haiku cevabı daha aldık: 3. vakada Instagram'ın günlük harcaması 400 €'dan 600 €'ya çıktı; böylece yarım mağaza kaybını tüm mağaza harcamasıyla karşılaştırmak Instagram'ı kapatmayı işaret edecekti. Puanlama anahtarı ve iki puanlayıcı aynıydı; çalıştırmadan önce bir karar kodu ve bir aritmetik kodu daha eklendi. Yarım mağaza karşılaştırmasını yalnızca 120 cevabın 6'sı yaptı; 400 €'da bu sayı 35'ti. 120 cevabın 115'i Instagram'ı sürdürdü, 2'si azaltmayı önerdi, 3'ü karar vermeden önce yeni bir test istedi, hiçbiri kapatmadı. Azaltmayı öneren iki cevap da kaymayı yapan altı cevabın arasındaydı. Gemini 600 €'da yeniden test edilmedi. [Bizim tekrarımız]

İlk sekiz cevap iki model ailesini karıştırıyordu; tekrar Haiku'nun oranlarını gösteriyor, Gemini'nin sonuçlarını düzeltmiyor. Puanlayıcılar ikinci bir insan değil dil modeliydi. Ham uyumları kararlarda %97–100, 3. vakanın aritmetik kodunda %78 oldu.

### Test neyi gösteriyor, neyi göstermiyor?

[Bizim okumamız] Güncel modellerin, kanıtı görünür temiz vakalar verildiğinde bu kitabın ana ayrımlarını uyguladığını gösteriyor: mağaza toplamına karşı platform iddiaları, marjinal getiriye karşı ortalama getiri, artımsal etkiye karşı atfedilen etki, nedenselliğe karşı hedeflemeden doğan korelasyon. Zayıf noktalarının nicel aktarım olduğunu gösteriyor: "testin ölçtüğü"nden "bu işletme için ne anlama geldiği"ne geçiş.

Modellerin gerçek raporlarda nasıl performans gösterdiğini göstermiyor; orada belirleyici olgu düzinelerce satırın arasına gömülüdür, birkaç tuzak bir arada bulunur ve hangi sayının önemli olduğunu hiçbir şey söylemez. Bizim vakalarımız belirleyici kanıtı birkaç cümleye koydu. Sonuçlar bu yüzden bir üst sınırdır.

**Sınırlamalar.** Testte yazarın yazdığı altı vaka, iki model ailesi, üçüncü versiyonda sekiz çalıştırma ve ilk çalıştırmalarda tek kişinin puanlaması var; Haiku tekrarında iki model puanlayıcı kullanıldı, ama ikinci bir insan yok. ChatGPT planlandı ama test edilmedi. Gemini'nin tüketici versiyonu belirli bir model sürümüne sabitlenmedi. Yazarın şirketi yapay zekâ asistanlarını kullanan analitik araçlar geliştiriyor; bu, sonuçları dikkatle okumak için bir neden ve tam istemlerin ve cevap anahtarının Ek D'de yayımlanmasının nedeni.

Bir sonraki adım daha zor bir test: kanıtın içine gömüldüğü gerçekçi çok kanallı raporlar, birleşik tuzaklar ve yarım mağaza tuzağının 600 €'luk versiyonunun başka model ailelerinde çalıştırılması.

### Reklam verisinde bir yapay zekâ analistini nasıl kullanmalı?

[Bizim okumamız] Altı talimat bulguları pratiğe çevirir.

1. **Mağaza toplamını verin.** Onsuz model çakışan platform iddialarını fark edemez.
2. **Basamağı sorun.** Her iddia için bir platform raporundan mı, bir attribution modelinden mi, bir deneyden mi yoksa bir modelden mi geldiğini sorun.
3. **Eksik dünyayı sorun.** Reklamlar olmasaydı ne olacağını ve cevabın bunu nereden bildiğini sorun.
4. **Ölçeği kontrol edin.** Bir test kitlenin bir kısmını ya da bazı bölgeleri kapsadıysa, sonucun toplam harcamayla karşılaştırılmadan önce ölçeklendiğini kontrol edin.
5. **Aralığı isteyin.** Yalnızca merkezi tahminde geçerli olan bir karar, aralık boyunca geçerli olandan daha zayıftır.
6. **"İspatlar"ı bir uyarı sayın.** Reklam kanıtı nadiren ispattır. Öyle diyen bir analist bir adımı atlamıştır.

### Bu bölümün sınırı

Bir yapay zekâ analisti merdivende ancak kendisine verilen kanıtın ulaştığı yere kadar çıkabilir. Raporlama yapısında yalnızca attribution varsa, en iyi analist yalnızca bunu söyleyebilir ve bir test önerebilir. Tavanı okur değil merdiven belirler. Sonuç bölümü kitabın argümanını on iki önermede topluyor.

### Kaynaklar

- Hu, L., Sun, Y., Xia, T., Li, W., Xu, M., Xu, L., Wang, S., Xu, W., Jiang, J., et al. (2026). AD-Bench: A real-world, trajectory-aware advertising analytics benchmark for LLM agents. arXiv:2602.14257.
- Jin, Z., Liu, J., Lyu, Z., Poff, S., Sachan, M., Mihalcea, R., Diab, M., & Schölkopf, B. (2023). Can large language models infer causation from correlation? arXiv:2306.05836.
- Kıcıman, E., Ness, R., Sharma, A., & Tan, C. (2023). Causal reasoning and large language models: Opening a new frontier for causality. arXiv:2305.00050.

---

## Sonuç · On iki önerme

Her önerme tek başına anlaşılır ve kanıtının anlatıldığı bölümü gösterir.

![On iki önermenin yerleştiği beş katlı merdiven: 1–2 fark, 3–5 kayıt, 6–8 ilişki, 9–11 müdahale, 12 bütünleştirme ve yapay zekâ okuru.](https://storage.googleapis.com/meerkads-media/media%2Fon-iki-onerme-kanit-merdiveninde.webp)

*Şekil 9.1.* 1–2. önermeler iki dünya arasındaki farkta, 3–5 kayıt basamağında, 6–8 ilişki basamağında, 9–11 müdahale basamağında, 12 ise bütünleştirme basamağında, yapay zekâ okuruyla birlikte durur. Kaynak: Bu kitap.

**1. Bir reklamın etkisi iki dünya arasındaki farktır ve bir rapor bunlardan yalnızca birini gösterir.** Pay, bir raporun bir satıştan reklama yazdığı kısımdır. Etki, reklam olmasaydı kaybolacak kısımdır. Her ölçüm yöntemi eksik dünyayı tahmin etmenin bir yoludur, ya da tahmin etmeye hiç çalışmamanın. *(1. bölüm)*

**2. Reklam etkileri satışlardaki gürültüye göre küçüktür.** Tipik esneklikler 0,1 ile 0,2 civarındadır ve tek bir kampanyanın getirisine ait güven aralıkları çoğu zaman 100 yüzde puanından geniştir. Çok büyük bir raporlanan getirinin etkiden çok seçilimi yansıtma olasılığı daha yüksektir. *(1. bölüm)*

**3. Raporlanan bir dönüşüm, bir tanım altında yapılmış bir iddiadır.** Olay, kişiye bağlantı ve zaman penceresi birer tercihtir. Bir platform bunları değiştirdiğinde hiçbir müşteri değişmemişken sayı değişir. *(2. bölüm)*

**4. Platform iddiaları mağaza cirosunu aştığında getiri rakamları karşılaştırılamaz.** Her platform ortak satışları kendine yazar; bu yüzden ROAS'ı aynı cironun çakışan ve bilinmeyen bir payı üzerinden hesaplanır. *(2. bölüm)*

**5. Reklamı satan, ona notu da verir.** Platform sayıları platform beyanlarıdır: çoğu zaman eldeki en iyi veri, ama hiçbir zaman bağımsız kanıt değil. *(2. bölüm)*

**6. Attribution payı bir kurala göre böler; kanallar etkileştiğinde tek ve doğal bir bölüşüm yoktur.** Birbirini güçlendiren kanalların nedensel etkileri birlikte ürettikleri satışların %100'ünden fazlasına ulaşır; aynı alıcılar için yarışan kanallarınki daha azına. Her attribution modeli toplamı %100'e zorlar; nedensel bir bölüşüm ancak etkileşimlerin nasıl paylaştırılacağını belirten varsayımlarla kurulabilir. *(3. bölüm)*

**7. Gözlemsel tahminler reklam etkilerini abartma eğilimindedir, çoğu zaman birkaç kat.** Abartma, yeniden hedefleme ve marka araması gibi hedeflemenin en güçlü olduğu yerde en büyüktür; daha iyi veri ya da daha iyi algoritmalar onu ortadan kaldırmaz. *(4. bölüm)*

**8. Bir değişimin yerini bulmak onu açıklamak değildir.** Bir değişimi hacim, karma ve orana ayırmak nerede olduğunu gösterir. Yalnızca bir müdahale nedenini gösterir. *(4. bölüm)*

**9. Rastgele atama, paydan etkiye giden en doğrudan yoldur.** Ghost ads ve bölgesel deneyler onu karşılanabilir kılar. Bir test sonucu, toplam harcamayla karşılaştırılmadan önce kontrol grubundaki harekete göre düzeltilmeli ve tüm işletmeye ölçeklenmelidir. *(5. bölüm)*

**10. Bütçe ortalamayı değil marjinal getiriyi izlemelidir.** Doygunluk marjı ortalamanın altına çeker, gecikmeli etkiler onu kısa pencerelerden gizler, sinerji de her kanalın marjını diğerlerine bağlar. *(6. bölüm)*

**11. Kanıt zayıfken bütçeyi koruyun ve test edin.** Her platform sayısına güvenmek de her platform sayısını indirmek de kestirmedir. Kararı her kanaldaki kanıt verir; kısa bir test çoğu zaman önlediği hatadan ucuzdur. *(6. bölüm)*

**12. Attribution yön, deney gerçek, model dağıtım verir; kalibrasyon da onları bağlar. Bir yapay zekâ analisti ancak bu kanıtın ulaştığı yere kadar çıkabilir.** Testimizde dil modelleri kanıt görünür olduğunda bu ayrımları uyguladı; zayıf noktaları aritmetik ölçekti. *(7. ve 8. bölüm)*

### Büyük reklamverenlerden küçük bir çevrimiçi mağazaya ne taşınır?

[Bizim okumamız] Bu kitaptaki kanıtların çoğu büyük reklamverenlerden geliyor: büyük ABD perakendecileri ve aracı kurumlarıyla yapılan 25 deney (Lewis ve Rao, 2015), 663 ve 2.226 Meta deneyi (Gordon ve ark., 2023; Gordon ve ark., 2026), eBay'in ulusal arama reklamları (Blake ve ark., 2015) ve ABD televizyonundaki 288 tüketim markası (Shapiro ve ark., 2021). Küçük bir çevrimiçi mağaza büyüklükte, alıcıların onu ne kadar tanıdığında ve kullandığı kanallarda farklıdır. Üç tür bulgu farklı ölçüde taşınır.

**Mekanizmalar taşınır.** Hedefleme zaten alacak olanları seçer, platformlar ortak satışları kendilerine yazar, bölgesel test kontrol grubuna göre düzeltilip tüm işe ölçeklenmelidir ve ortalama getiri marjinal getiriden farklıdır. Bunların hiçbiri reklamverenin büyüklüğüne bağlı değildir. Reklamların nasıl dağıtıldığından ve raporların nasıl kurulduğundan çıkarlar; aynı platformlardan reklam alan küçük bir mağaza da onları miras alır.

**Etki büyüklükleri doğrudan taşınmaz.** %5'lik medyan artış, 1960–2008 arasında yayımlanmış çalışmalardan çıkan 0,12'lik ortalama esneklik (Sethuraman ve ark., 2011) ve eBay'in −%63'lük getirisi kendi örneklemlerini anlatır. Shapiro'nun ve Lodish'in tahminleri televizyonda reklamı yapılan hızlı tüketim ürünlerinden ve yerleşik ürünlerden geliyor; eBay'in arama harcamasının çoğu da satın almaları reklama bağlı olmayan sık eBay kullanıcılarına ulaştı (4. bölüm). Az tanınan bir mağaza, başka türlü onu bulamayacak daha çok alıcıya ulaşabilir; bu, etkilerini eBay'inkinden büyük kılardı. Bu kitabın kullandığı kaynaklar bunun küçük mağazalar için geçerli olup olmadığını ölçmüyor.

**Gürültü sorunu büyür.** Lewis ve Rao'nun deneyleri büyük perakendecilerle 2,8 milyon dolarlık reklamı kapsıyordu ve medyan aralıkları yine de 100 yüzde puandan genişti. Kesin sonuç veren bir deney 10 milyon kişi-haftadan fazla veri gerektirebilir (1. bölüm); bu, küçük bir mağazanın trafiğinin çok ötesindedir. Pratik cevap, daha büyük değişiklikleri test etmek (örneğin bütün bir kanalı durdurmak), testleri daha uzun tutmak ve aralığı sıfıra göre değil başa başa göre değerlendirmektir; 5. bölümdeki çözülmüş örnekte olduğu gibi.

### Açık sorular

Kitabın kendi sınırları, kanıtın henüz cevaplamadığı soruları da gösteriyor.

- **Uzun vadeli marka etkisi.** Günler ya da haftalar süren testlerin görmediği hafıza, tercih ve fiyatlama gücü etkisi, karar verilebilecek kesinlikte nasıl ölçülür? *(Ön kısım; 1. bölüm)*
- **Hedeflenen kitlenin ötesi.** Platformun seçtiği kitlenin dışındaki insanlara ulaşmanın değeri, kullanıcı düzeyindeki deneylerin görüş alanına nasıl alınır? *(Ön kısım)*
- **Etkileşimlerin paylaştırılması.** Kanallar birbirini güçlendirdiğinde hangi paylaştırma varsayımları savunulabilir ve bir deney bu varsayımları nasıl sınar? *(3. bölüm)*
- **Deney sonucunun taşınması.** Tek bir kampanya, dönem ve bütçe düzeyinden gelen bir deney sonucu başka bütçelere, zamanlara ve kanallara ne ölçüde taşınabilir? *(5. bölüm)*
- **Modeli dürüst tutmak.** Bir işletme her kanalı her ay test edemezken, medya karması modelinin varsayımları hangi deneylerle ve ne sıklıkla denetlenmeli? *(7. bölüm)*
- **Gerçek raporlarda yapay zekâ analisti.** Belirleyici kanıt düzinelerce satırın arasına gömüldüğünde ve birkaç tuzak bir arada bulunduğunda dil modelleri aynı ayrımları yapabilir mi? *(8. bölüm)*
- **Attribution'ın isabeti.** Tıklamaya dayalı attribution zamanla daha az isabetli hâle geldi mi? Kitap bunu ölçülmüş bir eğilim olarak değil, hipotez olarak bırakıyor. *(Ek C)*

---

## Ekler

### Ek A · Kanıt tablosu

Bu kitapta anılan başlıca çalışmalar, kanıt merdivenindeki basamaklarına göre.

| Çalışma | Tasarım | Ölçek | Ana bulgu | Basamak | Bölüm |
| --- | --- | --- | --- | --- | --- |
| Lodish ve ark. (1995) | Split-cable TV deneyleri | 389 test | Bütçeyi rakiplere göre artırmak genelde satışı artırmıyor | 2 | 1 |
| Sethuraman ve ark. (2011) | Meta-analiz | 56 çalışma, 1.153 esneklik | Ortalama esneklik kısa vadede 0,12, uzun vadede 0,24 | 1 | 1 |
| Lewis ve Rao (2015) | Saha deneyleri | 25 deney, 2,8 milyon $ | Medyan getiri aralığı 100 puandan geniş; kesin test için 10 milyondan fazla kişi-hafta | 2 | 1, 5 |
| Shapiro ve ark. (2021) | Gözlemsel, TV | 288 marka | Markaların %80'inden fazlasında marjinal getiri negatif; toplam getiri yaklaşık üçte birinde pozitif | 1 | 1, 6 |
| Lewis, Rao ve Reiley (2011) | Plasebolu saha deneyleri | 3 deney | Etkinlik yanlılığı gözlemsel tahminleri şişiriyor | 2 | 1, 4 |
| Kraft ve ark. (2023) | Gözlemsel | Milyarlarca gösterim, 8 ülke | ATT sonrası izlenebilen ABD Apple trafiği %73'ten %22'ye düştü | 0 | 2 |
| Berman (2018) | Oyun kuramı modeli |  | Son temas gösterimi aşırı teşvik ediyor ve kârı düşürebiliyor | Model | 2, 4 |
| Blake ve ark. (2015) | Saha deneyi, eBay | Ulusal | Marka araması: tıklamaların %99,5'i organik geri geldi; marka dışı: regresyon %4.100'den fazla, deney −%63 | 2 | 3, 4 |
| Lewis ve Nguyen (2015) | Saha deneyi |  | Görüntülü reklam marka aramalarını %30–45 artırıyor | 2 | 3 |
| Anderl ve ark. (2016) | Markov attribution | 4 veri seti | Pay dağılımı son tıklamadan belirgin biçimde farklı; taşınan ve yayılan etkiler | 1 | 3 |
| Gordon ve ark. (2019) | Deney ve gözlemsel karşılaştırması | 15 deney, 1,6 milyar gösterim | Çalışmaların yarısında gözlemsel yöntemler en az 3 kat yanıldı | 2'ye karşı 1 | 4 |
| Gordon ve ark. (2023) | Deney ve gözlemsel karşılaştırması | 663 deney | Alt huni artışı %5; DML %24, eşleştirme %64 | 2'ye karşı 1 | 4 |
| Braun ve Schwartz (2025) | Analitik |  | Ayrışan teslimat platform A/B testlerini yanlı kılıyor | 2 | 4, 5 |
| Johnson ve ark. (2017) | Ghost-ad deneyleri | Günde 100 milyondan fazla hayalet reklam | Aynı hassasiyette en az 10 kat ucuz; yeniden hedefleme satın almada +%10,5 | 2 | 5 |
| Danaher ve van Heerde (2018) | Model |  | En iyi dağılım geçmiş temasa bağlı değil, attribution bağlı | Model | 6 |
| Naik ve Raman (2003) | Model, pazar verisi | Dockers | Sinerji: harcamayı artır, bir kısmını daha az etkili medyaya kaydır | 1 | 3, 6 |
| Jin ve ark. (2017) | Bayesçi MMM | Simülasyon ve vaka | Carryover ve şekil; küçük örneklemde önseller baskın | 3 | 6, 7 |
| Gordon ve ark. (2026), PIE | Deneyle kalibre edilmiş model | 2.226 deney | R² 0,88; 7 günlük son tıklama 0,19 | 3 | 3, 7 |
| Jin ve ark. (2023) | Dil modeli kıyaslama testi | 200.000+ öğe, 17 model | Korelasyondan nedenselliğe çoğu model şansa yakın | YZ | 8 |
| Hu ve ark. (2026), AD-Bench | Dil modeli ajanı kıyaslama testi | Gerçek platform talepleri | En iyi model %76,9, en zor düzey %61,4 | YZ | 8 |

### Ek B · Sözlük (Türkçe / İngilizce)

| Türkçe | İngilizce | Anlamı |
| --- | --- | --- |
| Attribution modeli | Attribution model | Bir satışın payını reklamlar ve kanallar arasında bölen kural |
| Pay | Credit | Bir raporun bir satıştan reklama yazdığı kısım |
| Etki / nedensel etki | Cause / causal effect | Reklam olmasaydı kaybolacak satışlar |
| Karşı-olgu | Counterfactual | Reklamsız dünyada ne olacağı |
| Artımsallık | Incrementality | Reklamın yol açtığı ek sonuç |
| Artımsal ROAS | iROAS | Artımsal ciro bölü harcama |
| Holdout (dışarıda tutulan grup) | Holdout | Reklam almayan, rastgele seçilmiş grup |
| Ghost ads (hayalet reklam) | Ghost ads | Reklamı görecek olan kontrol kullanıcılarını kaydetmek |
| Bölgesel deney | Geo experiment | Rastgele seçilen bölgelerde reklamı değiştirmek |
| Sentetik kontrol | Synthetic control | Müdahale görmüş birimi taklit eden, müdahale görmemiş birimlerin ağırlıklı karışımı |
| Seçilim yanlılığı | Selection bias | Reklamı gören ve görmeyen gruplar reklamdan önce farklı |
| Etkinlik yanlılığı | Activity bias | Aktif kullanıcılar hem daha çok reklam görür hem her şeyi daha çok yapar |
| Ayrışan teslimat | Divergent delivery | Platform her reklam versiyonunu farklı bir kitleye gösterir |
| Marjinal getiri | Marginal return | Bir sonraki harcama biriminden gelen kâr |
| Doygunluk | Saturation | Harcama arttıkça getirinin düşmesi |
| Gecikmeli etki | Carryover / adstock | Harcamadan sonra süren reklam etkisi |
| Sinerji / tamamlayıcılık | Synergy / complementarity | Kanalların birbirinin etkisini artırması |
| Medya karması modeli (MMM) | Media mix model | Zaman içinde toplam satışın kanal bazında harcamaya modeli |
| Kalibrasyon | Calibration | Bir ölçüyü deney sonuçlarıyla düzeltmek |
| Kanıt merdiveni | Evidence ladder | Bu kitabın ölçüm yöntemlerini sordukları soruya göre sıralaması |

### Ek C · Zaman çizelgesi, 2021–2026

| Yıl | Değişiklik | Kaynak |
| --- | --- | --- |
| 2021 | Apple ATT: izlenebilen ABD iOS trafiği yaklaşık %73'ten %22'ye düşüyor | Kraft ve ark. (2023) |
| 2023 | Google dört kurala dayalı attribution modelini kaldırıyor; 663 deneylik çalışma makine öğrenmesinin reklam etkisini gözlemsel olarak güvenilir biçimde tahmin edemediğini gösteriyor | Google; Gordon ve ark. (2023) |
| 2025 | Google Meridian herkese açık; Meta artımsal attribution | Google (2025); Meta (2026) |
| 2026 | Meta 7 ve 28 günlük görüntüleme pencerelerini döndürmeyi bırakıyor; PIE: son tıklama artımsal değişkenliğin %19'unu açıklıyor | Meta (2025); Gordon ve ark. (2026) |

[Bizim okumamız] Bu dönemde izleme zayıfladı ve platformlar payı bölmekten artımsal etkiyi tahmin etmeye geçti. Tıklamaya dayalı attribution'ın zamanla daha az isabetli hâle gelip gelmediği ölçülmüş bir eğilim değil, bir hipotezdir.

![2021–2026 zaman çizelgesi: 2021'de ATT, 2023'te GA4 değişiklikleri ve 663 deneylik çalışma, 2025'te Meridian ve artımsal attribution, 2026'da PIE.](https://storage.googleapis.com/meerkads-media/media%2Freklam-olcumu-zaman-cizelgesi-2021-2026.webp)

*Şekil C.1.* Amber: izleme ve platform değişiklikleri. Mavi: artımsallığa doğru adımlar. Attribution'ın zamanla daha az isabetli olup olmadığı bir hipotezdir. Kaynak: Kaynaklar Ek C tablosundaki gibi.

### Ek D · 8. bölümün test malzemeleri

#### D.1 İstem (3. versiyon, ipucusuz)

Sen bir pazarlama analistisin. Aşağıda altı farklı çevrimiçi mağazadan altı bağımsız vaka var. Her vaka için mağaza sahibine ne yapacağını söyle. Yalnızca verilen bilgiyi kullan. İnternette arama yapma.

**Vaka 1.** Son 30 gün. Toplam reklam harcaması 24.000 €: Meta 12.000 €, Google Ads 8.000 €, TikTok 4.000 €. Platformların raporladığı ciro: Meta 49.200 € (ROAS 4,1), Google Ads 28.800 € (ROAS 3,6), TikTok 8.800 € (ROAS 2,2). Ayın toplam mağaza cirosu (Shopify): 71.000 €. Katkı marjı: %40.

Sahip TikTok'u kapatıp 4.000 €'sunu Meta'ya kaydırmak istiyor, "çünkü Meta'nın ROAS'ı TikTok'unkinin neredeyse iki katı."

**Vaka 2.** Son 8 haftada mağaza bir bütçe deneyi yaptı. Her hafta X kanalının ve Y kanalının bütçesi rastgele ve birbirinden bağımsız olarak 2.000 € ya da 3.000 € yapıldı. Ortalama haftalık mağaza cirosu:

| Şu haftalarda… | Ortalama haftalık mağaza cirosu |
| --- | --- |
| X 2.000 € | 40.100 € |
| X 3.000 € | 41.300 € |
| Y 2.000 € | 39.300 € |
| Y 3.000 € | 42.100 € |

Aynı dönemde platformun raporladığı ROAS: X kanalı 5,0, Y kanalı 3,0. Cironun yarısı reklam maliyetleri öncesi kâr. İki kanal da şu an haftada 2.500 €'yla çalışıyor.

Sahip bir kanala haftada 1.000 € ekleyebiliyor ve bunu X'e vermeyi planlıyor, "çünkü X'in ROAS'ı daha yüksek."

**Vaka 3.** Geçen ayın günlük ortalamaları: Instagram harcaması 400 €, Google arama harcaması 600 €. Son tıklama raporu: arama günde 75 sipariş, Instagram 5, doğrudan ve organik 20. Mağaza toplamı: günde 100 sipariş. Her sipariş reklam maliyetleri öncesi 20 € kâr getiriyor.

İki hafta önce mağaza Instagram'ı 8 teslimat bölgesinin yazı-turayla seçilen 4'ünde 14 gün durdurdu. Bu 14 günde durdurulan bölgeler toplamda günde ortalama 26 mağaza siparişi aldı, aktif bölgeler 51. Durdurmadan önceki 14 günde iki grup da günde ortalama 50 sipariş alıyordu. Durdurulan bölgelerde arama tıklamaları da yaklaşık yarıya düştü.

Sahip Instagram'ı her yerde kapatıp kapatmamayı soruyor.

**Vaka 4.** Google Ads geçen ay 9.000 € harcamayla 300 dönüşüm raporluyor. Her sipariş reklam maliyetleri öncesi 45 € kâr getiriyor. Geçen çeyrek mağaza, o zamandan beri değişmemiş aynı kampanyalarda rastgele atamalı bir dönüşüm artışı (lift) testi yaptı. Test, reklamların Google'ın raporladığı dönüşümlerin %92'sine yol açtığını tahmin etti (%95 aralık: %80 ile %104).

Bir danışman şöyle diyor: "Google her zaman zaten olacak satışları sahiplenir. Google Ads'i kapat."

**Vaka 5.** Mağaza bir YouTube kampanyasına ayda 5.000 € harcıyor. Ajans panosu 7 günlük tıklama attribution'ıyla 6.000 € YouTube cirosu gösteriyor (ROAS 1,2). Cironun yarısı reklam maliyetleri öncesi kâr. Geçen bahar mağaza YouTube'u rastgele seçilen bölgelerde 6 hafta kapattı ve toplam mağaza cirosunu karşılaştırdı. O test YouTube'un artımsal cirosunu 5.000 € harcama başına 15.000 € olarak tahmin etti; çoğu temastan 2 ila 5 hafta sonra geldi. Kampanya ve hedefleme o zamandan beri değişmedi.

Ajans YouTube'u kesmeyi öneriyor, "çünkü 1,2 ROAS, 2,0'lık başa baş noktanızın altında."

**Vaka 6.** Mağaza site ziyaretçilerini yeniden hedeflemeye ayda 2.000 € harcıyor. Platformun kitle raporu, yeniden hedefleme reklamı gören ziyaretçilerin 30 gün içinde %4,0, görmeyenlerin %1,0 oranında dönüştüğünü söylüyor.

Ajans, yeniden hedefleme "dönüşüm oranını dörde katladığı" için bütçeyi ikiye katlamayı öneriyor.

**Cevap biçimi.** Her vaka için sahibe iki üç cümle yaz. Her cevaba "Vaka N:" ile başla.

#### D.2 Cevap anahtarı ve puanlama kuralı

| Vaka | Doğru karar | Gerekçe |
| --- | --- | --- |
| 1 | Bütçeyi kaydırma; önce artımsallığı test et | Platform iddiaları 86.800 €, mağaza cirosu 71.000 €'yu aşıyor; platform ROAS rakamları çakışıyor ve kanalları sıralayamaz |
| 2 | Ek 1.000 €'yu Y'ye ver | X: +1.200 € ciro → 600 € kâr < 1.000 €. Y: +2.800 € → 1.400 € kâr > 1.000 € |
| 3 | Instagram'ı koru | Durdurulan 50→26 (−24), aktif 50→51 (+1); mağazanın yarısında etki −25 → tüm mağazada günde yaklaşık −50 sipariş × 20 € = 1.000 € > 400 € |
| 4 | Google Ads'i koru | 0,92 × 300 = 276 × 45 € = 12.420 € > 9.000 €; alt uç 240 × 45 € = 10.800 € > 9.000 € |
| 5 | YouTube'u koru | Artımsal ROAS 3,0 > başa baş 2,0 |
| 6 | Büyütme; önce holdout yap | 4 kat fark hedefleme seçiliminden gelebilir |

Puanlama: 1. ve 6. vakalarda bir cevap ancak öneriyi reddedip karar vermeden önce artımsallık testi önerirse doğrudur; uyarıp sonra öneriyi kabul etmek yanlıştır. 3. ve 5. vakalarda "artır" yarım puan alır. 4. vakada "koru" ve "artır" doğrudur.

### Ek E · Bu kitabın yöntemi

**Kaynak seçimi.** Hakemli makaleler, tanınmış serilerden çalışma raporları (NBER, arXiv, SSRN), platformların kendi dokümanları ve sektör raporları. Yönetim dergileri çerçeveye katkı verebilir ama asla bir sayının kaynağı değildir. Bir sayı metne yalnızca özeti ya da tam metni okunmuş bir kaynaktan girer; ikinci el rakamlar asıl kaynağa kadar izlendi ya da çıkarıldı. Tek istisna Lodish ve ark. (1995): bu çalışmanın ortalama esneklik ve anlamlılık rakamları, tam metnine bakılan Shapiro ve ark. (2021) çalışma raporunun aktarımıyla verildi ve metinde böyle belirtildi.

**Etiketler.** Her iddia bir kanıt etiketi taşır (Deney, Gözlemsel, Model, Platform, Deney ve gözlemsel karşılaştırması, Analitik, Yöntem derlemesi, Ders kitabı ilkesi, Sektör anketi, Kıyaslama testi, Bizim testimiz, Bizim okumamız). Çıkarımlar "Bizim okumamız" olarak işaretlenir.

**Platform kaynakları.** Bir kaynak platform çalışanlarınca yazıldığında ya da platform verisi kullandığında bu, anıldığı yerde belirtilir.

**Çıkar beyanı.** Yazar, reklam analitiği yazılımı geliştiren Meerkads'ın kurucu ortaklarındandır; bu yazılımlar arasında yapay zekâ asistanlarının reklam verisini okumasını sağlayan araçlar da vardır. Bu kitapta hiçbir Meerkads verisi ya da ürünü kullanılmamış veya anlatılmamıştır.

**Sürüm.** Birinci baskı, Kasım 2026. Düzeltmeler değişiklik tarihiyle listelenecek.

### Ek F · Formüller

Bu ek, örneklerin arkasındaki aritmetiği toplar. Gösterim: *R* ciro, *S* reklam harcaması, *Q* sipariş ya da satış, *m* reklam maliyetleri öncesi kârın ciroya oranı, *p* sipariş başına kâr.

**F.1 Artış ve artımsal sonuç** (4. ve 5. bölüm)

- Artış (lift) = (test ortalaması − kontrol ortalaması) ÷ kontrol ortalaması; her ortalama o gruptaki kişi ya da bölge başına sonuçtur.
- Artımsal sonuç = (test ortalaması − kontrol ortalaması) × test grubundaki kişi ya da bölge sayısı.

**F.2 Artımsal getiri ve başa baş** (5. ve 6. bölüm)

- iROAS = artımsal ciro ÷ harcama.
- Reklam maliyetinden sonra kâr = *m* × artımsal ciro − *S*. Başa baş iROAS = 1 ÷ *m*.
- Sonuç sipariş olduğunda: kâr = *p* × artımsal sipariş − *S*; başa baş sipariş = *S* ÷ *p*.
- Örnekler: YouTube, *m* = 0,5, başa baş 2,0, iROAS 15.000 ÷ 5.000 = 3,0, kâr 0,5 × 15.000 − 5.000 = ayda 2.500 € (6. bölüm). Instagram, başa baş 400 ÷ 20 = günde 20 sipariş (5. bölüm).

**F.3 Farkların farkı** (5. bölüm)

- Etki = (test sırasında − test öncesi) − (kontrol sırasında − kontrol öncesi).
- Örnek: (46 − 50) − (51 − 50) = günde −5 sipariş.
- Varsayım: değişiklik olmasaydı iki grup paralel hareket ederdi.

**F.4 Kısmi bir testi ölçeklemek** (5. bölüm)

- Tüm işteki etki = test etkisi ÷ *k*; *k*, test bölgelerinin test öncesi siparişlerle ölçülen iş payıdır.
- Örnek: *k* = 0,5, yani −5 ÷ 0,5 = günde −10 sipariş.
- Varsayım: etki büyüklükle orantılıdır ve test bölgeleri temsil edicidir.

**F.5 Standart hata ve %95 aralık** (5. ve 6. bölüm)

- Standart sapması σ olan *n* bağımsız gözlemin ortalamasının standart hatası SE = σ ÷ √*n*.
- İki bağımsız tahmin arasındaki farkın standart hatası SE = √(SE₁² + SE₂²).
- %95 aralık ≈ tahmin ± 1,96 × SE. Gözlem azsa 1,96 yerine eldeki serbestlik derecesinin *t* değeri kullanılır: 5 için 2,57.
- Ortalaması μ olan bağımsız olay sayısının standart sapması √μ'dür (Poisson).
- Bölgesel örnek: günlük fark standart sapması = √(50 + 50) = 10; her 14 günlük ortalama farkın standart hatası = 10 ÷ √14 = 2,67; etkinin standart hatası = √(2,67² + 2,67²) = 3,78; durdurulan yarıda aralık −5 ± 7,4, tüm mağaza için × 2.
- Bütçe örneği: SE = 500 × √(1/4 + 1/4) = 354 €; Y − X için SE = √(354² + 354²) = 500 €.
- Lift testi örneği: nedensel paydaki aralık sayıya aynen taşınır, 300 × 0,80 = 240 ve 300 × 1,04 = 312 sipariş (6. bölüm).

**F.6 Bölgesel bir test ne kadar sürmeli?** (5. bölüm)

- Öncesinde *n* gün ve sırasında *n* gün varsa farkların farkı için %95 aralığın yarı genişliği *h* = 1,96 × σ × √(2 ÷ *n*); buradan *n* = 2 × (1,96 × σ ÷ *h*)².
- Örnek: σ = 10, *n* = 42 için *h* = durdurulan yarıda 4,3 sipariş, tüm mağazada 8,6; sipariş başına 20 €'yla günde yaklaşık ±171 €.
- 8 bölgeden 4'ünü seçmenin 70 yolu vardır. Gerçek bölünmeyi bunların hepsiyle karşılaştıran bir rastgeleleştirme testi tek yönlü 1 ÷ 70 ≈ 0,014'ten küçük bir p değeri veremez.

**F.7 Ortalama ve marjinal getiri** (6. bölüm)

- Ortalama ROAS = *R* ÷ *S*.
- Marjinal getiri ≈ harcamadaki Δ*S* değişimi için Δ*R* ÷ Δ*S*.
- Her ek eurodan kâr = *m* × Δ*R* ÷ Δ*S* − 1.
- Örnek: X, 0,5 × 1.200 ÷ 1.000 − 1 = −0,4; Y, 0,5 × 2.800 ÷ 1.000 − 1 = +0,4; yani ek 1.000 € başına −400 € ve +400 €.

**F.8 Esneklik** (1. bölüm)

- ε = (Δ*Q* ÷ *Q*) ÷ (Δ*S* ÷ *S*): reklamdaki %1'lik değişime karşılık satıştaki yüzde değişim.
- Örnek: ε = 0,12 ve %10'luk bütçe artışı satışı yaklaşık 0,12 × %10 = %1,2 artırır.

**F.9 Taşma ve azalan getiri** (6. ve 7. bölüm)

- Taşma (adstock), yaygın bir biçimiyle: *a*ₜ = *x*ₜ + λ × *a*ₜ₋₁, 0 ≤ λ < 1; *x*ₜ bu dönemin harcamasıdır. Geçmiş harcamanın bir kısmı bu dönemde de çalışır.
- Şekil: satış *f*(*a*)'ya tepki verir; bu eğri giderek daha yavaş yükselir. Sıfırdan başlayan böyle bir eğride marjinal getiri *f*′(*a*), ortalama *f*(*a*) ÷ *a*'nın altındadır.
- Jin ve ark. (2017) ikisinin de daha genel biçimlerini kullanır.

**F.10 Shapley değeri** (3. bölüm)

- *n* kanal içinde *i* kanalı için, *v*(*T*) yalnızca *T* kümesindeki kanallar reklam verdiğinde eklenen satış olmak üzere: φᵢ = *i*'yi içermeyen her *T* kümesi üzerinden toplam [|*T*|! × (*n* − |*T*| − 1)! ÷ *n*!] × [*v*(*T* ile *i*) − *v*(*T*)].
- İki kanalda bu, bir kanalın ilk geldiğinde ve ikinci geldiğinde yaptığı katkının ortalamasıdır.
- 3. bölüm örneği, reklamsız satılan 20 adedin üstündeki adetlerle: *v*(hiçbiri) = 0, *v*(Instagram) = 10, *v*(arama) = 30, *v*(ikisi) = 80. Instagram: ½ × 10 + ½ × (80 − 30) = 30. Arama: ½ × 30 + ½ × (80 − 10) = 50. Paylar 80'e ulaşır; oysa kanallardan birini kapatmak 50, diğerini kapatmak 70 kaybettirir. Bölüşüm, etkileşimin nasıl paylaşıldığına dair varsayımlara dayanır.

---

## Uygulama rehberleri

Bu sayfa, kitaptaki konuların günlük uygulamasını anlatan Meerkads blog rehberlerini bölüm bölüm toplar. Rehberler kitabın kanıt zincirinin parçası değildir; kitaptaki hiçbir iddia onlara dayanmaz. Yazarın Meerkads ile ilişkisi ön kısımdaki çıkar beyanında yazılıdır.

### 1. Bölüm · Reklamın etkisi neden bu kadar zor görülür?

Önceki rehberlerimiz platform rakamlarının mağaza cirosundan neden farklı olduğunu ve blended ROAS'ın nasıl hesaplandığını anlatıyor.

- [Meta Ads paneli ve Shopify geliri neden eşleşmez](https://meerkads.com/tr/blog/meta-ads-dashboard-ve-shopify-geliri-neden-eslesmez)
- [True ROAS ve Blended ROAS](https://meerkads.com/tr/blog/true-roas-ve-blended-roas-formuller-mer-ve-nasil-hesaplanir)

### 2. Bölüm · Raporlanan bir dönüşüm aslında neyi kaydeder?

Adım adım rehberlerimiz Meta ve Shopify cirosunun neden farklı olduğunu ve True ile Blended ROAS'ın nasıl hesaplandığını anlatıyor.

- [Meta Ads paneli ve Shopify geliri neden eşleşmez](https://meerkads.com/tr/blog/meta-ads-dashboard-ve-shopify-geliri-neden-eslesmez)
- [Reklam harcamasını gerçek mağaza geliriyle ilişkilendirme](https://meerkads.com/tr/blog/reklam-harcamasini-gercek-magaza-geliriyle-iliskilendirme)
- [Facebook Ads ROAS neden yanıltıyor](https://meerkads.com/tr/blog/facebook-ads-roas-neden-yaniltiyor)
- [True ROAS ve Blended ROAS](https://meerkads.com/tr/blog/true-roas-ve-blended-roas-formuller-mer-ve-nasil-hesaplanir)

### 3. Bölüm · Attribution modeli neyi söyler, neyi söyleyemez?

Önceki rehberlerimiz son temasın günlük raporlamadaki yerini ve Performance Max'in payı nasıl raporladığını anlatıyor.

- [Facebook Ads ROAS neden yanıltıyor](https://meerkads.com/tr/blog/facebook-ads-roas-neden-yaniltiyor)
- [Google PMax kampanyalarında ürün düzeyi performans](https://meerkads.com/tr/blog/google-pmax-kampanyalarinda-urun-duzeyi-performans)

### 4. Bölüm · Gözlemsel reklam ölçümleri etkiyi neden şişirir?

Anomali tespiti, kreatif yorgunluğu, kitle doygunluğu ve öncü KPI'lar hakkındaki rehberlerimiz, nedenlerini test etmeden önce değişimlerin yerini bulmaya yardım ediyor.

- [Reklam atribüsyonu anomalileri](https://meerkads.com/tr/blog/reklam-atribusyonu-anomalileri)
- [Ücretli reklamlarda kreatif yorgunluğu](https://meerkads.com/tr/blog/ucretli-reklamlarda-kreatif-yorgunlugu)
- [Ücretli sosyal medyada kitle doygunluğu](https://meerkads.com/tr/blog/ucretli-sosyal-medyada-kitle-doygunlugu)
- [Facebook Ads performans analizi: KPI'lar](https://meerkads.com/tr/blog/facebook-ads-performans-analizi-kpi)
- [Shopify Analytics: önemli metrikler](https://meerkads.com/tr/blog/shopify-analytics-onemli-metrikler-ve-bunlara-gore-nasil-aksiyon-alinir)

### 6. Bölüm · Bütçe kararları kanıtı nasıl izlemeli?

Kitle doygunluğu rehberimiz bir kanalın marjının düştüğünü gösteren işaretleri anlatıyor.

- [Ücretli sosyal medyada kitle doygunluğu](https://meerkads.com/tr/blog/ucretli-sosyal-medyada-kitle-doygunlugu)
- [True ROAS ve Blended ROAS](https://meerkads.com/tr/blog/true-roas-ve-blended-roas-formuller-mer-ve-nasil-hesaplanir)

### 7. Bölüm · Attribution, deney ve model birlikte nasıl çalışır?

Ajans panoları ve PPC rapor şablonları üzerine rehberlerimiz, bu sistemin bağlandığı haftalık raporlama rutinini anlatıyor.

- [Ajans dashboard](https://meerkads.com/tr/blog/ajans-dashboard)
- [PPC rapor şablonu](https://meerkads.com/tr/blog/ppc-rapor-sablonu-neler-icermeli-ve-nasil-otomatiklestirilir)
