Bu sayfada 9 bölüm
- Attribution modeli nedir?
- Veriye dayalı modeller nasıl çalışır?
- Nedensel etkiler neden %100'ü aşar?
- Kanalların birbirini güçlendirdiğine dair gerçek kanıt var mı?
- Toplam %100'ün altına da düşebilir mi?
- Attribution, bir deneyin bulacağını ne kadar iyi öngörür?
- O hâlde attribution ne işe yarar?
- Bu bölümün sınırı
- Kaynaklar
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).

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.

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.
- Yolculukları betimlemek. Dönüşen yollarda hangi kanalların, hangi sırayla göründüğü ve yolun ne kadar sürdüğü.
- Hızlı, kaba yön. Alternatifin hiç sinyal olmaması olduğu kanal içi günlük optimizasyon.
- 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