Ekler

Yazar: · 13 dk okuma · Son güncelleme

Bu sayfada 6 bölüm
  1. Ek A · Kanıt tablosu
  2. Ek B · Sözlük (Türkçe / İngilizce)
  3. Ek C · Zaman çizelgesi, 2021–2026
  4. Ek D · 8. bölümün test malzemeleri
  5. Ek E · Bu kitabın yöntemi
  6. Ek F · Formüller

Ek A · Kanıt tablosu

Bu kitapta anılan başlıca çalışmalar, kanıt merdivenindeki basamaklarına göre.

ÇalışmaTasarımÖlçekAna bulguBasamakBölüm
Lodish ve ark. (1995)Split-cable TV deneyleri389 testBütçeyi rakiplere göre artırmak genelde satışı artırmıyor21
Sethuraman ve ark. (2011)Meta-analiz56 çalışma, 1.153 esneklikOrtalama esneklik kısa vadede 0,12, uzun vadede 0,2411
Lewis ve Rao (2015)Saha deneyleri25 deney, 2,8 milyon $Medyan getiri aralığı 100 puandan geniş; kesin test için 10 milyondan fazla kişi-hafta21, 5
Shapiro ve ark. (2021)Gözlemsel, TV288 markaMarkaların %80'inden fazlasında marjinal getiri negatif; toplam getiri yaklaşık üçte birinde pozitif11, 6
Lewis, Rao ve Reiley (2011)Plasebolu saha deneyleri3 deneyEtkinlik yanlılığı gözlemsel tahminleri şişiriyor21, 4
Kraft ve ark. (2023)GözlemselMilyarlarca gösterim, 8 ülkeATT sonrası izlenebilen ABD Apple trafiği %73'ten %22'ye düştü02
Berman (2018)Oyun kuramı modeli
Son temas gösterimi aşırı teşvik ediyor ve kârı düşürebiliyorModel2, 4
Blake ve ark. (2015)Saha deneyi, eBayUlusalMarka araması: tıklamaların %99,5'i organik geri geldi; marka dışı: regresyon %4.100'den fazla, deney −%6323, 4
Lewis ve Nguyen (2015)Saha deneyi
Görüntülü reklam marka aramalarını %30–45 artırıyor23
Anderl ve ark. (2016)Markov attribution4 veri setiPay dağılımı son tıklamadan belirgin biçimde farklı; taşınan ve yayılan etkiler13
Gordon ve ark. (2019)Deney ve gözlemsel karşılaştırması15 deney, 1,6 milyar gösterimÇalışmaların yarısında gözlemsel yöntemler en az 3 kat yanıldı2'ye karşı 14
Gordon ve ark. (2023)Deney ve gözlemsel karşılaştırması663 deneyAlt huni artışı %5; DML %24, eşleştirme %642'ye karşı 14
Braun ve Schwartz (2025)Analitik
Ayrışan teslimat platform A/B testlerini yanlı kılıyor24, 5
Johnson ve ark. (2017)Ghost-ad deneyleriGünde 100 milyondan fazla hayalet reklamAynı hassasiyette en az 10 kat ucuz; yeniden hedefleme satın almada +%10,525
Danaher ve van Heerde (2018)Model
En iyi dağılım geçmiş temasa bağlı değil, attribution bağlıModel6
Naik ve Raman (2003)Model, pazar verisiDockersSinerji: harcamayı artır, bir kısmını daha az etkili medyaya kaydır13, 6
Jin ve ark. (2017)Bayesçi MMMSimülasyon ve vakaCarryover ve şekil; küçük örneklemde önseller baskın36, 7
Gordon ve ark. (2026), PIEDeneyle kalibre edilmiş model2.226 deneyR² 0,88; 7 günlük son tıklama 0,1933, 7
Jin ve ark. (2023)Dil modeli kıyaslama testi200.000+ öğe, 17 modelKorelasyondan nedenselliğe çoğu model şansa yakınYZ8
Hu ve ark. (2026), AD-BenchDil modeli ajanı kıyaslama testiGerçek platform talepleriEn iyi model %76,9, en zor düzey %61,4YZ8

Ek B · Sözlük (Türkçe / İngilizce)

TürkçeİngilizceAnlamı
Attribution modeliAttribution modelBir satışın payını reklamlar ve kanallar arasında bölen kural
PayCreditBir raporun bir satıştan reklama yazdığı kısım
Etki / nedensel etkiCause / causal effectReklam olmasaydı kaybolacak satışlar
Karşı-olguCounterfactualReklamsız dünyada ne olacağı
ArtımsallıkIncrementalityReklamın yol açtığı ek sonuç
Artımsal ROASiROASArtımsal ciro bölü harcama
Holdout (dışarıda tutulan grup)HoldoutReklam almayan, rastgele seçilmiş grup
Ghost ads (hayalet reklam)Ghost adsReklamı görecek olan kontrol kullanıcılarını kaydetmek
Bölgesel deneyGeo experimentRastgele seçilen bölgelerde reklamı değiştirmek
Sentetik kontrolSynthetic controlMüdahale görmüş birimi taklit eden, müdahale görmemiş birimlerin ağırlıklı karışımı
Seçilim yanlılığıSelection biasReklamı gören ve görmeyen gruplar reklamdan önce farklı
Etkinlik yanlılığıActivity biasAktif kullanıcılar hem daha çok reklam görür hem her şeyi daha çok yapar
Ayrışan teslimatDivergent deliveryPlatform her reklam versiyonunu farklı bir kitleye gösterir
Marjinal getiriMarginal returnBir sonraki harcama biriminden gelen kâr
DoygunlukSaturationHarcama arttıkça getirinin düşmesi
Gecikmeli etkiCarryover / adstockHarcamadan sonra süren reklam etkisi
Sinerji / tamamlayıcılıkSynergy / complementarityKanalların birbirinin etkisini artırması
Medya karması modeli (MMM)Media mix modelZaman içinde toplam satışın kanal bazında harcamaya modeli
KalibrasyonCalibrationBir ölçüyü deney sonuçlarıyla düzeltmek
Kanıt merdiveniEvidence ladderBu kitabın ölçüm yöntemlerini sordukları soruya göre sıralaması

Ek C · Zaman çizelgesi, 2021–2026

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

VakaDoğru kararGerekçe
1Bütçeyi kaydırma; önce artımsallığı test etPlatform iddiaları 86.800 €, mağaza cirosu 71.000 €'yu aşıyor; platform ROAS rakamları çakışıyor ve kanalları sıralayamaz
2Ek 1.000 €'yu Y'ye verX: +1.200 € ciro → 600 € kâr < 1.000 €. Y: +2.800 € → 1.400 € kâr > 1.000 €
3Instagram'ı koruDurdurulan 50→26 (−24), aktif 50→51 (+1); mağazanın yarısında etki −25 → tüm mağazada günde yaklaşık −50 sipariş × 20 € = 1.000 € > 400 €
4Google Ads'i koru0,92 × 300 = 276 × 45 € = 12.420 € > 9.000 €; alt uç 240 × 45 € = 10.800 € > 9.000 €
5YouTube'u koruArtımsal ROAS 3,0 > başa baş 2,0
6Büyütme; önce holdout yap4 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.