Bu sayfada 6 bölüm
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.

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.