7. Bölüm

Attribution, deney ve model birlikte nasıl çalışır?

Yazar: · 8 dk okuma · Son güncelleme

Bu sayfada 8 bölüm
  1. Medya karması modeli nedir?
  2. Medya karması modelinin sınırları nelerdir?
  3. Kalibrasyon ne demek?
  4. Üç yöntem birlikte nasıl çalışmalı?
  5. Bu, bir çalışma ritminde neye benzer?
  6. Bir işletme üçünü birden karşılayamıyorsa?
  7. Bu bölümün sınırı
  8. Kaynaklar

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.

SınırNeden önemliKaynak
Az veri noktasıİki yıllık haftalık veri, çok sayıda parametreyi tahmin etmek için yaklaşık 100 gözlem verirJin ve ark. (2017); Chan ve Perry (2017)
Önsele bağımlılıkKüçük örneklemlerde Bayesçi önsel tahminleri güçlü biçimde şekillendirir ve yanlı kılabilirJin ve ark. (2017)
Kararsız en iyi noktaBir vaka çalışmasında, parametreler belirsiz olduğu için önerilen medya karması kayda değer biçimde değiştiJin ve ark. (2017)
İlişkili harcamaGenellikle birlikte artırılan kanallar veriyle ayrıştırılamaz[Bizim okumamız]
Özünde gözlemselMMM 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.
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?

YöntemCevapladığı soruHızTipik yanlılıkSistemdeki rolü
AttributionBir kanal içinde hangi reklamlar ve anahtar kelimeler dönüşümlerle ilişkili?GünlükHedeflenmiş, huninin sonundaki reklamları abartır; izlenmeyen alıcıları kaçırırYön: kanal içinde günlük optimizasyon
DeneylerBu kanal, bu harcamada, bu dönemde neye yol açtı?HaftalarZamanda, bütçede ve kitlede yerelGerçek: her şey için çapa noktaları
Medya karması modeliBütün kanallar, bütçeler ve gecikmeler nasıl birleşiyor?Aylık ya da çeyreklikVarsayımlara ve önsellere bağlıDağıtım: 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.
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?

SıklıkFaaliyetKanıt basamağı
GünlükKampanyaları kalibre edilmiş attribution'la optimize et; anomalileri izle1
HaftalıkPlatform iddialarını mağaza cirosuyla mutabık kıl (2. bölüm)0
AylıkMMM marjinal getirilerini gözden geçir; bütçeleri test edilmiş aralıklarda ayarla3
ÇeyreklikModelin en az emin olduğu yerde bir ya da iki deney yap; yeniden kalibre et2
YıllıkMMM'yi yeniden tahmin et; tanımları ve pencereleri gözden geçir0–3

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.
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]