Tecof • 15 Eylül 2026 • 14 dk
2026'da AI ve E-ticaret: Personalization, Automation
Kısaca
Yapay zeka e-ticarette artık ayrı bir proje başlığı değil; ürün öneriminden stok uyarısına, müşteri hizmetleri triyajından fiyat izlemeye kadar altyapının içine gömülmüş bir katman. 2023-2024'ün pilot dönemi, tek bir demo ekranıyla yönetim kurulunu etkilemeye çalışan sunumlar dönemiydi; bugün sorulan şey demo değil, dönüşüm oranındaki fark, destek çözüm süresindeki düşüş ve bunların TL karşılığı. Kişiselleştirme ve otomasyon bu katmanın para kazandıran iki ayağı, ama ikisi de aynı ön koşula bakıyor: temiz, bağlanabilir, yeterli hacimde veri. 2026 itibarıyla soru "yapay zeka kullanmalı mıyız" değil, "hangi tek kullanım alanında, hangi veriyle, hangi ölçüm düzeneğiyle başlamalıyız" sorusudur.
Salı sabahı 09.20. Ev tekstili satan bir markanın pazarlama ekibi toplantı odasında. Geçen çeyrekte aylık 42.000 TL'ye bir öneri motoru lisansı alınmış, ana sayfaya "Sizin İçin Seçtiklerimiz" bandı eklenmiş. Ekranda üç ay sonrasının rakamları var: bandın gösterim sayısı 186.000, tıklama 3.940, tıklama oranı yüzde 2,1. Bandı gören ziyaretçilerin dönüşüm oranı yüzde 1,84; görmeyenlerin yüzde 1,79. Aradaki fark, o örneklem büyüklüğünde gürültüden ayırt edilemiyor. Katalogda 312 ürün var, bunların 240'ı son 90 günde 10'dan az kez görüntülenmiş. Motor, elindeki en popüler 40 ürünü sürekli tekrar gösteriyor; zaten ana sayfada "Çok Satanlar" bandında olan ürünleri. Aylık 42.000 TL, yılda 504.000 TL, halihazırda gösterilen ürünleri bir kez daha göstermek için ödeniyor.
Sorun öneri motorunda değil, motorun beslendiği havuzda. 312 ürünlük bir katalogda birey bazlı öneri için gereken sinyal yoğunluğu yok: bir kullanıcının davranışından "bu kişi şunu sever" çıkarımı yapabilmek için hem yeterli ürün çeşitliliği hem de kişi başına yeterli etkileşim gerekiyor. İkisi de eksikken model, istatistiksel olarak en güvenli tahmini yapıyor — popüler olanı gösteriyor. Bu bir kusur değil, modelin doğru davranışı. Yanlış olan, o modeli o veriyle o yere koyma kararı.
2026'da AI E-ticarette Nereye Oturdu
Pilot dönemi neden kapandı
2023-2024 boyunca AI projeleri ayrı bütçe kalemleri, ayrı ekipler ve ayrı başarı kriterleriyle yürüdü. "Denedik, ilginç sonuçlar aldık" cümlesi bir çeyreği kapatmaya yetiyordu. 2026'da bu cümle yetmiyor. Sahada gördüğümüz eğilim şu: AI bütçesi artık ayrı bir kalem değil, ilgili fonksiyonun bütçesi içinde. Öneri motoru pazarlama bütçesinde, müşteri hizmetleri triyajı destek bütçesinde, talep tahmini satın alma bütçesinde. Bu değişim tek başına disiplin getiriyor, çünkü her kalem kendi metriğiyle hesap veriyor.
İkinci değişim şu: model katmanı metalaştı. Aynı işi yapan üç sağlayıcı arasındaki fark, çoğu e-ticaret kullanım alanında ölçülebilir bir sonuç farkı yaratmıyor. Fark yaratan şey, modele giren verinin kalitesi ve çıktının hangi iş akışına bağlandığı.
Hype ile para kazandıranın ayrımı
Bir AI kullanım alanının gerçekten değer üretip üretmediğini anlamak için üç soru yeterli. Birincisi: bu işi bugün bir insan yapıyor mu, ve kaç saatini alıyor? İkincisi: çıktı yanlış olduğunda maliyeti ne? Üçüncüsü: sonucu 30 gün içinde ölçebilir miyim? Üç soruya da net yanıt veremediğiniz bir kullanım alanı, muhtemelen bir demo.
Bu filtreden geçenler genellikle sıkıcı işler oluyor: ürün açıklaması taslağı, iade talebi sınıflandırma, stok uyarısı, kategori etiketleme. Geçemeyenler gösterişli olanlar: genel amaçlı sohbet asistanı, ziyaretçiyle konuşan avatar.
Kullanım alanı, veri, etki ve zorluk
Aşağıdaki tablo, Türkiye'de orta ölçekli e-ticaret operasyonlarında sahada gördüğümüz aralıkları toplar. Etki sütunundaki rakamlar garanti değil, gözlenen bant.
| Kullanım alanı | Gereken veri | Asgari hacim | Gerçekçi etki | Uygulama zorluğu |
|---|---|---|---|---|
| Arama sonucu sıralaması | Site içi arama logu, tıklama, sepete ekleme | Aylık 20.000+ arama | Aramadan dönüşümde %8-18 artış | Orta |
| Ürün açıklaması taslağı | Ürün özellikleri, mevcut açıklamalar | Yapılandırılmış özellik alanları | Metin başına 25-40 dk tasarruf | Düşük |
| Destek triyajı ve sınıflandırma | Geçmiş ticket, çözüm etiketleri | 6.000+ etiketli ticket | İlk yanıt süresinde %30-50 düşüş | Orta |
| Talep tahmini ve stok uyarısı | SKU bazlı satış geçmişi, iade oranı | 18+ ay, SKU başına 30+ satış | Stoksuz kalmada %15-25 azalma | Yüksek |
| Birey bazlı öneri motoru | Kullanıcı-ürün etkileşim matrisi | 2.000+ SKU, aylık 100.000+ oturum | AOV'de %4-9 artış | Yüksek |
Tablodaki son satır, açılıştaki vakanın neden yürümediğini özetliyor. 312 SKU ve aylık 30.000 oturumla, öneri motorunun ihtiyaç duyduğu etkileşim matrisi seyrek kalıyor.
Kişiselleştirme: Segment Bazlı mı, Birey Bazlı mı
İki yaklaşımın işleyiş farkı
Kişiselleştirme tek bir şey değil. Pratikte iki ayrı teknik yaklaşım aynı kelimenin altına sığdırılıyor ve bu karışıklık bütçe hatalarının büyük bölümünü açıklıyor.
- Segment bazlı kişiselleştirme: Ziyaretçiyi önceden tanımlanmış bir gruba atarsınız — "ilk kez gelen", "son 30 günde alışveriş yapmış", "sepette 1.500 TL üzeri bırakmış", "mobil, İstanbul, akşam saatleri". Her gruba elle kurgulanmış bir deneyim gösterirsiniz. Kural sayısı sınırlıdır, denetlenebilir, açıklanabilir.
- Birey bazlı kişiselleştirme: Model, her kullanıcı için ayrı bir tahmin üretir. Kural yoktur, bir puanlama vardır. Ölçeklenebilir ama denetlenmesi zor, açıklanması daha da zordur.
- Veri eşiği: Birey bazlı yaklaşımın anlamlı çıktı üretmesi için gereken asgari etkileşim yoğunluğu. Katalog genişliği ve oturum sayısının birlikte belirlediği bir eşiktir; ikisinden biri düşükse diğeri telafi etmez.
- Soğuk başlangıç: Yeni ürünün veya yeni kullanıcının hakkında hiç sinyal olmaması durumu. Öneri sistemlerinin en bilinen zayıf noktasıdır ve katalog küçükse sürekli yaşanır.
Nerede uygulanır: ana sayfa, kategori, arama
Kişiselleştirmenin uygulandığı üç yüzey aynı değer üretmiyor. Sahada gördüğümüz sıralama şu: en yüksek getiri site içi arama sonucu sıralamasında, ikinci sırada kategori sayfası sıralamasında, en düşük getiri ise ana sayfa bandında. Sebep basit — arama yapan kullanıcı niyetini zaten yazmıştır, sıralamayı düzeltmek o niyeti karşılamaktır. Ana sayfaya gelen kullanıcının niyeti henüz belirsizdir ve model tahmin etmek zorundadır.
Buna rağmen projelerin çoğu ana sayfadan başlıyor, çünkü orası görünür. Site içi aramanın dönüşüm oranı üzerindeki etkisini ölçtüğünüzde, genellikle ana sayfadaki her türlü bant düzenlemesinden daha büyük bir kaldıraç bulursunuz.
Küçük katalogda ne yapılır
300-500 ürünlük bir katalogda birey bazlı kişiselleştirme yatırımı geri dönmüyor. Ama kişiselleştirmeden tümüyle vazgeçmek de gerekmiyor. Bu ölçekte işe yarayan şey segment bazlı, elle kurgulanmış, az sayıda kuraldır: yeni ziyaretçiye giriş ürünleri, iade oranı yüksek kategoride beden rehberi öne çıkarma, ikinci kez gelene bıraktığı sepeti hatırlatma. Dört-beş kural, bir modelden daha fazla iş görür ve kimse aylık lisans ödemez.
| Boyut | Segment bazlı | Birey bazlı |
|---|---|---|
| Asgari katalog | 50 SKU yeterli | 2.000+ SKU |
| Asgari trafik | Aylık 5.000 oturum | Aylık 100.000+ oturum |
| Kurulum süresi | 1-2 hafta | 8-16 hafta |
| Aylık maliyet bandı | 0-8.000 TL | 25.000-90.000 TL |
| Denetlenebilirlik | Yüksek, kural listesi okunabilir | Düşük, çıktı puan bazlı |
| KVKK açıklama yükü | Sınırlı | Belirgin, profilleme sayılabilir |
Otomasyon: İnsan Onayı Nerede Kalmalı
Sipariş sonrası akışlar ve stok uyarıları
Otomasyonun en az tartışmalı alanı sipariş sonrası. Kargo firmasından gelen durum kodunu okuyup müşteriye bilgi göndermek, teslimat gecikmesinde proaktif mesaj atmak, teslimden üç gün sonra değerlendirme istemek — bunların hiçbiri insan kararı gerektirmiyor. Aynı şekilde stok uyarıları: belirli bir SKU'nun kalan gün sayısı eşiğin altına düştüğünde satın alma sorumlusuna bildirim düşmesi tamamen otomatik olabilir. Burada AI'ın katkısı uyarıyı göndermek değil, eşiği satış hızına göre dinamik hesaplamak.
Fiyat izleme ve destek triyajı
Fiyat izleme farklı. Rakip fiyatını toplamak ve raporlamak otomatiktir; fiyatı değiştirmek değildir. Otomatik fiyat değişimi kurgulayan operasyonlarda en sık gördüğümüz hata, rakibin hatalı girdiği bir fiyatın zincirleme biçimde kendi fiyatınıza yansıması. Kural şu olmalı: sistem öneriyi hazırlar, belirlenen bant içindeyse uygular, bandın dışına çıkıyorsa insana sorar.
Destek triyajında ayrım daha nettir. Gelen talebi sınıflandırmak, aciliyet puanı vermek, doğru ekibe yönlendirmek ve taslak yanıt hazırlamak otomatik yapılabilir. İade onayı, ücret iadesi, istisna kararı ise insan onayına bağlı kalmalı — bunlar geri alınması pahalı, müşteri ilişkisini doğrudan etkileyen kararlardır.
Üç otomasyon seviyesi
| Seviye | Sistem ne yapar | Uygun işler | Ana risk |
|---|---|---|---|
| Öneri | Hazırlar, sunar, hiçbir şeyi değiştirmez | Fiyat değişikliği önerisi, kampanya kurgusu, stok siparişi taslağı | Öneriler okunmaz, sistem atıl kalır |
| Onaylı uygulama | Uygular ama insan onayı bekler | İade onayı, müşteriye özel indirim, toplu fiyat güncelleme | Onay darboğaza dönüşür, ekip körlemesine onaylamaya başlar |
| Otonom | Kendi başına yapar, sonradan raporlar | Kargo bildirimi, stok uyarısı, ticket etiketleme, arama sıralaması | Hata sessizce ölçeklenir, fark edilmesi gecikir |
Seviye seçimini işin geri alınabilirliği belirler. Yanlış gönderilmiş bir kargo bildirim maili düzeltilebilir; yanlış onaylanmış 400 iade düzeltilemez.
Ajanik Ticaret: Yetki Matrisi ve Denetim İzi
Ajan ne yapar, ne yapmaz
Ajanik ticaret, AI'ın öneri üretmekten çıkıp sistemler arasında işlem başlatmasını tanımlıyor: stok seviyesine bakıp tedarikçiye sipariş açmak, iade talebini kargo sistemine kaydetmek, kampanya bütçesini reklam platformunda güncellemek. Kavramın sınırlarını ve nereye kadar geldiğini ajanik ticaretin ne olduğunu anlatan yazıda ayrıntılı ele almıştık. Buradaki mesele teknik yetenek değil, yetkinin nasıl tanımlandığı.
Pratikte ajan kurulumlarının başarısızlık sebebi neredeyse hiç model kalitesi olmuyor. Sebep şu ikisinden biri: ajanın erişebileceği sistemlerde yetki sınırı tanımlı değil, ya da yaptığı işlemin izi tutulmuyor. İkisi de operasyonel bir sorun, model sorunu değil.
Yetki matrisi nasıl kurulur
Yetki matrisi üç sütundan oluşur: hangi sistem, hangi işlem, hangi üst sınır. Örneğin "ERP, satın alma siparişi oluşturma, tek seferde 15.000 TL'ye kadar ve yalnızca onaylı tedarikçi listesinden". Sınırın aşıldığı durumda ajan durup insan onayı ister. Bu matris bir tablo olarak yazılı tutulmalı ve değişikliği kimin yaptığı kaydedilmeli.
- Denetim izi: Ajanın her işlemi için hangi girdilere baktığı, hangi kararı verdiği ve hangi API çağrısını yaptığı kaydı. Sorun çıktığında geriye dönük okunabilir olması gerekir.
- Geri alma yolu: Ajanın yaptığı her işlemin tek adımda iptal edilebilmesi. Geri alınamayan işlemler ajana verilmez.
- Kör nokta testi: Ajana bilerek eksik veya çelişkili veri verip ne yaptığını gözlemleme. Üretime almadan önce yapılmalı.
Tecof'ta ajan kurulumları tanımlı yetki sınırları ve işlem kaydıyla yapılabiliyor; AI ajanlar tarafında hangi sistemlere hangi sınırlarla bağlandığı baştan belirleniyor. Ajanların ERP, kargo ve pazaryeri taraflarına bağlanması API entegrasyonlarının sağlamlığına doğrudan bağlı; entegrasyon zayıfsa ajan katmanı o zayıflığı büyüterek yansıtır.
Türkiye Bağlamı: Pazaryeri, KVKK, İYS, ERP
Pazaryeri ile kendi siteniz aynı oyun değil
Trendyol veya Hepsiburada üzerinde satış yapıyorsanız kişiselleştirme sizin elinizde değil. Sıralamayı platformun algoritması belirliyor; sizin kontrol ettiğiniz şey ürün verisinin kalitesi, görsel, fiyat, teslimat süresi ve satıcı puanı. Bu ortamda AI yatırımınız kişiselleştirmeye değil, veri kalitesine ve fiyat/stok senkronizasyonuna gitmeli. Kendi sitenizde ise tam tersi geçerli: sıralama ve deneyim sizin, ama trafiği kendiniz getirmek zorundasınız.
Pratik sonuç şu: iki kanal aynı AI stratejisini paylaşamaz. Pazaryerinde kazandıran ürün başlığındaki doğru anahtar kelime ve stok doğruluğudur; kendi sitenizde arama sıralaması ve sepet akışıdır.
KVKK, profilleme ve otomatik karar
Kişiselleştirme kişisel veri işlemektir. Segment bazlı kurallar çoğu durumda meşru menfaat kapsamında değerlendirilebiliyor; birey bazlı puanlama ise profilleme sayıldığı ölçüde aydınlatma yükümlülüğünü büyütüyor. Aydınlatma metninizde hangi verinin hangi amaçla işlendiği, saklama süresi ve varsa yurt dışına aktarım açıkça yazılı olmalı. Model sağlayıcınız yurt dışındaysa bu son madde atlanacak bir ayrıntı değil.
Otomatik karar mekanizmaları ayrı bir başlık. Bir kişiye özel fiyat veya indirim, kredi/taksit imkanının otomatik reddi, iade talebinin otomatik reddi gibi kararlar kişi üzerinde sonuç doğuruyorsa, ilgili kişinin bu karara itiraz edebileceği ve insan müdahalesi talep edebileceği bir yol açık tutulmalı. Pratikte bu, iade ve iptal akışlarında "temsilciye bağlan" seçeneğinin her zaman görünür kalması demek.
İYS onayı ve otomatik mesajlaşma
Otomasyon kurgusu ne kadar akıllı olursa olsun, ticari elektronik ileti göndermenin ön koşulu İYS kaydıdır. Sepet terk hatırlatması, stok geldi bildirimi, kişiye özel kupon — hepsi ticari ileti sayılır ve onay durumu gönderim anında kontrol edilmelidir. En sık gördüğümüz hata, otomasyon platformunun kendi listesiyle İYS kaydının zamanla ayrışması. Onay kontrolünü gönderim anında yapan bir kontrol adımı, sonradan gelen idari yaptırımlardan daha ucuza gelir.
ERP entegrasyonu ve veri kalitesi
Logo, Mikro veya Netsis tarafındaki veri, AI katmanının gerçek yakıtı. Talep tahmini ERP'deki satış geçmişini okur; stok uyarısı ERP'deki güncel bakiyeyi okur; fiyat önerisi ERP'deki maliyeti okur. Bu üç okumadan biri bozuksa çıktı da bozulur. Sahada en sık rastladığımız üç sorun: aynı ürünün iki farklı stok kodunda açık olması, birim dönüşümlerinin tutarsızlığı (koli-adet), ve iade kayıtlarının satıştan düşülmemesi. Üçü de veri girişinin sorunu ve üçü de AI projesinden önce çözülmeli.
Ölçme: AI Yatırımını Neyle Değerlendirirsiniz
Dört metrik ve gerçekçi bantlar
AI yatırımını "memnuniyet" veya "verimlilik" gibi yumuşak kelimelerle savunmak, ikinci yıl bütçesini kaybetmenin en hızlı yolu. Dört metrik yeterli.
| Metrik | Hangi kullanım alanı için | Ölçüm penceresi | Anlamlı sayılan fark |
|---|---|---|---|
| Dönüşüm oranı | Arama sıralaması, kişiselleştirme | 4-6 hafta | Bağıl %5 ve üzeri |
| Ortalama sepet tutarı | Öneri motoru, çapraz satış | 6-8 hafta | Bağıl %4 ve üzeri |
| Sepet terk oranı | Sepet akışı otomasyonu | 3-4 hafta | Mutlak 2 puan ve üzeri |
| Destek çözüm süresi | Triyaj, taslak yanıt | 2-3 hafta | Ortanca sürede %20 ve üzeri düşüş |
Ortalama sepet tutarını ayrıca kanal ve kampanya kırılımında izlemek gerekiyor; AOV'nin nasıl hesaplandığı ve artırıldığı üzerine ayrı bir çerçeve kurmadan öneri motorunun katkısını ayrıştıramazsınız.
Atıf zorluğu ve holdout grubu
AI etkisini ölçmenin asıl zorluğu atıf. Öneri motorunu açtığınız hafta aynı zamanda bir kampanya başladıysa, sezon değiştiyse veya reklam bütçesi arttıysa, dönüşümdeki farkın kaynağını ayıramazsınız. Çözüm, öncesi-sonrası karşılaştırması değil, eşzamanlı holdout grubudur: trafiğin belirli bir yüzdesi (genellikle yüzde 10-20) sistemi hiç görmez, kalanı görür, aynı hafta içinde ikisi karşılaştırılır. Bu, A/B testinin temel mantığının AI kullanım alanlarına uygulanmış hali.
Holdout grubunu kurarken üç şeye dikkat edin: grup ataması kullanıcı bazlı ve kalıcı olsun (aynı kullanıcı her ziyarette aynı gruba düşsün), örneklem büyüklüğü beklenen etki büyüklüğüne göre hesaplansın, ve test süresi en az bir tam satın alma döngüsünü kapsasın. Üç haftalık bir testte yüzde 0,05'lik dönüşüm farkını okumaya çalışmak, açılıştaki vakanın tekrarıdır.
Yapılmaması Gerekenler
Veri altyapısı yokken öneri motoru almak
En pahalı hata bu. Öneri motoru, üzerine kurulacağı etkileşim verisi olmadan çalışmaz; sağlayıcı bunu satış görüşmesinde söylemez çünkü sizin veri hacminizi bilmez. Satın almadan önce kendi rakamlarınıza bakın: kaç SKU, aylık kaç oturum, kullanıcı başına ortalama kaç ürün görüntülemesi. Bu üç rakam eşiğin altındaysa, aynı bütçeyle site içi aramayı düzeltmek daha çok getirir.
Her şeyi chatbot'a yıkmak
İkinci yaygın hata, müşteri hizmetleri yükünü genel amaçlı bir sohbet asistanına devredip sorunu çözülmüş saymak. Pratikte olan şu: asistan kolay soruların yüzde 60'ını karşılar, zor soruların hepsini insana devreder, ama devrederken bağlamı kaybeder ve müşteri her şeyi baştan anlatır. Net etki çoğu zaman sıfırın altında. Çalışan kurgu, asistanın müşteriyle konuşması değil, temsilciye taslak yanıt ve geçmiş özeti hazırlamasıdır. Aynı model, farklı yerleşim, tamamen farklı sonuç.
Tek seferde beş kullanım alanı açmak
Üçüncü hata paralellik. Aynı çeyrekte öneri motoru, chatbot, talep tahmini ve otomatik fiyatlandırma açan bir ekip hiçbirinin etkisini ölçemez, dördü de yarım kalır. Sıra beklemek ölçülebilirliğin ön koşuludur.
30 Günde İlk AI Kullanım Alanını Devreye Alma
1-7. gün: Veri envanteri
Elinizde ne olduğunu yazılı çıkarın. Katalogdaki SKU sayısı, son 12 ayın aylık oturum sayısı, site içi arama hacmi ve boş sonuç oranı, destek ticket sayısı ve etiketli olanların oranı, ERP'deki satış geçmişinin kaç ayı kapsadığı. Aynı hafta üç veri kalitesi kontrolü yapın: mükerrer stok kodu var mı, iadeler satıştan düşülüyor mu, ürün özellik alanları kaç üründe boş. Bu çalışma bir sayfayı geçmemeli ama rakamlar tahmin değil, sorgu çıktısı olmalı.
8-14. gün: Tek bir kullanım alanı seçimi
Birinci haftanın rakamlarına bakıp tek bir alan seçin. Seçim kriteri sade: veri eşiğini geçtiğiniz, etkiyi 30 gün içinde ölçebildiğiniz ve hata maliyetinin düşük olduğu alan. Çoğu orta ölçekli operasyonda bu alan site içi arama sıralaması veya destek triyajı çıkıyor. Seçtiğiniz alan için başarı eşiğini şimdiden yazın: "aramadan dönüşümde bağıl yüzde 8 artış" gibi tek bir cümle. Eşiği sonradan yazmak, sonucu eşiğe uydurmak demektir.
15-21. gün: Ölçüm düzeneğini kurmak
Sistemi açmadan önce ölçümü kurun. Holdout grubunu tanımlayın, atamayı kullanıcı bazlı ve kalıcı yapın, temel metriğin mevcut değerini ve haftalık dalgalanma aralığını kaydedin. Aynı hafta bir de geri alma planı yazın: sistem beklenmedik davranırsa kim, hangi düğmeyle, kaç dakikada kapatacak. Bu plan yazılı değilse sistem üretime alınmaz.
22-30. gün: Açmak, okumak, yaygınlaştırmak
Sistemi trafiğin yüzde 50'sine açın, holdout yüzde 10-20'de kalsın. İlk üç gün günlük, sonrasında haftalık okuyun. Otuzuncu günün sonunda üç sonuçtan biri çıkar: eşik aşıldı, aşılmadı, veya veri hâlâ yetersiz. Eşik aşıldıysa ikinci kullanım alanına geçin ve aynı düzeneği tekrarlayın. Aşılmadıysa kapatın ve sebebini yazın — kapatılan bir pilot, sürüklenen bir pilottan çok daha ucuzdur.
Yarın sabah yapabileceğiniz iş şu: analitik panelinizi açıp son 90 günün site içi arama raporunu çıkarın, en çok aranan 50 sorguyu ve bunların kaçının sonuçsuz döndüğünü tek bir tabloya yazın. Sonuçsuz dönen sorguların oranı yüzde 10'un üzerindeyse, ilk AI yatırımınızı öneri motoruna değil arama sıralamasına ayırmanız gerektiğini o tablodan görürsünüz — ve bu tablo size hiçbir lisans ücretine mal olmaz.
Sıkça Sorulan Sorular
Küçük bir e-ticaret sitesi için yapay zeka yatırımı erken mi?
Erken değil ama sıralama önemli. 300 ürünlük bir katalogda birey bazlı öneri motoru erkendir; buna karşılık ürün açıklaması taslağı, destek yanıt taslağı ve kategori etiketleme aynı ölçekte bugün değer üretir. Kural şu: veri hacmi gerektiren kullanım alanları ölçeğe bağlıdır, metin üretimi ve sınıflandırma ise değildir.
Öneri motoru almadan önce hangi rakamlara bakmalıyız?
Üç rakam yeterli: aktif SKU sayısı, aylık oturum sayısı ve oturum başına ortalama ürün görüntüleme. Sahada gördüğümüz kaba eşik, 2.000 SKU ve aylık 100.000 oturum civarı. Bunların altındaysanız aynı bütçeyi site içi arama ve kategori sıralamasına ayırmak daha yüksek getiri sağlıyor.
Kişiselleştirme KVKK açısından risk oluşturur mu?
Segment bazlı kurallar genellikle yönetilebilir bir çerçevede kalıyor. Birey bazlı puanlama profilleme sayılabildiği için aydınlatma yükümlülüğünü büyütüyor; kişiye özel fiyat veya otomatik ret gibi sonuç doğuran kararlarda ise itiraz ve insan müdahalesi yolu açık tutulmalı. Model sağlayıcınız yurt dışındaysa aktarım bilgisini aydınlatma metnine eklemeyi atlamayın.
Pazaryerinde satış yapıyoruz, AI'ı nereye kullanmalıyız?
Pazaryerinde sıralamayı siz belirlemiyorsunuz, dolayısıyla kişiselleştirme yatırımı karşılığını vermiyor. Katkı üretecek alanlar ürün verisi kalitesi (başlık, özellik alanları, görsel), fiyat ve stok senkronizasyonunun doğruluğu, ve iade/mesaj taleplerinin sınıflandırılması. Kendi sitenizle aynı stratejiyi kullanmaya çalışmak boşa harcanan bütçe demek.
Chatbot kurmalı mıyız?
Müşteriyle doğrudan konuşan genel amaçlı bir asistan çoğu operasyonda net fayda üretmiyor. Aynı teknolojiyi temsilci tarafında kullanmak — gelen talebi sınıflandırmak, geçmişi özetlemek, taslak yanıt hazırlamak — ölçülebilir kazanç veriyor. Önce ikinci kurguyu deneyin, müşteriye açık asistan kararını ondan sonra verin.
AI otomasyonunun hangi kısmını tam otonom bırakabiliriz?
Geri alınabilir ve düşük maliyetli işleri: kargo durum bildirimi, stok uyarısı, ticket etiketleme, arama sonucu sıralaması. Geri alınması pahalı olanları insan onayında tutun: iade ve ücret iadesi onayı, kişiye özel indirim, bant dışı fiyat değişikliği, tedarikçi siparişi. Ayrım teknolojiyle değil, hatanın maliyetiyle belirlenir.
Ajanik ticaret için ERP entegrasyonu şart mı?
Ajanın stok, maliyet veya sipariş tarafında iş yapmasını istiyorsanız evet. Logo, Mikro veya Netsis tarafındaki veri ajanın gördüğü gerçekliktir; entegrasyon eksik veya gecikmeliyse ajan eski veriyle karar verir. Entegrasyonu düzeltmeden ajan katmanı eklemek, hatalı veriyi daha hızlı çoğaltmak anlamına gelir.
AI yatırımının geri dönüşünü nasıl ispatlarız?
Öncesi-sonrası karşılaştırmasıyla değil, eşzamanlı holdout grubuyla. Trafiğin yüzde 10-20'si sistemi görmez, kalanı görür, aynı dönemde karşılaştırılır. Grup ataması kullanıcı bazlı ve kalıcı olmalı, test süresi en az bir satın alma döngüsünü kapsamalı. Bu düzenek kurulmadan açılan bir sistemin etkisi ölçülemez, sadece anlatılır.
Kaç kullanım alanıyla başlamalıyız?
Bir tane. Aynı çeyrekte dört alan açan ekipler hiçbirinin etkisini ayrıştıramıyor ve genellikle dördü de yarım kalıyor. İlk alanın 30 günlük sonucu okunduktan sonra ikinciye geçmek, toplam takvimini uzatıyor gibi görünse de ölçülebilir sonuç üreten tek yol.
Model sağlayıcısı seçimi sonucu ne kadar etkiliyor?
Çoğu e-ticaret kullanım alanında beklediğinizden az. Aynı işi yapan sağlayıcılar arasındaki fark, veri kalitesi ve iş akışına bağlanma biçiminin yarattığı farkın yanında küçük kalıyor. Sağlayıcı seçimine harcanan üç haftayı veri temizliğine harcamak, neredeyse her zaman daha iyi bir sonuç veriyor.