Tecof • 15 Eylül 2026
AI ile Google Analytics Verilerini Analiz Etme
Kısaca
Google Analytics 4, ziyaretçi davranışını olaylar halinde toplayan bir ölçüm aracıdır; yapay zeka ise bu olayların ne anlama geldiğine dair hipotez üreten bir yorumlayıcıdır. İkisi birbirinin yerine geçmez. GA4 size dönüşüm oranının yüzde 1,8'den yüzde 1,2'ye düştüğünü söyler; hangi üç şeyin bunu yapmış olabileceğini ve hangi raporla doğrulanacağını söylemez. 2026 itibarıyla soru "verimiz var mı" değil, "hangi soruyu, hangi kırılımla, hangi doğrulama adımıyla soruyoruz" sorusudur.
Salı sabahı 09.15. Haftalık rapor masaya geliyor: oturum 18.400, geçen haftaya göre yüzde 4 artmış; dönüşüm oranı yüzde 1,81'den yüzde 1,24'e düşmüş; ciro 412.000 TL'den 331.000 TL'ye inmiş. Ekipten biri raporun ekran görüntüsünü alıp yapay zekaya yapıştırıyor ve "bu veriyi yorumla" diyor. Gelen cevap şu: sayfa hızını iyileştirin, ürün görsellerini zenginleştirin, sepeti terk edenlere e-posta gönderin. Üç öneri de doğru, üçü de o hafta ne olduğunu açıklamıyor.
Aynı veri, kanal ve cihaz kırılımıyla birlikte ve "hangi kırılımda düşüş toplam düşüşün yarısından fazlasını açıklıyor" sorusuyla verildiğinde cevap değişiyor: düşüşün 63.000 TL'si mobil-Meta trafiğinde ve tek bir kampanyada toplanıyor. Fark, modelde değil, sorunun kurulumunda.
GA4 Verisi Neden Tek Başına Cevap Vermez?
Analitik panelleri "ne oldu" sorusunu iyi cevaplar, "neden oldu" sorusunu hiç cevaplamaz. Aradaki boşluk, yapay zekanın gerçekten işe yaradığı yerdir; ama o boşluğa girmeden önce verinin kendi sınırlarını bilmek gerekir.
Olay tabanlı model ve kaybolan bağlam
GA4, eski Universal Analytics'in oturum merkezli mantığını bırakıp her şeyi olay olarak kaydeder: page_view: sayfa görüntüleme, view_item: ürün görüntüleme, add_to_cart: sepete ekleme, begin_checkout: ödemeye başlama, purchase: satın alma. Bu yapı esnek, ama bir olayın yanında hangi parametrelerin gittiği tamamen sizin kurulumunuza bağlıdır. Ürün kategorisi item_category alanına yazılmamışsa, kategori bazlı hiçbir analiz mümkün değildir; model de bunu bilmeden "kategori kırılımına bakın" der ve siz on dakika boş rapor ararsınız.
Eşik, örnekleme ve gecikme
GA4 arayüzünde gördüğünüz her sayı ham veri değildir. Kullanıcı sayısı düşük kırılımlarda veri eşiklenerek gizlenir, geniş tarih aralıklarında örnekleme devreye girer ve dönüşüm verisi 24-48 saat boyunca oturmaya devam eder. Dün gece kapanan bir günü sabah 09.00'da modele okutup "dün ciro çakıldı" sonucuna varmak, veriyle değil, verinin henüz gelmemiş kısmıyla konuşmaktır. Kural basit: karşılaştırma yapacağınız dönemler tam ve eşit uzunlukta olsun, son iki günü analize dahil etmeyin.
Yapay zekanın devreye girdiği yer
Model üç işte insandan hızlıdır: çok sayıda kırılımı aynı anda tarayıp hangisinin toplam değişimi açıkladığını bulmak, bir sapma için akla yatkın sebep listesi çıkarmak, ve bulguları başkasının okuyabileceği bir dille özetlemek. Bu üçünün hiçbiri "karar vermek" değildir; üçü de karar verecek kişinin önüne daha iyi bir masa kurar.
Doğru Soruyu Kurmak
Analitik promptlarının büyük çoğunluğu "bu veriyi yorumla" cümlesiyle başlar ve bu, alınabilecek en genel cevabı garanti eder. İyi soru üç şeyi içerir: dönem, kırılım ve karar.
Kötü soru, iyi soru
Kötü soru: "Geçen ayın Analytics verisi ekte, yorumlar mısın?" İyi soru: "Ekteki tabloda 1-31 Ağustos ile 1-31 Temmuz arasında kanal ve cihaz kırılımında oturum, dönüşüm oranı ve ciro var. Toplam ciro değişiminin yüzde 50'sinden fazlasını açıklayan kırılımları bul, her biri için iki olası sebep yaz ve her sebep için GA4'te hangi raporla doğrulanacağını söyle. Hesaplama yapma, tablodaki sayıları kullan." İkinci soru daha uzun değil, daha belirleyicidir. Promptun bileşenlerini ve sınır yazmanın neden işe yaradığını prompt engineering rehberinde ayrıntılı ele almıştık.
Karar sorusu olmadan analiz olmaz
Her analizin sonunda birinin bir şey yapması gerekir. Promptun içine kararı yazın: "Bu hafta reklam bütçesini hangi kampanyadan hangisine kaydırmalıyım?" sorusu, "performansı değerlendir" cümlesinden bambaşka bir çıktı üretir. Karar yoksa analiz de rapor klasörüne gider.
Soru kalıpları
| İş | Zorunlu girdi | Sorulacak soru | Beklenen çıktı |
|---|---|---|---|
| Ani düşüş teşhisi | 2 eşit dönem, kanal+cihaz kırılımı | Değişimin yarısını hangi kırılım açıklıyor? | Kırılım listesi + doğrulama raporu |
| Kanal verimliliği | Kanal bazında oturum, dönüşüm, ciro, maliyet | Hangi kanalın marjinal getirisi en düşük? | Sıralama + bütçe önerisi |
| Huni tıkanıklığı | view_item → add_to_cart → purchase adım sayıları | En büyük yüzdesel kayıp hangi adımda? | Adım + test edilecek hipotez |
| Kategori analizi | Kategori bazında ciro, adet, sepet ortalaması | Hangi kategori ciroyu taşıyor, hangisi sürükleniyor? | İki liste + aksiyon |
| Sayfa performansı | Giriş sayfası, oturum, hemen çıkma, dönüşüm | Trafiği yüksek, dönüşümü düşük ilk 10 sayfa? | Sayfa listesi + öncelik sırası |
Veriyi Modele Nasıl Taşırsınız?
Analitik analizinde en çok zaman kaybettiren adım, veriyi modelin okuyabileceği hale getirmektir. Yöntem seçimi, analizin ne kadar sık tekrarlanacağına bağlıdır.
Ekran görüntüsü en zayıf yoldur
Panel ekran görüntüsünü modele okutmak hızlıdır ama üç sorun taşır: sayılar okuma hatasına açıktır, kırılım eksik kalır, ve aynı analizi ertesi hafta tekrarlamanın yolu yoktur. Tek seferlik bir bakış için kabul edilebilir, düzenli iş için değildir.
CSV dışa aktarım
Çoğu ekip için doğru başlangıç noktası budur. GA4'te ihtiyacınız olan boyut ve metrikleri içeren bir keşif raporu kurar, CSV olarak indirir ve modele dosya olarak verirsiniz. Avantajı, sayıların net olması ve aynı raporu her hafta aynı şekilde indirebilmenizdir. Sınırı, satır sayısının büyümesiyle birlikte modelin bağlam penceresini doldurmasıdır; 5.000 satırın üzerine çıkıyorsanız veriyi önce özetleyin.
GA4 Data API ile otomatikleştirme
Aynı analizi haftada bir yapıyorsanız, elle indirme adımı üçüncü haftada aksamaya başlar. Google Analytics Data API, istediğiniz boyut ve metrikleri programatik olarak çeker; kısa bir script veriyi çeker, özetler ve modele gönderir. Bu noktada analiz bir rapor olmaktan çıkıp bir akış haline gelir. API'nin ne olduğu ve entegrasyonların nasıl kurulduğu konusunda API rehberimiz temel çerçeveyi veriyor.
BigQuery ve ham olay verisi
GA4'ün BigQuery aktarımı, arayüzde göremediğiniz ham olay verisini verir: eşikleme yok, örnekleme yok, kullanıcı bazında olay dizisi var. Büyük kataloglarda ve çok kanallı kurulumlarda tek doğru yol budur. Maliyeti sorgu başına düşüktür ama SQL bilgisi gerektirir; burada yapay zekanın en iyi kullanımı analiz değil, sorgu yazmaktır.
| Yöntem | Kurulum süresi | Tekrarlanabilirlik | Veri kalitesi | Kime uygun |
|---|---|---|---|---|
| Ekran görüntüsü | 1 dakika | Yok | Düşük | Tek seferlik bakış |
| CSV dışa aktarım | 15-30 dakika | Orta (elle) | İyi | Haftalık rapor yazan ekip |
| Data API | 1-2 gün | Yüksek | İyi | Düzenli analiz akışı |
| BigQuery | 3-5 gün | Yüksek | Çok iyi | Büyük katalog, çok kanal |
KVKK ve veri asgariliği
Analitik verisini model sağlayıcısına göndermek, veri aktarımıdır. Kural basittir: kimliği doğrudan ya da dolaylı olarak işaret eden hiçbir alan prompta girmez. Analiz için kullanıcı kimliği (user_id, client_id), e-posta, telefon, sipariş numarası ve IP gerekmez; kanal, cihaz, kategori, tarih ve toplulaştırılmış sayılar yeter. Aydınlatma metninizde otomatik karar destek süreçlerine yer verin ve model sağlayıcısını veri işleyen listesine ekleyin. Consent Mode kullanıyorsanız, onay vermeyen ziyaretçilerin modellenmiş veriyle temsil edildiğini ve bu kısmın gerçek ölçüm olmadığını analiz notunuza yazın; aksi halde iki dönem arasındaki onay oranı farkı size sahte bir trend olarak geri döner.
Modelin İyi ve Kötü Yaptığı İşler
Yapay zekayı analitikte hayal kırıklığına uğratan şey, genellikle ona yanlış işi vermektir. Ayrımı net koymak gerekir.
Aritmetiği tabloya bırakın
Dil modelleri sayı işlemede güvenilir değildir. Yüzde değişim, ağırlıklı ortalama, katkı payı gibi hesapları tabloda yapın ve modele hesaplanmış sütunları verin. Modelin işi, "mobil Meta trafiğinde dönüşüm oranı yüzde 42 düşmüş" cümlesini hesaplamak değil, bunun neden olmuş olabileceğini söylemektir. Reklam metriklerinin ve ROAS hesabının formülleri nettir; bunları modele yaptırmak gereksiz risktir.
Hipotez üretiminde güçlüdür
"Sepete ekleme sabit kalırken ödeme başlatma yüzde 30 düştü, olası beş sebep nedir?" sorusuna model iyi cevap verir: kargo bedeli görünürlüğü, ödeme yöntemi hatası, stok yetersizliği uyarısı, mobil formda alan hatası, kampanya kodu doğrulama sorunu. Bu liste size kontrol edilecek beş yer verir; hangisinin doğru olduğunu siz bulursunuz.
Anomaliyi açıklamakta zayıftır
Model sizin takviminizi bilmez. Cuma günü ciro iki katına çıktıysa bunun sebebi kampanya, influencer paylaşımı veya bir pazaryeri indirimi olabilir; model bunların hiçbirini bilmeden en olası genel açıklamayı üretir. Çözüm, prompta bağlam eklemektir: "12 Ağustos'ta yüzde 20 indirim kampanyası başladı, 19 Ağustos'ta bitti." Bu tek cümle, analizin kalitesini ikiye katlar.
| Görev | Model performansı | Doğru kullanım |
|---|---|---|
| Yüzde ve ortalama hesaplama | Zayıf | Tabloda hesaplayın, sonucu verin |
| Kırılım tarama | İyi | Tüm kırılımları verin, sıralatın |
| Sebep hipotezi üretme | Çok iyi | Bağlam ve takvim ekleyin |
| Rapor metni yazma | Çok iyi | Hedef kitleyi ve uzunluğu belirtin |
| Takvim/kampanya bilgisi | Yok | Prompta siz yazın |
| SQL/sorgu yazma | İyi | Şema örneğini verin, çıktıyı test edin |
Türkiye'ye Özgü Okuma Hataları
Global örneklerle çalışan bir model, yerel gerçeklerin hiçbirini bilmez. Aşağıdaki üç başlık, Türkiye'de en sık yanlış okunan yerlerdir.
Kargo ve teslimat takvimi
Yurtiçi ve Aras Kargo'nun yoğunluk dönemleri, resmi tatiller ve uzun bayram tatilleri sipariş eğrisini belirgin şekilde bozar. Bayram öncesi son kargo gününde ciro sıçrar, ertesi gün çöker. Model bunu "dönüşüm oranında kritik düşüş" diye raporlar; siz takvimi prompta yazarsanız "tatil etkisi, aksiyon gerekmiyor" der.
Pazaryeri ve site trafiğinin karışması
Trendyol ve Hepsiburada'da da satış yapıyorsanız, GA4 yalnızca kendi sitenizi ölçer. Toplam ciro düşerken site cirosunun sabit kalması, işin kötüye gittiği anlamına gelmez; talebin pazaryerine kaydığı anlamına gelebilir. Analize pazaryeri rakamını dahil etmiyorsanız, promptta bunu açıkça belirtin ki model "toplam iş" hakkında konuşmasın.
Consent Mode, İYS ve ölçüm boşluğu
Çerez onayı vermeyen ziyaretçiler için GA4 modellenmiş veri üretir. Onay bandınızın tasarımını değiştirdiğiniz hafta, ölçülen trafik gerçek trafikten bağımsız olarak değişir. E-posta ve SMS kampanyalarının katkısını ölçerken de İYS onaylı liste büyüklüğünü hesaba katmadan kanal karşılaştırması yapmak yanıltıcıdır; kanal bazlı değerlendirme için e-posta ve SMS karşılaştırmamız daha net bir çerçeve sunar.
Otuz Günde Tekrarlanabilir Bir Analiz Düzeni
Tek seferlik iyi bir analiz kimseyi kurtarmaz; her hafta aynı kalitede çıkan bir analiz kurtarır. Aşağıdaki takvim, dağınık denemeleri düzene çevirir.
1-7. gün: ölçümün doğruluğunu kontrol edin
Bu hafta hiç analiz yapılmaz. Satın alma olayının her siparişte tetiklendiğini, ciro değerinin KDV ve kargo açısından tutarlı olduğunu, kanal etiketlemesinin (UTM) düzenli olduğunu ve ürün parametrelerinin dolu geldiğini kontrol edin. GA4 cirosu ile sipariş panelinizdeki ciro arasında yüzde 5'ten büyük fark varsa, önce o farkı kapatın; yanlış veriyle yapılan analiz, analiz değildir.
8-14. gün: üç standart soruyu tanımlayın
Her hafta sorulacak üç soruyu yazın ve her biri için gereken boyut-metrik listesini sabitleyin. Tipik üçlü: kanal verimliliği, huni tıkanıklığı, kategori katkısı. Bu haftanın çıktısı üç prompt ve üç GA4 keşif raporudur.
15-21. gün: dört haftalık geçmişle test edin
Promptları geçmiş dört haftanın verisiyle çalıştırın ve çıkan bulguları o haftalarda gerçekte ne olduğuyla karşılaştırın. Model kampanya haftasını doğru okuyabildi mi, tatil etkisini ayırabildi mi? Yanlış okuduğu her yer, prompta eklenecek bir bağlam cümlesidir.
22-30. gün: akışa bağlayın ve sahiplendirin
CSV indirme adımını mümkünse Data API'ye taşıyın, çıktının gideceği yeri belirleyin (haftalık toplantı notu, panel, e-posta) ve her sorunun bir sahibi olsun. Sahibi olmayan analiz, dördüncü haftada üretilmeyi bırakır. Analizin ürettiği aksiyonları tek bir yerde takip etmek, ajans tarafında uyguladığımız düzenin de temel adımıydı.
Yarın sabah yapabileceğiniz iş şu: GA4'ten son iki tam haftanın kanal ve cihaz kırılımlı oturum, dönüşüm oranı ve ciro tablosunu CSV olarak indirin, yanına o iki haftada yaptığınız kampanyaların tarih listesini yazın ve modele tek bir soru sorun: "Ciro değişiminin yarısından fazlasını hangi kırılım açıklıyor ve bunu hangi raporla doğrularım?" Aldığınız cevabı doğrulamak on dakikanızı alır; doğrulanmış tek bir bulgu, yorumlanmış on sayfadan değerlidir. Analitik, reklam ve sipariş verisinin tek yerde birleştiği bir kurulumda bu adımların çoğu elle yapılmaktan çıkar.
Sıkça Sorulan Sorular
Yapay zeka GA4 panelimi doğrudan okuyabilir mi?
Panelin kendisini değil, veriyi okur. Bunun için ya CSV dışa aktarımı ya da Google Analytics Data API üzerinden bir bağlantı gerekir. "Hesabıma bağlan" diyen araçların yaptığı da budur: arka planda API'den veri çeker.
Hangi model analitik için daha uygun?
Model seçimi, sorunun kurulumundan çok daha az fark yaratır. Uzun tabloları işleyebilen ve talimatlara sadık kalan güncel bir model yeterlidir. Aynı soruyu iki modele sorup cevapları karşılaştırmak, hangisini seçeceğinize dair en hızlı testtir; araç karşılaştırmamızda bu yaklaşımı ayrıntılandırdık.
Kaç satırlık veri verebilirim?
Pratikte 2.000-5.000 satır çoğu model için sorunsuzdur, ama satır sayısı arttıkça cevabın kalitesi düşer çünkü model dikkatini dağıtır. Doğru yaklaşım, tüm satırları vermek değil, analizin sorusuna uygun şekilde toplulaştırılmış bir tablo vermektir.
Model bana yanlış sayı söylerse nasıl anlarım?
Anlamanın tek yolu doğrulamaktır. Her bulgunun yanında "bunu GA4'te hangi raporla kontrol ederim" cümlesini isteyin ve en az bir bulguyu her hafta elle kontrol edin. Hesaplamayı tabloya bırakırsanız bu risk zaten büyük ölçüde ortadan kalkar.
GA4 verisi ile reklam panellerindeki veri neden tutmuyor?
Farklı atıf modelleri ve farklı dönüşüm pencereleri kullandıkları için tutmaz ve tutması da beklenmez. Meta son tıklama dışında görüntüleme bazlı atıf da sayar, GA4 saymaz. Karşılaştırma yaparken tek bir kaynağı referans alın ve bunu promptta da belirtin; aksi halde model iki veriyi uzlaştırmaya çalışıp uydurma bir açıklama üretir.
Küçük bir mağazayım, veri az. Yine de işe yarar mı?
Günde 20-30 siparişin altındaysanız haftalık kırılım analizi gürültüden ibarettir; aylık bakın ve kırılım sayısını azaltın. Bu ölçekte yapay zekanın daha çok kazandırdığı yer analiz değil, üretim tarafıdır: ürün açıklaması ve içerik işleri.
Analiz sonuçlarını otomatik olarak Slack'e ya da e-postaya gönderebilir miyim?
Evet, Data API ile veri çeken bir script çıktıyı istediğiniz kanala gönderebilir. Ama otomatikleştirmeden önce promptun dört hafta boyunca doğru sonuç ürettiğinden emin olun; her sabah kimsenin okumadığı otomatik bir analiz, hiç analiz yapmamaktan daha maliyetlidir.
Bu işi bir ajansa mı yaptırmalıyım, içeride mi kurmalıyım?
Ölçümün doğruluğu (1. hafta işi) genellikle dışarıdan destek gerektirir; soruların tanımlanması ve haftalık yorum içeride kalmalıdır, çünkü kampanya takvimini ve ticari kararları içerideki ekip bilir. Dışarıya verilen yorum işi, üçüncü ayda genel tavsiyelere dönüşür.
Dönüşüm oranı düştüğünde ilk nereye bakmalıyım?
Sırayla: trafik bileşimi değişti mi (yeni bir kanal ya da kampanya trafiği mi geldi), huninin hangi adımında kayıp var, ve teknik bir kırılma var mı (ödeme, stok, sayfa hatası). Üçüncü maddeyi ilk kontrol edin çünkü en hızlı doğrulanır ve en pahalıya mal olur. Dönüşüm tarafında yapısal iyileştirmeler için dönüşüm oranı yazımız ayrı bir kontrol listesi veriyor.
Yapay zekanın ürettiği raporu olduğu gibi yönetime sunabilir miyim?
Sunmayın. Her bulguyu en az bir rapordan doğrulayın ve doğrulanmamış hipotezleri "hipotez" etiketiyle ayırın. Yönetime giden bir belgede doğrulanmamış bir sayı, bir kez yanlış çıktığında sonraki altı ayın tüm analizlerine olan güveni götürür.