Reklam verisi kalitesi yapay zekanın sonucunu nasıl belirler

Reklam verisi kalitesi, reklam hesabınıza dönen dönüşüm sinyalinin ne kadar doğru, ne kadar eksiksiz, ne kadar tutarlı ve ne kadar zamanında olduğudur. Meta ve Google tarafındaki teslimat sistemleri geçmiş dönüşüm örneklerine bakarak kimin dönüşeceğini tahmin eder; yani algoritma, kendisine gösterilen örneklerden daha iyi olamaz. Kreatife dokunmadan, bütçeyi değiştirmeden, sadece hesaba giden olay akışını düzelterek sonucun kımıldamasının sebebi budur. Bu yazı kurulumun nasıl yapıldığını değil, bozuk sinyalin öğrenmeyi nasıl bozduğunu ve hangi sorunu hangi sırayla temizlemeniz gerektiğini anlatıyor. Kurulumun kendisi için piksel kurulumu yazısı zaten mevcut.

Reklam verisi kalitesi dört eksende ölçülür

Veri kalitesini tek bir puana indirmek yerine dört ayrı eksende düşünmek işe yarar, çünkü her eksenin bozulması algoritmada başka bir hataya dönüşür.

• Doğruluk: Gönderilen olay gerçekten olan şeyi mi anlatıyor? Teşekkür sayfası her yenilendiğinde yeniden tetiklenen bir satın alma olayı doğru değildir.
• Eksiksizlik: Gerçekleşen dönüşümlerin kaçta kaçı sisteme ulaşıyor? Kapıda ödeme akışı, telefonla tamamlanan siparişler ve tarayıcı engelleri burada kayıp yaratır.
• Tutarlılık: Aynı olay her seferinde aynı isimle, aynı parametrelerle ve aynı tanımla mı gidiyor? Bir kampanyada form gönderimi, diğerinde kayıt tamamlama başarı sayılıyorsa iki farklı dünyayı optimize ediyorsunuz demektir.
• Zamanındalık: Olay, dönüşüm gerçekleştikten ne kadar sonra hesaba düşüyor? Geç düşen sinyal tahmin modelinin geri bildirim döngüsünü yavaşlatır.

Bozuk sinyal algoritmaya tam olarak ne öğretir

Çoğu hesapta atlanan kısım burası. Bozuk veri yalnızca raporu yanıltmaz, teslimat kararlarını da değiştirir; çünkü aynı veri hem rapordur hem de eğitim örneğidir.

Eksik olay yanlış bir ders verir

Bir kitle diliminden gelen dönüşümler sistematik olarak kaydedilmiyorsa, model o dilimi dönüşmeyen kitle diye öğrenir ve gösterimi oradan çeker. Sorun kitlede değil ölçümdedir, ama bedeli kitle öder. En sinsi hali, kaybın tek bir cihazda ya da tek bir ödeme yönteminde yoğunlaşmasıdır: rapor toplamda makul görünür, teslimat ise sessizce daralır.

Mükerrer olay yanlış kişiyi ödüllendirir

Aynı satın alma iki kez sayıldığında model, o dönüşümü üreten profile benzeyen kişilere iki kat güven duyar. Tekilleştirmenin nasıl kurulduğu başlı başına ayrı bir konu; burada önemli olan, mükerrer kaydın hem başarıyı şişirmesi hem de yanlış bir benzerlik dersini pekiştirmesidir.

Değeri gitmeyen dönüşüm bütün siparişleri eşitler

Dönüşüm değeri hiç gönderilmiyorsa ya da her siparişe sabit bir sayı yazılıyorsa, 300 liralık bir sipariş ile 3.000 liralık bir sipariş model için aynı şeydir. Sistem doğal olarak ucuz dönüşümü kovalar, çünkü ölçüt olarak ona adet verilmiştir.

Geç gelen olay geri bildirim döngüsünü koparır

Dönüşüm tıklamadan günler sonra gerçekleşiyorsa veya sunucu tarafındaki gönderim gecikmeliyse, dünkü kararı dünkü veriyle veremezsiniz. Bu, satın alma döngüsü uzun olan işlerde ve teklif üzerinden ilerleyen satışlarda en çok hissedilir. Kampanyayı gecikme süresi dolmadan kapatmak, aslında henüz gelmemiş dönüşümleri yok saymak demektir.

Rastgele gürültü ile sistematik sapma aynı şey değil

Veri kalitesi tartışmasının en faydalı ayrımı budur ve tek başına bir denetimin yönünü belirler. Rastgele kayıp, yani ölçümün her yerden aşağı yukarı eşit oranda eksik gelmesi, modelin öğrenmesini yavaşlatır ama yönünü bozmaz; yeterli hacim biriktiğinde adayların sıralaması benzer kalır. Sistematik sapma ise yönü değiştirir. Kayıp tek bir cihazda, tek bir ürün grubunda veya tek bir ödeme yönteminde toplandığında model gerçekten farklı bir optimum bulur ve bulduğu optimum sizin işinize ait değildir. Bu yüzden verimiz biraz eksik ama oran her yerde aynı demeden önce, kaybın nerede yoğunlaştığını görmeniz gerekir.

Temizlik sırası ve neden bu sırayla

Sıra keyfi değil. Her adım kendinden öncekinin üstünden ölçülür; alttaki katman yanlışken üsttekini düzeltmeye çalışmak, yanlış bir sayıyı daha hassas hale getirmekten ibarettir.

• 1. Tek bir dönüşüm tanımı. Hesapta hangi olayın gerçek başarı sayıldığına karar verin. Google tarafında birincil ve ikincil dönüşüm ayrımı, Meta tarafında optimizasyon olayı seçimi bunu belirler. İki ekip iki farklı olayı başarı sayıyorsa geri kalan her ölçüm tartışmalıdır.
• 2. Sayım doğruluğu. Mükerrer ve eksik olayları burada temizleyin. Kaç dönüşüm olduğu netleşmeden değer ve eşleşme tartışmasına girmenin anlamı yok.
• 3. Değer gönderimi. Her dönüşüme gerçek tutarın gitmesini sağlayın. Kargonun, verginin ve indirimin dahil olup olmadığına tek bir kural koyun ve o kurala bütün hesapta sadık kalın.
• 4. Eşleşme zenginliği. Olayla birlikte giden müşteri parametrelerinin genişletilmesi bu aşamada gelir. Eşleşme kalitesi puanını yükseltmek kendi başına bir çalışmadır ve sayım ile değer düzelmeden ona zaman ayırmak sırayı bozar.
• 5. Zamanlama. En son, dönüşümün ortalama ne kadar sürede geldiğini ölçün ve karar ritminizi bu süreye göre kurun.

Bu sıranın pratik faydası şu: her adımın etkisini bir sonrakine geçmeden görebilirsiniz. Hepsini aynı hafta değiştirirseniz, performanstaki değişikliğin hangi düzeltmeden geldiğini bir daha asla bilemezsiniz.

Kendi hesabınızda iki kontrol

Aşağıdaki iki kontrol hiçbir sektör ortalamasına ihtiyaç duymaz, tamamen kendi verinizle çalışır. Tek bir 30 günlük pencere seçin ve iki kontrolü de aynı pencereyle yapın.

Sayım kontrolü

Diyelim ki 30 günde 60.000 TL harcadınız. Reklam panelinde 150 satın alma olayı görünüyor, oysa sipariş kayıtlarınızda aynı pencerede 120 sipariş var ve hesabı basit tutmak için hepsinin reklamdan geldiğini varsayalım. Raporlanan 150 olayın 30 tanesi fazladan, yani raporlanan olayların beşte biri mükerrer. Panelde sipariş başına maliyet 60.000 ÷ 150 = 400 TL görünür. Gerçek sipariş sayısı 120 olduğu için gerçek maliyet 60.000 ÷ 120 = 500 TL. Yani gerçek maliyet, panelde gördüğünüzün 1,25 katı. Aynı şişme değer tarafına da geçer: 120 siparişin gerçek cirosu 120.000 TL iken panel mükerrer kayıtlar yüzünden 150.000 TL raporlar. ROAS panelde 150.000 ÷ 60.000 = 2,5 görünür, gerçekte 120.000 ÷ 60.000 = 2,0 olur. Aynı 1,25 katsayısı iki metrikte birden karşınıza çıkar.

Değer kontrolü

Mükerrer kayıtları temizledikten sonra panelin aynı pencerede 120 dönüşüm ve 96.000 TL toplam dönüşüm değeri gösterdiğini varsayalım. Olay başına raporlanan ortalama değer 96.000 ÷ 120 = 800 TL. Sipariş kayıtlarınızdaki gerçek ortalama sepet ise 120.000 ÷ 120 = 1.000 TL. Aradaki 200 TL, gerçek ortalamanın beşte biri. Bu fark çoğunlukla kargo ve vergi kalemlerinin dışarıda kalmasından ya da bazı ürün sayfalarında değer parametresinin hiç gitmemesinden doğar. Kendi ortalama sepet tutarınızı temiz biçimde çıkarmak için sepet ortalaması hesaplama aracını kullanabilirsiniz.

Kritik nokta şu: eksiklik bütün siparişlerde aynı oranda ise, değer üzerinden çalışan optimizasyon ölçek farkını büyük ölçüde tolere eder. Ama eksiklik tek bir ürün grubunda toplanıyorsa model o grubu sistematik olarak daha az değerli sanır ve bütçeyi oradan çeker. Bu yüzden farkı toplamda değil, ürün grubu kırılımında inceleyin.

Denetim bittikten sonra ne olur

Sinyal temizlendikten sonraki ilk haftalarda rakamlar kötüleşmiş gibi görünebilir; mükerrer kayıtlar kalktığı için raporlanan dönüşüm düşer, maliyet yükselir. Bu bir gerileme değil, gerçeğe yaklaşmadır ve karar kalitesi buradan itibaren yükselir. Ölçüm tarafındaki değişikliklerin kampanyaları yeniden öğrenme dönemine sokabileceğini de hesaba katın. Belirtileri teşhis ederken piksel verilerinin yanlış gelmesi yazısındaki kontrol adımları işinizi kolaylaştırır. Hedefleme tarafında yapacağınız iyileştirmeler de aynı olay akışını girdi olarak kullanır; yapay zeka destekli hedefleme yaklaşımlarının çıktısı, beslendiği sinyalin kalitesiyle sınırlıdır.

Veri kalitesi bir kere yapılıp bitirilen iş değil. Tema güncellemesi, yeni bir ödeme sağlayıcısı, mağazaya eklenen bir uygulama ya da bir eklentinin devreye girmesi sinyali sessizce bozabilir. Ayda bir kez sayım ve değer kontrolünü tekrarlamak, üç ay sonra sebebi bulunamayan bir performans düşüşüyle uğraşmaktan çok daha ucuzdur.