E-ticaret ve B2B sipariş platformlarında öneri kutuları artık yalnızca bir vitrin öğesi değil. Doğru kurgulanan bir yapay zeka ürün öneri sistemi, kullanıcının aradığı ürünü daha hızlı bulmasını sağlar, sepeti büyütür ve tekrar sipariş süresini kısaltır. Özellikle yüzlerce SKU yerine 10.000+ ürün, farklı fiyat listeleri, bayi bazlı kataloglar ve dönemsel kampanyalar devreye girdiğinde manuel kural setleri kısa sürede yetersiz kalır.

İyi bir öneri motoru, tek bir modele indirgenemez. Çoğu projede en verimli yaklaşım; davranış verisini, ürün kataloğunu, sipariş geçmişini ve iş kurallarını aynı akışta bir araya getirmektir. Örneğin bir B2B platformunda kullanıcı son 180 gün içinde aynı filtre grubundan düzenli alım yapıyorsa “tekrar sipariş” alanı öne çıkar. Aynı oturumda tamamlayıcı ürün oranı yüksekse çapraz satış önerileri devreye girer. E-ticarette ise ürün detay sayfasındaki benzer ürün ve birlikte alınan ürün blokları, farklı mantıklarla çalışır.

Bu yazıda öneri motorunun veri katmanını, model seçeneklerini, sepet ve tekrar sipariş kullanım senaryolarını, ölçüm metriklerini ve canlıya alma mimarisini ele alacağız. Amacımız, pazarlama diliyle değil; üretimde çalışan bir sistem perspektifiyle konuya yaklaşmak.

Yapay zeka ürün öneri sistemi hangi iş problemini çözer?

Öneri sistemi, en temelde karar yükünü azaltır. Kullanıcı 40 ürünlük bir sonuç listesinde kaybolduğunda dönüşüm düşer. İyi çalışan bir motor, doğru anda 4 ila 12 ürünlük anlamlı bir seçki sunar. Bu sayı sabit olmak zorunda değildir; mobilde 4, masaüstünde 8 öneri gibi yerleşimler daha sağlıklı olabilir.

E-ticarette amaç çoğu zaman ürün keşfi ve sepet değeridir. B2B sipariş sistemlerinde ise tablo biraz değişir. Burada hız, tekrar alım kolaylığı, bayi bazlı fiyat uyumu ve ürün bulunabilirliği öne çıkar. Bir üretici distribütör portalını düşünelim: Kullanıcı ayda bir kez 250 kalem sipariş geçiyor. Böyle bir yapıda öneri motorunun görevi yalnızca yeni ürün satmak değildir; eksik kalemleri hatırlatmak, eşdeğer ambalaj seçeneklerini göstermek ve geçmiş sipariş desenlerine göre listeyi hızlandırmaktır.

İş değerini ölçerken tek bir metriğe bakmak yanıltıcı olabilir. En sık izlenen göstergeler şunlardır:

  • Öneri tıklama oranı
  • Öneri kaynaklı sepete ekleme oranı
  • Öneri gösterilen oturumlarda dönüşüm farkı
  • Ortalama sepet tutarı veya kalem sayısı
  • Tekrar siparişe geçen süre

Bunlara ek olarak B2B tarafında “sipariş tamamlama süresi” kritik bir metriktir. Örneğin 12 dakikalık ortalama sipariş oluşturma süresini 8 dakikaya indirmek, satış ekibi açısından doğrudan operasyonel verim anlamına gelir.

Veri temeli: iyi öneri motoru önce doğru veri modeli ister

Öneri sistemlerinin başarısı, çoğu zaman model seçiminden önce veri kalitesine bağlıdır. En sık ihtiyaç duyulan veri kümeleri 4 ana başlıkta toplanır: kullanıcı davranışları, sipariş hareketleri, ürün kataloğu ve bağlamsal sinyaller.

Toplanması gereken temel olaylar

Bir e-ticaret veya B2B uygulamasında minimum event seti genelde şöyledir:

  • product_view
  • search
  • add_to_cart
  • remove_from_cart
  • purchase
  • reorder_click

Her olayda en az user_id, product_id, timestamp, kanal bilgisi ve mümkünse oturum kimliği tutulmalıdır. B2B sistemlerinde buna account_id, bayi segmenti, fiyat listesi ve teslimat bölgesi de eklenir. Çünkü aynı kullanıcı davranışı, farklı müşteri gruplarında farklı ticari anlamlar taşıyabilir.

Ürün verisi neden kritik?

Sadece sipariş geçmişiyle çalışan sistemler yeni ürünlerde zorlanır. Buna “cold start” denir. Ürün kartında kategori, marka, teknik özellikler, ambalaj tipi, hacim, uyumluluk bilgisi ve fiyat bandı varsa içerik tabanlı öneriler üretmek kolaylaşır. 5.000 SKU üzerindeki kataloglarda ürün özelliklerinin normalize edilmesi ciddi fark yaratır. “1 lt”, “1L”, “1000 ml” gibi alanlar standardize edilmezse model benzerliği yanlış hesaplanır.

Kurumsal projelerde ürün verisi çoğu zaman ERP, PIM ve e-ticaret veritabanı arasında dağınık olur. Bu yüzden öneri motorundan önce veri eşleme katmanı kurulmalıdır. Aksi halde model iyi olsa bile çıktı güven vermez.

Sepet, tekrar sipariş ve çapraz satış için hangi yaklaşım kullanılır?

Tek bir algoritma, her kutuda aynı performansı vermez. Uygulamada genellikle hibrit bir mimari tercih edilir; yani birden fazla yöntem aynı servis içinde skor üretir.

Sepet içi öneriler

Sepet sayfasında amaç, satın alma niyetini bozmadan tamamlayıcı ürün göstermektir. Burada en sık kullanılan yöntemlerden biri “birlikte satın alınan ürün” analizidir. Basit düzeyde association rules veya co-occurrence matrisi yeterli olabilir. Örneğin son 90 gündeki siparişlerde ürün A ile ürün B aynı siparişte anlamlı sıklıkta geçiyorsa sistem B’yi önerebilir.

Ancak yalnızca eş görülme sayısı yeterli değildir. Stokta olmayan, müşteri segmentine kapalı ya da zaten sepette bulunan ürünlerin filtrelenmesi gerekir. Ayrıca B2B siparişte karton, koli, palet gibi ambalaj hiyerarşileri de hesaba katılmalıdır.

Tekrar sipariş önerileri

B2B tarafında en güçlü kullanım senaryolarından biri budur. Sistem, son 30, 60 veya 180 gündeki sipariş sıklığını inceleyerek müşterinin döngüsel satın alma desenini bulur. Diyelim ki bir bayi her 28 ila 35 günde bir aynı sarf malzemesini alıyor. 26. günde bu ürün “yeniden siparişe uygun” olarak öne çıkarılabilir.

Burada basit bir kural bile yüksek değer üretebilir:

if days_since_last_order >= expected_cycle * 0.85:
    boost_reorder_score(product_id)

Makine öğrenmesi eklendiğinde mevsimsellik, kampanya etkisi, fiyat değişimi, stok kesintisi ve müşteri bazlı tüketim hızı gibi sinyaller de modele dahil edilebilir.

Çapraz satış önerileri

Çapraz satış, benzer ürün önermekten farklıdır. Buradaki amaç ikame değil, tamamlayıcılıktır. Yazıcı satarken toner, endüstriyel ekipman satarken uyumlu sarf seti, gıda toptan siparişte taşıma veya ambalaj kalemleri önermek gibi düşünebilirsiniz. Ürünler arası ilişkiyi yalnızca kullanıcı davranışıyla değil, katalogdaki teknik uyumluluk verisiyle de güçlendirmek gerekir.

En iyi sonuçlar, davranış tabanlı skor ile iş kuralı skorunun birlikte kullanıldığı senaryolarda ortaya çıkar. Örneğin uyumluluk puanı 0.8’in altındaysa ürün çapraz satış alanına hiç girmeyebilir.

Model seçenekleri: kurala dayalı, makine öğrenmesi ve hibrit yapı

İlk sürümde derin öğrenme kullanmak şart değildir. Özellikle veri hacmi sınırlıysa iyi tanımlanmış kurallar daha şeffaf sonuç verir. 3 aşamalı bir olgunluk yaklaşımı daha gerçekçidir.

1. Kural tabanlı başlangıç

İlk 4 ila 6 haftalık MVP aşamasında şu kurallar yeterli olabilir:

  • Son siparişten türetilen tekrar sipariş listesi
  • Aynı kategoride çok satan benzer ürünler
  • Birlikte satın alınma matrisine dayalı tamamlayıcı ürünler

Bu yapı hızlıca devreye alınır ve iş ekipleri tarafından denetlenebilir.

2. Makine öğrenmesi ile sıralama

Veri birikmeye başladığında aday ürün listesini bir ranking modeliyle sıralamak mantıklıdır. Burada gradient boosting, factorization yöntemleri veya embedding tabanlı yaklaşımlar kullanılabilir. Modelin girdi özellikleri arasında görüntüleme sayısı, son sipariş tarihi, kategori yakınlığı, hesap bazlı satın alma sıklığı ve fiyat segmenti yer alabilir.

3. Hibrit servis mimarisi

Üretim ortamında sık görülen desen şudur: Önce 100 ila 300 aday ürün bulunur, ardından kural filtresi uygulanır, en sonda sıralama modeli bu listeyi daraltır. Çıktı API üzerinden örneğin 50-150 ms aralığında dönmelidir. Mobil ve web deneyiminde 300 ms üzeri gecikme hissedilir hale gelir.

Sistem mimarisi ve entegrasyon katmanı nasıl kurgulanır?

Kurumsal yapılarda öneri motoru nadiren tek başına çalışır. Genellikle e-ticaret altyapısı, ERP, CRM, stok servisi, fiyatlama servisi ve analitik katmanla entegre olur. Bu nedenle servis sınırlarını net biçimde çizmek gerekir.

Pratik bir mimari şu bileşenleri içerir:

  • Event toplama katmanı
  • Özellik deposu veya analitik veri ambarı
  • Model eğitim hattı
  • Gerçek zamanlı öneri API’si
  • A/B test ve gözlemleme paneli

B2B projelerde özellikle yetkilendirme önemlidir. Aynı ürün her müşteri için gösterilemeyebilir. Öneri servisi yanıt üretmeden önce fiyat listesi, katalog görünürlüğü ve stok bölgesi kontrollerini yapmalıdır. Aksi halde kullanıcı önerilen ürüne tıkladığında “satın alınamaz” ekranı görür; bu da güven kaybına yol açar.

Bulut tarafında öneri servisinin container bazlı ölçeklenmesi yaygın bir tercihtir. Trafik artışı kampanya dönemlerinde 3 katına çıkabiliyorsa cache ve ön hesaplanmış öneri listeleri maliyeti dengeler.

Başarı nasıl ölçülür? A/B test olmadan karar vermeyin

Öneri motoru canlıya alındıktan sonra “tıklamalar arttı” demek tek başına yeterli değildir. Çünkü bazı kutular dikkat çekse de siparişe katkısı düşük olabilir. Sağlıklı bir değerlendirme için kontrol grubu gerekir.

Örneğin trafiğin yüzde 10’u önerisiz, yüzde 45’i kural tabanlı, yüzde 45’i hibrit modele yönlendirilebilir. Test süresi platform hacmine göre değişir; düşük trafikli B2B sistemlerde 2 haftalık sonuçlar erken yorumlanabilir, daha uzun bir pencere gerekebilir.

Bakılması gereken temel metrikler:

  • Öneri gösterim başına gelir etkisi
  • Sepete ekleme oranındaki fark
  • Tekrar sipariş ekranından verilen sipariş sayısı
  • Çapraz satış ürünlerinin sipariş içindeki payı
  • Yanlış öneri geri bildirimi veya düşük etkileşimli SKU oranı

Bir diğer kritik konu da açıklanabilirliktir. Özellikle satış ekipleri “neden bu ürün önerildi?” sorusunu sorar. En azından iş tarafına yönelik açıklama etiketleri üretmek faydalıdır: “Son 60 gündeki siparişlerinize göre”, “Bu ürünle sık alınır”, “Uyumlu sarf ürünü” gibi.

Proje planı: 8-12 haftada çalışan ilk sürüm mümkün mü?

Evet, çoğu orta ölçekli proje için bu mümkün. Elbette veri erişimi ve entegrasyon karmaşıklığı süreyi etkiler. Tipik bir ilk faz planı şöyle ilerler:

  • 1-2 hafta: hedef kutuların ve KPI’ların tanımı
  • 2-4 hafta: event izleme, veri eşleme, katalog temizliği
  • 2 hafta: kural tabanlı ve co-occurrence tabanlı ilk motor
  • 1-2 hafta: API entegrasyonu, cache, yetki kontrolleri
  • 2 hafta: A/B test kurulumu ve izleme panelleri

İlk sürümde her şeyi aynı anda çözmeye çalışmak yerine 2-3 öneri alanına odaklanmak daha doğru olur: ürün detay, sepet ve tekrar sipariş modülü gibi. Sonraki fazda arama sonuçları kişiselleştirmesi veya bayi bazlı kampanya önerileri eklenebilir.

Özetle, yapay zeka ürün öneri sistemi başarılı olduğunda yalnızca “daha çok ürün gösteren” bir modül olarak kalmaz; sipariş akışını hızlandıran, kullanıcı kararını sadeleştiren ve ticari kurallarla uyumlu çalışan bir karar katmanına dönüşür. E-ticaret tarafında sepet ve çapraz satış etkisi yaratırken, B2B dünyasında tekrar sipariş verimliliği çoğu zaman daha büyük değer üretir. Sağlam bir veri modeli, ölçülebilir KPI’lar ve kontrollü canlı testler kurulduğunda öneri motoru kısa sürede somut çıktılar vermeye başlar.