ChatGPT, Gemini ve Perplexity Trafiğinin Kalitesi Nasıl Analiz Edilir?

LLM arama motorlarından gelen trafiğin kalitesi, özel UTM parametreleri, referans URL verileri ve oturum bazlı etkileşim metrikleri ile analiz edilmektedir. İşletmeler ve dijital karar vericiler için ChatGPT, Gemini ve Perplexity Trafiğinin Kalitesi Nasıl Analiz Edilir? sorusu, yalnızca ziyaretçi hacmini değil, elde edilen trafiğin ticari değerini, dönüşüm potansiyelini ve geleneksel organik kanallarla olan davranışsal farklarını doğru ölçümlemeyi ifade eder. Bu rehber; Generative Engine Optimization (GEO) çağında yapay zeka kaynaklı kullanıcı hareketlerini Google Analytics 4 (GA4) üzerinde segmente etme, karanlık trafik risklerini minimize etme ve nitelikli lead generation süreçlerini doğrulama adımlarını ele almaktadır.

LLM Kaynaklı Trafik Analizinin Kurumsal Önemi ve Zorlukları

Geleneksel web analitiği, kullanıcıların belirli bir anahtar kelimeyi arama motoruna yazarak sıralanan mavi linklere tıklaması varsayımı üzerine inşa edilmiştir. Ancak üretken yapay zeka motorlarının (ChatGPT, Gemini, Perplexity vb.) bilgiye erişim sürecini dönüştürmesiyle birlikte, trafik akışının doğası kökten değişmiştir. Kullanıcılar artık arama sonuç sayfalarında kaybolmak yerine, dil modellerinin sentezlediği doğrudan yanıtlar içerisindeki kaynak bağlantılarına (AI citation) tıklayarak web sitelerine ulaşmaktadır. Kurumsal organizasyonlar için bu durum, trafik hacminin sayısal büyüklüğünden ziyade hedeflenen kullanıcı niyetine ne kadar uyum sağladığının ölçülmesini zorunlu kılmaktadır.

LLM platformları üzerinden gelen ziyaretçiler, geleneksel arama kullanıcılarına kıyasla bilgi edinme sürecinin "araştırma" ve "değerlendirme" evrelerini sohbet botu içinde tamamlamış olma eğilimindedir. Bu durum, web sitesine ulaşan kullanıcının daha rafine, spesifik bir soruya yanıt arayan veya doğrudan satın alma/karar aşamasına geçmiş bir profilde olmasını sağlar. Trafik kalifikasyonu süreçlerinde bu kullanıcıların davranışsal paternlerini ayrıştırmak, dijital pazarlama ve büyüme ekiplerinin kaynak dağıtımını optimize etmelerine olanak tanır. Doğru bir analitik altyapı olmadan, yüksek potansiyelli bu kitle geleneksel yönlendirme (referral) havuzunun içinde kaybolabilir.

Trafik kalitesini ölçümlemedeki en büyük kurumsal engel, yapay zeka sistemlerinin farklı platform mimarilerine ve tarayıcı yönlendirme protokollerine sahip olmasıdır. Örneğin mobil uygulama içi tarayıcılar (in-app browsers), kullanıcı gizliliği katmanları ve aracı proxy sunucuları, analitik araçlarına gönderilen HTTP başlık bilgilerini değiştirebilmektedir. Karar vericilerin, gelen trafiğin gerçek bir karar verici mi yoksa yalnızca bilgi kırıntısı toplayan yüzeysel bir oturum mu olduğunu tespit edebilmek için derinlemesine etkileşim modelleri kurması gerekmektedir.

Geleneksel Arama Motorları ile Yapay Zeka Motorları Arasındaki Atıf Farkları

Geleneksel arama motoru optimizasyonunda (SEO) kullanıcı doğrudan bir SERP (Arama Motoru Sonuç Sayfası) üzerinden web sitesine giriş yapar ve yönlendiren alan adı net bir şekilde @@CODE0@@ veya @@CODE1@@ olarak izlenir. Atıf modelleri (attribution modeling) bu tıklamaları ilk etkileşim, son etkileşim veya veri odaklı ilişkilendirme modelleriyle net biçimde eşleştirebilir. Ziyaretçinin hangi arama sorgusu ile siteye geldiği bilgisi Google Search Console gibi araçlar üzerinden yüksek doğrulukla raporlanır.

Buna karşın LLM tabanlı sistemlerde atıf mekanizması parçalıdır. Sohbet botu, kullanıcının girdiği karmaşık prompt zincirlerini analiz ederek arka planda Retrieval-Augmented Generation (RAG) mimarisiyle birden fazla web kaynağını tarar. Yanıt oluşturulurken kullanılan bağlantılar, yanıttaki dipnotlar veya kaynak listesi şeklinde sunulur. Dolayısıyla ziyaretçi, bir anahtar kelime araması sonucunda değil, modelin kurduğu anlamsal bir çıkarımın sonucunda bağlantıya tıklar. Bu durum, geleneksel organik trafik metrikleriyle yapay zeka atıflarını doğrudan kıyaslamayı imkansız hale getirir; çünkü kullanıcının sitedeki amacı çok daha ileri düzeyde bir problem çözme ihtiyacına dayanır.

Karanlık Trafik (Dark Traffic) Sorunu ve Veri Kaybı Riskleri

Yapay zeka arama sistemlerinden gelen trafiğin analitik panellerde doğru okunamamasının en temel nedenlerinden biri "karanlık trafik" (dark traffic) olgusudur. Bir ChatGPT veya Gemini kullanıcısı masaüstü veya mobil uygulama arayüzünde sunulan bir web bağlantısına tıkladığında, HTTP yönlendiren (Referrer) bilgisi bazı durumlarda tarayıcı veya platform güvenlik protokolleri nedeniyle temizlenir. Yönlendiren başlığı (referrer header) bulunmayan bu ziyaretler, GA4 ve benzeri analitik platformlar tarafından doğrudan (Direct) trafik olarak etiketlenir.

Karanlık trafik, pazarlama ve analitik ekiplerinin yapay zeka görünürlük çalışmalarının (GEO) gerçek getirisini eksik hesaplamasına yol açar. Bir işletmenin yapay zeka modelleri tarafından sıklıkla kaynak gösterilmesine rağmen, analitik panellerinde doğrudan trafikte anlamsız bir artış görmesi bu kaybın göstergesidir. Veri bütünlüğünü sağlamak ve bu kayıpları engellemek adına platform bazlı davranışların izlenmesi ve özel segmentasyon kurallarının devreye alınması şarttır.

Yapay Zeka Platformlarına Göre Referans ve UTM İzleme Stratejileri

Yapay zeka platformlarının mimari yapıları, yönlendirme verilerini web sitelerine iletme biçimlerinde farklılıklar gösterir. Her bir yapay zeka motorunun tarayıcı davranışını, kaynak gösterim biçimini ve HTTP başlık protokollerini bilmek, analitik araçlarında doğru filtreleme yapabilmenin ön koşuludur. Standart bir referral raporu incelendiğinde, bu platformların farklı alt alan adları (subdomain) ve referans başlıkları kullandığı görülür.

Aşağıdaki tablo, kurumsal izleme süreçlerinde en sık karşılaşılan üç büyük üretken yapay zeka platformunun yönlendirme niteliklerini ve analitik araçlara yansıma biçimlerini özetlemektedir:

ChatGPT (OpenAI) Yönlendirmelerini GA4'te Tespit Etme Yöntemleri

OpenAI ekosisteminden gelen ziyaretler, web tabanlı arayüzden yapıldığında çoğunlukla @@CODE0@@ veya eski alan adı olan @@CODE1@@ üzerinden yönlendirilir. Ancak iOS ve Android uygulamalarından gelen trafik, mobil işletim sistemlerinin yönlendirme mimarisi gereği android-app://com.openai.chatgpt gibi uygulama protokolleriyle web sitenize ulaşabilir. Bu durum, yönlendirmelerin parçalanmasına ve tek bir raporda konsolide edilememesine yol açar.

ChatGPT yönlendirmelerini doğru bir şekilde haritalandırmak için GA4 üzerinde "Kaynak / Araç" (Source / Medium) kırılımında regex (düzenli ifade) tabanlı filtreler oluşturulmalıdır. Örneğin .*(chatgpt|openai).* ifadesini içeren kaynakların filtrelenmesi, uygulamanın web ve mobil versiyonlarından gelen trafiği tek bir çatı altında toplar. Ayrıca, ChatGPT'nin web tarayıcısı olan SearchGPT ve GPTBot tarafından getirilen doğrudan atıfların da bu kaynaklarla ilişkisi düzenli olarak kontrol edilmelidir.

Google Gemini Trafiğini Ekosistem İçinde Ayrıştırma

Google Gemini trafiğinin analizi, platformun Google arama ekosistemiyle olan derin entegrasyonu nedeniyle daha karmaşık bir yapıya sahiptir. Gemini, doğrudan gemini.google.com üzerinden bağımsız bir sohbet oturumu şeklinde kullanılabileceği gibi, Google Arama sonuçları içerisindeki AI Overviews (Yapay Zeka Genel Bakışları) modülleri üzerinden de ziyaretçi yönlendirebilir. Bu iki trafik türünün davranışsal dinamikleri birbirinden tamamen farklıdır.

Doğrudan Gemini arayüzünden gelen trafik GA4'te referral olarak görünürken, Google Arama içerisindeki AI Overviews üzerinden yapılan tıklamalar standart google / organic trafiğinin içine dahil edilir. Bu ayrımı yapabilmek için, web sayfalarındaki tıklama modelleri, arama sorgusu uzunlukları (long-tail sorgularda AI Overviews tetiklenmesi) ve Google Search Console'daki görünüm verileri çapraz analize tabi tutulmalıdır.

Perplexity AI Referans Verilerini Doğru Sınıflandırma

Perplexity AI, doğrudan bir "cevap motoru" (answer engine) olarak tasarlandığı için yanıtlarının altına ve içerisine kapsamlı kaynak bağlantıları (citations) yerleştirir. Perplexity üzerinden gelen kullanıcılar, genellikle verilen yanıtın dayanağını doğrulamak veya konuyu derinlemesine incelemek amacıyla kaynak bağlantılarına tıklar. Bu nedenle perplexity.ai yönlendirmeleri, teknik ve kurumsal içeriklerde son derece yüksek kaliteli bir kitleyi temsil eder.

Perplexity yönlendirmeleri genellikle standart perplexity.ai / referral olarak GA4 panellerine yansır. Bu trafiğin kalitesini analiz ederken, kullanıcının giriş yaptığı açılış sayfası (landing page) ile yönlendiren bağlamın uyumu incelenmelidir. Perplexity kullanıcıları belirli bir veri noktasını veya istatistiği doğrulamak için geliyorsa, sitedeki kalış süresi kısa ancak dönüşüm/indirme gibi mikro eylemleri tamamlama olasılıkları daha yüksek olabilmektedir.

LLM Trafiğinin Kalitesini Belirleyen Temel Metrikler

Bir trafik kaynağının kurumsal başarıya katkısını değerlendirmek için yalnızca oturum sayısı (sessions) veya kullanıcı hacmi (total users) gibi yüzeysel metriklere odaklanmak yanıltıcıdır. Yapay zeka motorlarından gelen trafiğin kalifikasyonu, kullanıcının web sitesinde geçirdiği sürenin niteliği, sayfa içi eylemleri ve dönüşüm hunisindeki (conversion funnel) ilerleyişi ile doğrudan ilişkilidir. LLM kaynaklı ziyaretçilerin davranış kalıpları, geleneksel arama motoru kullanıcılarından belirgin farklılıklar gösterir.

Kurumsal analitik ekipleri, LLM trafiğinin değerini kanıtlamak için oturum başına etkileşim süresi, olay (event) tamamlama sıklığı ve lead generation çıktısı gibi çok boyutlu göstergeleri bir arada değerlendirmelidir. Bu metriklerin sistematik olarak takip edilmesi, içerik üretim stratejilerinin ve GEO çalışmalarının yatırım getirisini (ROI) net bir şekilde ortaya koyar.

[Kullanıcı LLM Prompt Girişi] 
       │
       ▼
[AI Sentezi & Kaynak Gösterimi (Citation)]
       │
       ▼
[Kullanıcı Web Sitesi Ziyareti] ────► (Referral / Dark Traffic Tespiti)
       │
       ▼
[Davranışsal Kalite Analizi]
       ├──► Oturum Etkileşim Süresi (> 10 sn)
       ├──► Kaydırma Derinliği (Scroll > %75)
       └──► Mikro/Makro Dönüşüm Tetikleyicileri

Oturum Süresi ve Etkileşim Oranının Değerlendirilmesi

Google Analytics 4 ile birlikte hayatımıza giren Etkileşim Oranı (Engagement Rate), LLM trafiğinin kalitesini ölçmede en kritik göstergelerden biridir. GA4 standardına göre bir oturumun etkileşimli (engaged session) sayılabilmesi için en az 10 saniye sürmesi, 1 veya daha fazla dönüşüm olayı tetiklemesi ya da en az 2 sayfa/ekran görüntülemesi içermesi gerekir. LLM'lerden gelen kullanıcılar genellikle hedef odaklı olduğundan, bu kriterlerin sağlanma oranı geleneksel sosyal medya veya display reklam trafiğine kıyasla belirgin şekilde yüksek olmalıdır.

Eğer ChatGPT veya Perplexity üzerinden gelen bir oturumun etkileşim süresi 5 saniyenin altındaysa, bu durum yapay zeka modelinin sunduğu özet ile web sitenizdeki içeriğin bağlamsal olarak uyuşmadığını (context mismatch) gösterebilir. Yapay zeka modeli içeriğinizi yanlış yorumlamış veya kullanıcının aradığı spesifik cevabı sitenizde bulamayacağı bir açılış sayfasına yönlendirme yapmış olabilir. Bu nedenle ortalama etkileşim süresi (Average Engagement Time per Session) metrik bazında sürekli izlenmelidir.

Sayfa Kaydırma Derinliği ve Mikro Dönüşüm Hedeflerinin Analizi

Yapay zeka yönlendirmesiyle gelen bir kullanıcının sayfa içerisindeki hareketleri, içeriğin derinliğine ne kadar ihtiyaç duyduğunu gösterir. %50, %75 ve %90 kaydırma derinliği (scroll depth) olayları, ziyaretçinin sadece ilk paragrafa göz atıp çıkmadığını, sunulan teknik analizi veya ürün detaylarını kapsamlı biçimde tükettiğini doğrular.

Kalite analizinde makro dönüşümlerin (satış, teklif formu doldurma) yanı sıra mikro dönüşüm hedefleri de tanımlanmalıdır:

• Teknik Dokümantasyon İndirme: Kullanıcının PDF, teknik bülten veya whitepaper indirme eylemleri.

• Dahili Bağlantı Tıklamaları: İlgili ürün veya hizmet sayfalarına yönelen derin gezinme hareketleri.

• Kopya Alma ve Kod Paylaşımı: Kod bloklarının, tabloların veya alıntıların panoya kopyalanması olayları.

• Video/İnteraktif Araç Kullanımı: Sayfadaki hesaplama araçları veya ürün tanıtım videoları ile kurulan etkileşimler.

Hemen Çıkma Oranındaki Yanıltıcı Sinyallere Karşı Önlemler

Geleneksel web analizinde yüksek hemen çıkma oranı (bounce rate) genellikle bir kalite problemi olarak yorumlanır. Ancak üretken yapay zeka trafiğinde bu durum farklı bir bağlamda ele alınmalıdır. Bir LLM kullanıcısı, yapay zeka yanıtında gördüğü çok spesifik bir istatistiğin veya bilginin kaynağını doğrulamak üzere sitenize gelmiş olabilir. Kullanıcı ilgili sayfaya girip aradığı kesin veriyi bulduktan sonra başka hiçbir sayfaya tıklamadan siteden ayrılabilir.

Bu senaryoda kullanıcı aradığı değeri 15-20 saniye içinde tam olarak almış olsa bile, ek bir sayfaya geçmediği için geleneksel mantıkta "hemen çıkma" olarak değerlendirilebilir. Bu yanıltıcı sinyali aşmak için hemen çıkma oranı tek başına değil, sayfa üzerinde harcanan gerçek süre (active time on page) ve kaydırma olayları ile birlikte normalize edilerek okunmalıdır.

Etkili Bir Trafik Analizi İçin Teknik Kurulum Adımları

LLM trafiğini güvenilir ve sürdürülebilir bir şekilde izlemek, tesadüfi referral verilerine güvenmek yerine proaktif bir ölçümleme altyapısı kurmayı gerektirir. Kurumsal web varlıklarında veri kaybını önlemek ve yapay zeka görünürlüğünün iş hedeflerine etkisini tam olarak modellemek için analitik mimarinin optimize edilmesi şarttır.

Özel UTM Parametreleri ile Kampanya Verilerini Standartlaştırma

Doğrudan platformlar tarafından otomatik eklenen bağlantılarda UTM kontrolü tamamen site sahibinde olmasa da; API entegrasyonları, özel GPT'ler (Custom GPTs), kurumsal LLM eklentileri veya yapay zeka dizinlerine manuel eklenen bağlantılarda standartlaştırılmış UTM kullanımı zorunludur.

Tutarlı bir izleme için önerilen UTM taksonomisi şu şekilde yapılandırılmalıdır:

• @@CODE0@@: @@CODE1@@, @@CODE2@@, @@CODE3@@ (Platform adı, küçük harfle)

• @@CODE0@@: @@CODE1@@, @@CODE2@@, @@CODE3@@ (Kanal türü)

• @@CODE0@@: @@CODE1@@, @@CODE2@@, @@CODE3@@ (Bağlam)

• @@CODE0@@: @@CODE1@@, @@CODE2@@, @@CODE3@@ (Bağlantı konumu)

Bu standardizasyon, farklı yapay zeka araçları üzerinden yürütülen içerik dağıtım stratejilerinin tek bir panel üzerinden temiz verilerle kıyaslanabilmesini sağlar.

GA4 Üzerinde Özel Raporlama ve Kitle Segmentasyonu Oluşturma

Google Analytics 4 içerisinde standart raporlar çoğu zaman LLM trafiğinin derinlemesine analizine izin vermez. Bu eksikliği gidermek için "Keşfet" (Explore) modülü altında serbest biçimli (Free-form) ve Huni Keşfi (Funnel Exploration) raporları inşa edilmelidir.

Özel bir LLM segmenti oluştururken aşağıdaki mantıksal koşullar tanımlanmalıdır:

• Segment Kapsamı: Oturum Bazlı (Session-scoped)

• Koşul Bloğu:

• @@CODE0@@ şunlardan birini içerir: @@CODE1@@, @@CODE2@@, @@CODE3@@, @@CODE4@@, @@CODE5@@

• VEYA İlk Kullanıcı Kaynağı bu domainleri içerir.

Oluşturulan bu segment, standart organik arama (google / organic) segmenti ile yan yana koyularak; "Oturum Başına Gelir", "Lead Başına Maliyet" ve "Kullanıcı Başına Dönüşüm Oranı" gibi kritik kurumsal metrikler üzerinden kıyaslanmalıdır.

Gelecek Beklentileri: GEO Etkisini Yönetmek

Generative Engine Optimization (GEO), dijital görünürlük stratejilerinin merkezine yerleşirken, trafik analitiğinin rolü de yalnızca geçmişi raporlamaktan çıkıp gelecekteki içerik ve ürün kararlarına yön veren bir mekanizmaya dönüşmektedir. Yapay zeka motorları tarafından alıntılanma (citability) frekansı arttıkça, bu alıntıların web sitesine yönlendirdiği trafiğin niteliği doğrudan marka algısını ve ticari geliri şekillendirir.

İşletmelerin bu yeni dönemde başarılı olabilmesi için sadece içeriklerini LLM'lerin okuyabileceği semantik netlikte (Semantic Clarity) ve yapılandırılmış veri (Schema Markup) formatlarında sunması yetmez; aynı zamanda gelen trafiğin hangi bilgi boşluklarını kapatmak üzere geldiğini analiz etmesi gerekir. LLM kullanıcılarının en sık ziyaret ettiği sayfalar, aslında yapay zeka modellerinin özetlemekte yetersiz kaldığı, kullanıcının daha fazla teknik detaya, interaktif araca veya insan uzmanlığına (E-E-A-T) ihtiyaç duyduğu alanları işaret eder.

Veri Bütünlüğünü Korurken Yapay Zeka Görünürlüğünü Artırmak

Yapay zeka arama ortamlarında görünürlüğü artırmak ile kurumsal veri bütünlüğünü korumak arasında hassas bir denge bulunmalıdır. Arama botlarının (GPTBot, PerplexityBot, Google-Extended) web sitesini taramasına izin vermek GEO görünürlüğü için bir gerekliliktir; ancak bu taramaların sunucu yükünü artırmaması, telif hakkı içeren veya ticari sır niteliğindeki verileri izinsiz işlememesi için robots.txt protokolleri ve API güvenlik katmanları titizlikle yönetilmelidir.

Yapay zeka trafiğinin kalitesini sürekli olarak izleyen kurumlar, hangi içerik formatlarının (kapsamlı teknik tablolar, özgün vaka analizleri, doğrulanabilir istatistikler) LLM'ler tarafından daha sık referans gösterildiğini ve en yüksek etkileşimli kullanıcıları getirdiğini ampirik verilerle tespit edebilir. Bu geri besleme döngüsü, içerik yatırımlarının doğrudan ölçülebilir iş sonuçlarına dönüşmesini sağlar.