MAU ve DAU Nedir, Nasıl Hesaplanır?

Dijital ürünlerin başarısı ve sürdürülebilir büyümesi, kullanıcıların platformla ne sıklıkla ve ne ölçüde etkileşime girdiğine doğrudan bağlıdır. Ürün yöneticileri, yazılım geliştiriciler ve kurumsal karar vericiler için kullanıcı etkileşimi düzeyini ölçümleyen en temel iki büyüme metriği Günlük Aktif Kullanıcı (DAU) ve Aylık Aktif Kullanıcı (MAU) göstergeleridir. Bu rehberde, dijital platform performansını en doğru şekilde analiz edebilmeniz amacıyla MAU ve DAU Nedir, Nasıl Hesaplanır? sorusunun yanıtlarını, teknik hesaplama metodolojilerini, veri mimarisi düzeyindeki zorlukları ve bu metriklerin iş stratejilerinize olan etkilerini derinlemesine ele alacağız.

MAU ve DAU Kavramlarının Tanımı ve İş Stratejilerindeki Yeri

Dijital platformların performansı incelenirken sadece toplam kayıtlı üye sayısına odaklanmak, işletmeleri sıklıkla yanıltıcı sonuçlara götürür. Kayıtlı kullanıcıların ne kadarının platformu aktif olarak kullandığını anlamak, maliyet yönetiminden sunucu optimizasyonuna, yatırım süreçlerinden pazarlama stratejilerine kadar geniş bir yelpazeyi doğrudan etkiler. Bu noktada DAU (Daily Active Users) ve MAU (Monthly Active Users) metrikleri, platformun gerçek değerini ve kullanıcı gözündeki karşılığını gösteren en temel parametreler olarak öne çıkar.

DAU (Daily Active Users - Günlük Aktif Kullanıcı) Nedir?

DAU, bir dijital platformu belirli bir 24 saatlik zaman dilimi içinde ziyaret eden ve önceden tanımlanmış bir "aktiflik" eylemini gerçekleştiren benzersiz ziyaretçi sayısını ifade eder. Burada kritik olan iki unsur bulunmaktadır: Kullanıcının "benzersiz" (unique) olması ve "aktiflik" kriterini karşılamasıdır. Bir kullanıcının gün içinde uygulamayı on kez açması, DAU değerini on artırmaz; ilgili kullanıcı o gün için sadece tek bir aktif veri noktası olarak kaydedilir.

DAU metriği, özellikle her gün kullanılması hedeflenen mesajlaşma uygulamaları, sosyal medya platformları, günlük iş akışı yönetim yazılımları (SaaS) ve mobil oyunlar için en önemli dijital platform performansı göstergesidir. Günlük operasyonel başarının, anlık sunucu yüklerinin ve kısa vadeli pazarlama kampanyalarının etkisini analiz etmek için DAU değerlerinin yakından izlenmesi gerekir.

MAU (Monthly Active Users - Aylık Aktif Kullanıcı) Nedir?

MAU, bir dijital platformu 30 günlük kayan bir zaman diliminde ya da ilgili takvim ayı içerisinde en az bir kez ziyaret eden benzersiz aktif kullanıcı sayısıdır. Tıpkı DAU'da olduğu gibi, bir kullanıcının ay boyunca gerçekleştirdiği çoklu oturumlar tek bir tekil kullanıcı olarak sayılır. MAU, platformun pazar payını, genel erişim gücünü ve uzun vadeli kullanıcı elde tutma kapasitesini anlamak için kullanılır.

Her gün kullanılması gerekmeyen, ancak belirli periyotlarla ziyaret edilmesi beklenen muhasebe yazılımları, e-ticaret platformları, seyahat rezervasyon sistemleri veya kurumsal raporlama araçları için MAU daha gerçekçi bir performans göstergesidir. Yatırımcı sunumlarında ve sektörel karşılaştırmalarda platform büyüklüğünü ifade etmek amacıyla genellikle MAU değerleri referans alınır.

Kritik Uyarı: "Aktif" Kullanıcı Kriterini Doğru Tanımlamanın Önemi

Metrik mühendisliğinde yapılan en yaygın hata, "aktiflik" kavramının neyi ifade ettiğini netleştirmemektir. Bir kullanıcının uygulamayı arka planda açık bırakması, sadece web sitesine tıklayıp hemen çıkması ya da uygulamada oturum açıp hiçbir işlem yapmaması durumlarının hangilerinin aktiflik kabul edileceği ürün yönetimi ekibi tarafından kesin çizgilerle belirlenmelidir.

Etkileşim kriterleri platformun iş modeline göre şu şekilde yapılandırılmalıdır:

Eğer aktif kullanıcı tanımı sadece "uygulamanın başlatılması" olarak kabul edilirse, elde edilen veriler gerçek kullanıcı etkileşimi düzeyini yansıtmayacak ve işletmeyi yanıltıcı metrikler (vanity metrics) tuzağına düşürecektir.

---

DAU/MAU Oranı (Kullanıcı Yapışkanlığı) Nedir ve Nasıl Analiz Edilir?

Tek başına DAU veya MAU değerleri, bir platformun kullanıcıları ne kadar kendine bağladığını açıklamakta yetersiz kalabilir. Milyonlarca aylık kullanıcısı olan bir uygulamanın günlük etkileşimi son derece düşük olabilir. Bu durumu analiz etmek ve kullanıcı elde tutma gücünü nicel olarak ölçmek için DAU/MAU oranı, diğer bir adıyla yapışkanlık (stickiness ratio) metriği kullanılır.

Yapışkanlık (Stickiness) Oranı Hesaplama Formülü

Kullanıcı yapışkanlığı, günlük aktif kullanıcı sayısının aylık aktif kullanıcı sayısına bölünmesi ve sonucun yüzdelik bir değere dönüştürülmesiyle hesaplanır. Formül şu şekildedir:

$$\text{Yapışkanlık (Stickiness) Oranı} = \left( \frac{\text{DAU}}{\text{MAU}} \right) \times 100$$

Bu oran, aylık aktif kullanıcıların ortalama olarak kaç gün boyunca platformu ziyaret ettiğini gösterir. Örneğin, DAU/MAU oranı %20 olan bir platformda, ortalama bir aktif kullanıcının ayda 6 gün ($30 \times 0.20$) uygulamaya giriş yaptığı kabul edilir. Oranın %50 olması ise kullanıcıların ayın yarısında (15 gün) uygulamayı aktif olarak kullandığı anlamına gelir ki bu, son derece yüksek bir kullanıcı elde tutma başarısıdır.

Sektörlere Göre İdeal DAU/MAU Standartları (SaaS, E-ticaret, Mobil Oyun)

İdeal bir stickiness ratio değeri sektörden sektöre, uygulamanın amacına ve hedef kitleye göre büyük değişiklik gösterir. Bir sosyal medya platformu için başarısızlık kabul edilen bir oran, kurumsal bir B2B SaaS yazılımı için mükemmel bir başarı olabilir.

• SaaS (Yazılım Hizmeti): Kurumsal SaaS platformlarında %15 ile %25 arasındaki oranlar sağlıklı bir büyümenin işareti olarak kabul edilir. Günlük operasyonel iş takibi gerektiren (örneğin Slack veya Jira) araçlarda bu oranın %30 ile %40 seviyelerine çıkması beklenirken, İK yönetim sistemleri veya faturalandırma yazılımlarında %10 seviyeleri normal karşılanır.

• Sosyal Medya ve İletişim: Bu sektörde rekabet son derece yoğundur. Başarılı sosyal ağların (örneğin Instagram veya WhatsApp) DAU/MAU oranları %50 ile %65 arasında değişmektedir. Bu durum, kullanıcıların platformu bir günlük yaşam rutini haline getirdiğini gösterir.

• Mobil Oyunlar: Casual (gündelik) oyunlarda %10-15 arası yapışkanlık normal kabul edilirken, RPG veya strateji tabanlı hardcore oyunlarda bu oranın %20-30 arasında olması hedeflenir.

• E-Ticaret: Kullanıcıların her gün alışveriş yapması beklenmediği için e-ticaret sitelerinde %5 ile %15 arasındaki oranlar endüstri standardı olarak kabul edilir. Ancak sadakat programları ve içerik entegrasyonları ile bu oranlar yukarı çekilmeye çalışılır.

Düşük Oranların İşaret Ettiği Tehkeliler ve Alınması Gereken Aksiyonlar

DAU/MAU oranının hedef standartların altında kalması, ürün yönetiminde yolunda gitmeyen süreçlerin olduğuna işaret eder. Bu durum genellikle yeni kullanıcı kazanımı (acquisition) güçlü olsa bile, kullanıcıların ürünü denedikten sonra tekrar gelmediğini (churn oranı / kayıp oranı yüksekliği) gösterir.

Düşük yapışkanlık oranlarıyla karşılaşıldığında alınması gereken teknik ve ürün odaklı aksiyonlar şunlardır:

1. Onboarding (İlk Kullanıcı Deneyimi) Sürecini İyileştirmek: Kullanıcıların uygulamanın değerini ilk kullanımda anlamalarını (Aha! anı) sağlayacak kılavuzlar ve sadeleştirilmiş adımlar tasarlanmalıdır.

2. Kişiselleştirilmiş Push Bildirimleri ve E-postalar: Kullanıcıların uygulamada yarım bıraktıkları işlemleri hatırlatan veya onlara özel dinamik içerik sunan bildirim senaryoları kurgulanmalıdır.

3. Kohort Analizi (Cohort Analysis) Uygulamak: Kullanıcılar kayıt tarihlerine veya gerçekleştirdikleri eylemlere göre gruplandırılarak, hangi grubun ürünü ne zaman terk ettiği tespit edilmelidir.

4. Ürün İçi Geri Bildirim Döngüleri: Kullanıcıların platformu neden sık kullanmadığını anlamak için mikrokanketler ve doğrudan geri bildirim mekanizmaları devreye alınmalıdır.

---

MAU ve DAU Hesaplama Yöntemleri: Adım Adım Metrik Mühendisliği

Aktif kullanıcı hesaplaması kulağa basit gelse de, ölçek büyüdükçe ve çoklu cihaz kullanımı devreye girdikçe veri mühendisliği seviyesinde ciddi karmaşıklıklar barındırır. Doğru bir hesaplama yapabilmek için veri tabanı mimarisinin ve analitik izleme araçlarının kusursuz şekilde yapılandırılması gerekir.

DAU Nasıl Hesaplanır? (Doğrudan Formül ve Sektörel Örnek)

Bir gün içindeki DAU değerini hesaplamak için, o gün içerisinde tanımlanmış aktiflik eylemlerini gerçekleştiren tüm benzersiz kullanıcı kimliklerinin (User ID veya Device ID) listesi çıkarılır ve tekilleştirilir.

Örnek Senaryo: Bir proje yönetim SaaS uygulamamız olduğunu varsayalım. "Aktiflik" kriterimiz ise "kullanıcının bir göreve tıklaması veya yeni bir görev oluşturması" olsun. 21 Ağustos 2026 tarihindeki ham log kayıtları şu şekildedir:

• 08:00 - Kullanıcı A: Görev oluşturdu (Aktif)

• 09:30 - Kullanıcı B: Görevi tamamlandı olarak işaretledi (Aktif)

• 11:00 - Kullanıcı A: Görev detayına tıkladı (Aktif - Ancak Kullanıcı A zaten sayılmıştı)

• 14:00 - Kullanıcı C: Sadece giriş sayfasına baktı, oturum açmadı (Geçersiz)

• 16:30 - Kullanıcı B: Yeni bir yorum yazdı (Aktif - Ancak Kullanıcı B zaten sayılmıştı)

• 18:00 - Kullanıcı D: Bir görev kartını güncelledi (Aktif)

Bu senaryoda, toplamda 5 adet aktif eylem gerçekleşmiştir. Ancak benzersiz ziyaretçi (unique user) filtresi uygulandığında aktif kullanıcı kimliklerimiz Kullanıcı A, Kullanıcı B ve Kullanıcı D'dir. Dolayısıyla, 21 Ağustos 2026 tarihi için DAU değerimiz 3 olarak hesaplanır.

MAU Nasıl Hesaplanır? (Zaman Çizelgesi ve Emsal Vaka)

MAU hesaplanırken iki farklı yaklaşım mevcuttur: Takvim Ayı Bazlı MAU ve 30 Günlük Kayan (Rolling) MAU. Finansal raporlamalarda genellikle takvim ayı tercih edilirken, ürün yönetimi ve anlık performans takibinde 30 günlük kayan pencere (Rolling Window) kullanılır.

Aylık hesaplamada yapılan en büyük hata, 30 günlük süre boyunca her günün DAU değerlerini toplayarak MAU bulmaya çalışmaktır. Bu yöntem mükerrer sayımlara yol açar ve veriyi tamamen bozar.

Emsal Vaka: Bir kullanıcının (Kullanıcı X) bir ay boyunca her gün uygulamaya girdiğini varsayalım. Bu durumda Kullanıcı X, her günün DAU hesabında 1 puan olarak yer alır. Eğer 30 günün DAU değerlerini toplarsanız, Kullanıcı X tek başına toplama 30 puanlık bir etki yapar. Ancak aylık benzersiz kullanıcı sayısı hesaplanırken Kullanıcı X'in ay boyunca yaptığı tüm girişler tek bir adet benzersiz girdi olarak sayılmalıdır. Bu nedenle, MAU hiçbir zaman günlük DAU'ların toplamına eşit olamaz; her zaman bu toplamdan çok daha küçüktür.

Teknik Entegrasyon ve SQL Veri Sorgulama Örneği (PostgreSQL)

Büyük veri tabanlarında DAU ve MAU hesaplamak için log tabloları üzerinden SQL sorguları çalıştırılır. Aşağıda, standart bir PostgreSQL veri tabanında, kullanıcı etkinliklerinin tutulduğu user_activity_logs tablosunu kullanarak DAU ve MAU değerlerini hesaplayan örnek sorgular yer almaktadır.

-- 21 Ağustos 2026 Tarihli DAU (Daily Active Users) Hesaplama Sorgusu
SELECT 
    DATE(created_at) AS activity_date,
    COUNT(DISTINCT user_id) AS daily_active_users
FROM 
    user_activity_logs
WHERE 
    created_at >= '2026-08-21 00:00:00' 
    AND created_at <= '2026-08-21 23:59:59'
    AND activity_type IN ('task_create', 'task_update', 'comment_add') -- Aktiflik Kriterleri
GROUP BY 
    activity_date;

-- Son 30 Günlük Kayan MAU (Monthly Active Users) Hesaplama Sorgusu
SELECT 
    COUNT(DISTINCT user_id) AS monthly_active_users
FROM 
    user_activity_logs
WHERE 
    created_at >= NOW() - INTERVAL '30 days'
    AND activity_type IN ('task_create', 'task_update', 'comment_add');

Eğer veri hacminiz çok büyükse (günlük milyonlarca satır log), COUNT(DISTINCT user_id) sorgusu performans sorunlarına yol açabilir. Bu gibi durumlarda, veri tabanı performansını korumak ve yaklaşık değerleri milisaniyeler içinde almak amacıyla HyperLogLog (HLL) gibi olasılıksal veri yapıları ve algoritmaları kullanılmalıdır.

---

SaaS Analitiği ve Ürün Yönetiminde Aktif Kullanıcı Metriklerinin Rolü

SaaS (Software as a Service) modellerinde, aboneliklerin yenilenmesi ve müşteri yaşam boyu değerinin (LTV) artırılması doğrudan sürekli kullanıma bağlıdır. Bir müşterinin yazılım ücretini ödüyor olması, o yazılımı aktif olarak kullandığı anlamına gelmez. Eğer kullanıcılar platforma giriş yapmayı bırakmışsa, bir sonraki fatura döneminde aboneliklerini iptal edecekleri (churn olacakları) neredeyse kesindir. Bu nedenle, SaaS analitiğinde DAU ve MAU takibi hayati bir önem taşır.

Kullanıcı Elde Tutma (Retention) ve Churn Oranı ile İlişkisi

Kullanıcı elde tutma (user retention), kazanılan kullanıcıların ne kadarının platformu düzenli kullanmaya devam ettiğini ölçer. DAU ve MAU metrikleri, retention analizinin ham maddesidir.

Örneğin, aylık aktif kullanıcı sayınızın stabil kaldığını ancak günlük aktif kullanıcı sayınızın (DAU) sürekli olarak düştüğünü gözlemliyorsanız, bu durum mevcut kullanıcıların uygulamayı daha seyrek açmaya başladığının net bir göstergesidir. Bu düşüş trendi, gelecek aylarda gerçekleşecek yüksek bir churn oranı (kayıp oranı) artışının habercisidir. Ürün yönetimi ekipleri, bu verileri erken uyarı sinyali olarak kabul edip kullanıcı elde tutma kampanyalarını tetiklemelidir.

Kohort Analizi (Cohort Analysis) ile Zaman İçindeki Davranışı İncelemek

Kullanıcı etkileşimini sadece genel DAU/MAU toplamları üzerinden izlemek, son zamanlarda yapılan ürün güncellemelerinin veya pazarlama kampanyalarının etkisini gizleyebilir. Bu sorunu aşmak için kohort analizi uygulanmalıdır. Kohort analizi, kullanıcıları ortak bir özelliğe (örneğin "Ocak 2026'da kayıt olanlar" veya "X entegrasyonunu kullananlar") göre gruplandırarak zaman içindeki aktiflik durumlarını inceleme yöntemidir.

Bir kohort tablosunda, belirli bir haftada kayıt olan 1000 kullanıcının kaçının 1. hafta, 2. hafta ve sonraki haftalarda DAU veya WAU (Haftalık Aktif Kullanıcı) olarak kalmaya devam ettiği adım adım izlenir. Böylece, uygulamanın hangi sürüm güncellemesinden sonra kullanıcı elde tutma oranının arttığı veya azaldığı bilimsel olarak kanıtlanabilir.

Yatırımcı Sunumlarında MAU ve DAU Metriklerinin Doğru Sunumu

Girişimler ve SaaS işletmeleri için yatırım süreçlerinde kullanıcı büyüme metrikleri en çok incelenen alanların başında gelir. Yatırımcılar, ham üye sayılarından ziyade platformun organik çekim gücünü görmek isterler.

Yatırımcı sunumlarında dikkat edilmesi gereken teknik hususlar:

• Metrik Tutarlılığı: Yatırımcıya sunulan MAU ve DAU değerlerinin hangi aktiflik kriterine göre hesaplandığı şeffaf şekilde açıklanmalıdır.

• Organik Büyüme vs. Satın Alınmış Büyüme: Reklam bütçeleriyle geçici olarak şişirilmiş MAU grafikleri yerine, organik olarak geri gelen (returning) kullanıcıların oluşturduğu kararlı DAU grafikleri sunulmalıdır.

• LTV ve CAC Uyumu: Aktif kullanıcıların sisteme kazandırılma maliyeti (CAC) ile bu kullanıcıların sistemde kalarak ürettiği değer (LTV) arasındaki oran, DAU/MAU yapışkanlık verileriyle desteklenmelidir.

---

Büyüme Metriklerinde Sık Yapılan Hatalar ve Kurumsal Çözümler

Veri odaklı karar alma süreçleri, ancak kullanılan verilerin doğruluğu ve tarafsızlığı ölçüsünde başarılı olur. Şirketlerin büyüme metriklerini hesaplarken sıklıkla düştüğü metodolojik ve teknik hatalar, yanlış ürün kararlarına ve sermaye kaybına yol açabilir.

Yanıltıcı Metrik (Vanity Metrics) Tuzağına Düşmek

Yanıltıcı metrikler (vanity metrics), kağıt üzerinde mükemmel görünen ancak işletmenin gerçek finansal sağlığına veya kullanıcı memnuniyetine dair hiçbir somut bilgi vermeyen verilerdir.

• Toplam Kayıtlı Kullanıcı Sayısı: Bir platformun 1 milyon kayıtlı kullanıcısının olması kulağa harika gelebilir. Ancak bu kullanıcıların sadece %1'i aktif olarak platformu kullanıyorsa (yani MAU 10.000 ise), toplam kayıt sayısı tamamen değersiz bir veridir.

• Uygulama İndirme Sayıları: Mobil uygulamanın kaç kez indirildiği, o uygulamanın silinme oranını (uninstall rate) veya aktif kullanım durumunu göstermez. İndirenlerin %80'i uygulamayı ilk gün siliyorsa, indirme sayısı tek başına bir başarı göstergesi olamaz.

Kurumsal çözüm, bu tür gösterişli veriler yerine doğrudan kullanıcı elde tutma, DAU/MAU oranı, müşteri edinme maliyetinin geri dönüş süresi (CAC Payback Period) gibi operasyonel metrikleri ana performans göstergesi (KPI) olarak belirlemektir.

WAU (Haftalık Aktif Kullanıcı) ve Diğer Metriklerle Entegrasyon Eksikliği

Kullanıcı davranışları her zaman günlük veya aylık periyotlara sığmayabilir. Bazı dijital çözümler doğası gereği haftalık kullanım alışkanlıkları üzerine kuruludur. Örneğin, bir haftalık bülten servisi, iş ilanları platformu, haftalık raporlama veya proje planlama aracı için en doğru gösterge WAU (Weekly Active Users - Haftalık Aktif Kullanıcı) metriğidir.

Eğer iş modeliniz haftalık periyotlara dayanıyorsa ve siz ürünü sadece günlük DAU üzerinden optimize etmeye çalışıyorsanız, hafta sonu yaşanan doğal düşüşleri bir kriz gibi yorumlayıp hatalı kararlar alabilirsiniz. Benzer şekilde, sadece MAU değerine odaklanmak da ay içindeki sert dalgalanmaları ve kullanıcı kayıplarını zamanında fark etmenizi engeller. Metrik takibinde hibrit bir yaklaşım benimsenerek DAU, WAU ve MAU eş zamanlı analiz edilmelidir.

Veri Mükerrerliği ve Çoklu Cihaz Kullanan Ziyaretçi Sapmaları

Modern kullanıcılar gün içinde aynı platforma hem iş bilgisayarlarından hem kişisel telefonlarından hem de tabletlerinden erişebilmektedir. Eğer analitik altyapınız bu geçişleri doğru şekilde ilişkilendiremiyorsa, aynı kişi veri tabanınızda 3 farklı aktif kullanıcı olarak görünecektir. Bu durum, DAU ve MAU verilerinin yapay olarak şişmesine ve veri doğruluğunun kaybolmasına neden olur.

---

Veri Güvenliği, KVKK/GDPR ve Analitik Konfigürasyon Standartları

Kullanıcı davranışlarını izlemek ve DAU/MAU gibi büyüme metriklerini hesaplamak, kişisel verilerin toplanmasını ve işlenmesini gerektirir. Günümüz yasal düzenlemelerinde (Avrupa Birliği için GDPR, Türkiye için KVKK), kullanıcı verilerinin izinsiz veya şeffaf olmayan yöntemlerle takip edilmesi ağır yaptırımlara tabidir. Kurumsal karar vericilerin metrik toplama süreçlerini yasal uyumluluk çerçevesinde tasarlaması kritik bir sorumluluktur.

Çerez Politikaları ve Rıza Yönetimi (Consent Mode v2)

Web sitelerinde ve mobil uygulamalarda analitik veri toplayabilmek için çerezler (cookies) ve SDK'lar (yazılım geliştirme kitleri) kullanılır. Google'ın Consent Mode v2 gibi güncel standartları, kullanıcıların rıza vermediği durumlarda veri izleme mekanizmalarının çalışma şeklini sınırlar.

Yasal uyumluluk kapsamında dikkat edilmesi gereken kurallar:

1. Açık Rıza (Opt-in): Kullanıcı web sitesine ilk girdiğinde, analitik çerezlerin yüklenmesi için ondan net ve manipüle edilmemiş bir onay alınmalıdır. Rıza verilmeden önce hiçbir analitik script tetiklenmemelidir.

2. Kolay Reddetme: Kullanıcıların çerez onayını geri çekmesi veya reddetmesi, en az onay vermesi kadar kolay bir arayüzle sunulmalıdır.

3. Çerez Politikası Şeffaflığı: Hangi analitik aracın (GA4, Mixpanel vb.) hangi verileri ne amaçla topladığı çerez politikasında açıkça belirtilmelidir.

Kullanıcı Kimliklendirme (User ID Tracking) ve Gizlilik Dengesi

Kullanıcıların çoklu cihazlardaki hareketlerini tekilleştirerek doğru DAU/MAU hesabı yapabilmek için "User ID" takibi gereklidir. Ancak bu kimliklendirme yapılırken doğrudan kişisel veri niteliği taşıyan e-posta adresi, T.C. kimlik numarası, isim-soyisim veya telefon numarası gibi bilgiler analitik araçlarına yalın halde (raw text) gönderilmemelidir.

En güvenli ve teknik yaklaşım, veri tabanınızda her kullanıcıya atanan benzersiz ve rastgele bir UUID (Universally Unique Identifier) değerini analitik aracına aktarmaktır. Bu UUID, kendi başına anlamlı bir kişisel veri taşımamalı, ancak sisteminizde o kullanıcının hareketlerini tekilleştirmeye izin vermelidir. Ayrıca, analitik araçlarında IP anonimleştirme (IP Anonymization) ayarlarının aktif olduğundan emin olunmalıdır.

Analitik Araçlarında (Mixpanel, Amplitude, GA4) Doğru Yapılandırma

Doğru ölçümleme yapabilmek için kullanılan analitik araçlarının ayarları özenle yapılandırılmalıdır. Google Analytics 4 (GA4), varsayılan olarak makine öğrenimi tabanlı modellemeler sunsa da, ürün ekiplerinin daha derinlemesine analiz yapabilmesi için Mixpanel veya Amplitude gibi etkinlik tabanlı (event-based) ürün analitiği araçlarını tercih etmesi yaygındır.

• Mixpanel/Amplitude Entegrasyonu: Bu araçlar, kullanıcı kimliklendirme (Identify API) süreçlerinde oldukça hassastır. Bir kullanıcı sisteme kayıt olduğunda veya giriş yaptığında tetiklenen @@CODE0@@ ve @@CODE1@@ fonksiyonları, kullanıcının geçmiş anonim hareketleri ile kayıtlı profilini veri kaybı ve mükerrerlik olmadan birleştirmelidir.

• Veri Saklama Periyodu: GDPR/KVKK gereği, kullanıcı etkinlik verilerinin analitik sunucularında ne kadar süreyle saklanacağı belirlenmelidir. İhtiyacınız olmayan çok eski veri loglarını otomatik olarak silen veri silme politikaları (data retention policies) yapılandırılmalıdır.

---