Yapay Zeka Ürün Öneri Sistemi Nasıl Çalışır?

Yapay zeka ürün öneri sistemleri, kullanıcı davranış verilerini makine öğrenmesi algoritmaları ve veri filtreleme yöntemleriyle analiz ederek kişiselleştirilmiş ürün tavsiyeleri sunar.

Yapay Zeka Ürün Öneri Sistemi Nasıl Çalışır? sorusu, modern dijital ticaret platformlarının katalog keşif verimliliğini, sepet tutarını ve kullanıcı sadakatini doğrudan belirleyen temel teknik altyapıyı ifade eder. Bu sistemler; ziyaretçilerin anlık tıklama dizilerini, geçmiş satın alma geçmişlerini, ürünlerin metinsel ve görsel özelliklerini yüksek boyutlu vektör uzaylarında işleyerek her kullanıcıya özel dinamik vitrinler kurgular. İşletme sahipleri, ürün yöneticileri ve teknik karar vericiler için doğru öneri motorunu seçmek; ham verinin toplanmasından model eğitimine, soğuk başlangıç (cold-start) krizlerinin yönetiminden KVKK/GDPR uyumuna kadar çok katmanlı bir mühendislik mimarisini kavramayı gerektirir.

Yapay Zeka Ürün Öneri Sistemi Nedir?

Geleneksel e-ticaret sitelerinde kullanılan statik vitrinlerin aksine, yapay zeka tabanlı ürün öneri sistemleri, her bir kullanıcının platform üzerindeki dijital ayak izini sürekli takip eden ve bu verileri matematiksel kestirimlere dönüştüren kendi kendini optimize eden yazılım katmanlarıdır. Bu sistemler, katalogda yer alan binlerce veya milyonlarca stok birimi (SKU) arasından kullanıcının o anki satın alma niyetine en uygun olanları izole eder. Amaç yalnızca "en çok satan" ürünleri listelemek değil, kullanıcının daha önce aramadığı ancak satın alma olasılığının istatistiksel olarak en yüksek olduğu gizil (latent) ilgi alanlarını ortaya çıkarmaktır.

Sistemin operasyonel omurgasını, kullanıcı-ürün etkileşim matrisleri oluşturur. Bu matrislerde satırlar kullanıcıları, sütunlar ise ürünleri temsil eder. Milyonlarca satır ve sütundan oluşan bu devasa tabloların büyük bir kısmı boştur (sparse matrix); zira hiçbir kullanıcı platformdaki tüm ürünlerle etkileşime giremez. Yapay zeka, eksik olan bu hücreleri olasılık dağılımları ve doğrusal cebir temelli optimizasyon yöntemleriyle doldurur. Sonuç olarak öneri motoru, "Bu kullanıcı bu ürünü görseydi 5 üzerinden kaç puan verirdi?" veya "Bu ürünü sepete ekleme olasılığı nedir?" sorusunun yanıtını hesaplar.

Teknik karar vericiler açısından öneri motorları, dönüşüm oranı optimizasyonunun (CRO) ötesinde bir veri işleme altyapısıdır. Müşteri yaşam boyu değeri (CLV) ve kullanıcı elde tutma (retention) oranlarını doğrudan etkileyen bu sistemler; arama çubuğu sonuçlarından kategori sayfalarına, terk edilmiş sepet e-postalarından mobil push bildirimlerine kadar her temas noktasında mikro-kişiselleştirme sağlar. Yapay zekanın sağladığı bu dinamizm, katalog genişledikçe manuel kürasyonun yarattığı operasyonel darboğazı tamamen ortadan kaldırır.

Geleneksel Kurallı (If-Else) Sistemlerin Sınırları

Erken dönem e-ticaret siteleri, genellikle veritabanı yöneticileri veya pazarlama ekipleri tarafından manuel olarak tanımlanan "kural motorları" (rule engines) ile çalışırdı. Bu sistemler temel SQL sorgularına dayanır; örneğin "X kategorisinden bir ürün inceleniyorsa, aynı kategorideki en yüksek stoklu 4 ürünü göster" veya "A ürününü alanlar B ürününü de aldıysa, A sepetindeyken B'yi çapraz satış olarak öner" gibi katı mantık zincirleri işletilirdi.

Kurallı yaklaşımların en büyük zafiyeti, ölçeklenemez olmaları ve kullanıcı niyetindeki bağlamsal değişimleri algılayamamalarıdır. Katalog boyutu on binlerce ürünü aştığında, milyonlarca kural kombinasyonunu elle yönetmek imkansız hale gelir. Ayrıca bu yapılar, kullanıcının o anki cihazını, hava durumunu, gezindiği fiyat bandını veya son 10 dakikadaki mikro davranışlarını dikkate alamaz. Kullanıcı bir hediye arayışında olduğu için farklı bir kategoriye girdiğinde, kural tabanlı sistem anında yanılır ve alakasız ürünler göstermeye devam eder.

Modern Yapay Zekanın Dinamik Yaklaşımı

Modern öneri sistemleri, katı mantık kurallarını terk ederek olasılıksal öğrenme modellerine dayanır. Derin öğrenme mimarileri, transformatör tabanlı sıra modelleri (sequential models) ve grafik sinir ağları (Graph Neural Networks - GNN), kullanıcıların platformdaki eylemlerini zamansal bir sıra içinde analiz eder. Bir kullanıcının sabah saatlerinde iş yerinden masaüstü cihazla yaptığı kurumsal kıyafet araması ile akşam saatlerinde mobil cihazdan yaptığı günlük giyim araması, model tarafından iki farklı bağlam olarak ayrıştırılır.

Bu dinamik yaklaşım, platforma giren her tekil kullanıcının anlık niyetini (session intent) sadece birkaç tıklama dizisi içinde haritalandırabilir. Öneri motoru, kullanıcının fiyat filtrelerini nasıl kullandığını, görseller üzerinde ne kadar süre beklediğini (dwell time) ve sayfa kaydırma derinliğini ağırlıklandırarak katalogdaki ürünlerin afinite (yakınlık) skorunu anlık olarak yeniden hesaplar. Böylece önerilen ürün vitrini, statik bir şablon olmaktan çıkıp her etkileşimle dönüşen yaşayan bir arayüze evrilir.

Yapay Zeka Ürün Öneri Sistemlerinin Çalışma Mekanizması

Öneri sistemlerinin arka planında, milisaniyeler seviyesinde karar veren karmaşık bir dağıtık sistem mimarisi yer alır. Kullanıcı bir sayfayı yenilediğinde veya bir ürünü tıkladığında, arka plandaki modelin 50 ila 100 milisaniye içinde en alakalı 10 ila 20 ürünü belirleyip arayüze teslim etmesi gerekir. Bu performans; veri alımı, modelleme ve gerçek zamanlı servis katmanlarının kusursuz senkronizasyonu ile sağlanır.

Sürecin işletilmesinde Lambda veya Kappa mimarileri gibi modern veri mühendisliği paradigmaları kullanılır. Toplu (batch) veri işleme katmanı, geçmiş aylara ait milyonlarca satırlık büyük veriyi işleyerek temel kullanıcı ve ürün profillerini güncellerken; gerçek zamanlı (speed/streaming) katman, kullanıcının son 30 saniye içindeki eylemlerini işler. Bu iki veri akışı, özellik deposunda (feature store) bir araya gelerek çıkarım (inference) motoruna beslenir.

1. Veri Toplama ve İşleme (Data Ingestion)

Bir öneri motorunun başarısı, doğrudan sisteme giren verinin hacmine, çeşitliliğine ve kalitesine bağlıdır. Ham veri akışı üç ana grupta toplanır:

• Açık Geri Bildirimler (Explicit Data): Kullanıcının doğrudan niyet belirttiği verilerdir. Ürün puanlamaları, yorumlar, favorilere ekleme veya istek listesi oluşturma gibi eylemler bu kategoriye girer. Yüksek güvenilirlikte sinyal üretir ancak toplam kullanıcı kitlesinin yalnızca %1-5'i tarafından gerçekleştirildiği için hacmi düşüktür.

• Örtük Geri Bildirimler (Implicit Data): Kullanıcının gezinme sırasında bıraktığı doğal izlerdir. Sayfa görüntülemeleri, tıklamalar, sepete ekleme ve sepetten çıkarma hareketleri, kategori filtreleme tercihleri ve sayfada geçirilen süre (dwell time) örtük veriyi oluşturur. Veri hacmi devasadır ve modern modellerin ana yakıtıdır.

• Ürün ve Kullanıcı Metadata Verileri: Ürünlerin kategorisi, markası, rengi, materyali, fiyat segmenti, stok seviyesi ve kargo hızı gibi statik özellikler ile kullanıcının coğrafi konumu, cihaz tipi, tarayıcı dili gibi bağlamsal değişkenlerdir.

Bu veriler Apache Kafka, AWS Kinesis veya Google Cloud Pub/Sub gibi dağıtık mesajlaşma kuyrukları aracılığıyla toplanır. Ardından Apache Spark veya Flink gibi akış işleme platformlarında gürültüden arındırılır; bot trafiği ayıklanır, oturum kimlikleri birleştirilir ve kayıp değerler istatistiksel yöntemlerle temizlenir.

2. Algoritmik Analiz, Öznitelik Çıkarımı ve Modelleme

Temizlenen veriler, makine öğrenmesi modellerinin anlayabileceği sayısal biçimlere dönüştürülür. Bu aşamaya öznitelik mühendisliği (feature engineering) denir. Kategorik veriler (marka, kategori vb.) one-hot encoding veya embedding katmanlarıyla vektörize edilirken, sayısal veriler (fiyat, görüntüleme sayısı) standart sapma ve ortalama değerlerine göre normalize edilir. Metinsel ürün açıklamaları, modern BERT veya benzeri Transformer modelleri ile gömme (embedding) uzayına aktarılır.

Modelleme aşaması genellikle iki kademeli (two-stage) bir yaklaşımla yürütülür:

1. Aday Üretimi (Candidate Generation / Retrieval): Katalogdaki 500.000 ürünü doğrudan derin bir sinir ağına sokmak hesaplama açısından imkansızdır. Bu nedenle, hızlı çalışan işbirlikçi filtreleme veya yaklaşık en yakın komşu (ANN - Approximate Nearest Neighbors) algoritmaları (örneğin Faiss, HNSW) kullanılarak katalog saniyeler içinde 500-1000 adetlik mantıklı bir aday kümesine indirilir.

2. Yeniden Sıralama (Re-ranking / Scoring): Aday üretimi aşamasından gelen 500 ürün, çok daha karmaşık ve ağır bir derin öğrenme modeline sokulur. Bu aşamada kullanıcının anlık bağlamı, stok marjları, ürünün iade oranı ve mevsimsellik faktörleri hesaba katılarak her ürüne bir ilgi skoru atanır ve en yüksek puanı alan ilk 10-20 ürün seçilir.

3. Gerçek Zamanlı Filtreleme ve Sunum (API Katmanı)

Sıralanan ürünler, son kullanıcıya iletilmeden önce bir dizi katı iş mantığı (business rules) filtresinden geçirilir. Bu aşama, öneri motorunun şirket hedefleriyle ve operasyonel gerçeklerle uyumlu çalışmasını garanti altına alır:

• Stokta olmayan veya kritik stok seviyesinin altına düşen ürünlerin önerilerden düşürülmesi,

• Kullanıcının daha önce satın aldığı ve tekrar satın alma döngüsü uzun olan ürünlerin (örneğin buzdolabı, televizyon) vitrinden elenmesi,

• Marka sponsorluk anlaşmaları veya yüksek kâr marjlı ürünlerin ağırlık katsayılarının dinamik olarak artırılması,

• Çeşitlilik (diversity) kuralları uygulanarak arayüzün sadece tek bir kategorideki benzer ürünlerle boğulmasının engellenmesi.

Filtrelenen nihai liste, optimize edilmiş bir GraphQL veya RESTful API aracılığıyla istemciye (web tarayıcısı, mobil uygulama) JSON formatında iletilir. Uçtan uca bu döngünün p95 gecikme süresinin (latency) 50-80 milisaniyenin altında kalması, kullanıcı deneyiminin bozulmaması için endüstri standardı kabul edilir.

Öneri Sistemlerinde Kullanılan Temel Algoritmalar ve Yöntemler

Öneri motorlarının mimari yapısı, çözülmek istenen iş problemine, veri yoğunluğuna ve katalog tipine göre farklı matematiksel yaklaşımlar gerektirir. Günümüzde endüstri standardı olarak kabul edilen üç temel metodoloji bulunmaktadır: İçerik Tabanlı Filtreleme (Content-Based), İşbirlikçi Filtreleme (Collaborative Filtering) ve bu iki yapıyı harmanlayan Derin Hibrit Modeller.

İçerik Tabanlı Filtreleme (Content-Based Filtering)

İçerik tabanlı filtreleme, "kullanıcının geçmişte beğendiği veya etkileşime girdiği ürünlere benzeyen diğer ürünleri bulma" mantığına dayanır. Burada odak noktası kullanıcıların birbirleriyle olan ilişkisi değil, tamamen ürünlerin kendi içsel öznitelikleridir (attributes).

Bir ürün; başlığı, teknik açıklamaları, kategorisi, fiyatı, rengi ve üreticisi gibi yapısal ve yapısal olmayan verilerle bir öznitelik vektörüne ($V_i$) dönüştürülür. Metin tabanlı veriler için TF-IDF (Term Frequency-Inverse Document Frequency) veya güncel Transformer tabanlı embedding modelleri kullanılır. Kullanıcının geçmişte tıkladığı ürünlerin vektörleri ağırlıklı olarak toplanarak o kullanıcı için bir profil vektörü ($U_u$) oluşturulur. İki vektör arasındaki benzerlik genellikle Kosinüs Benzerliği (Cosine Similarity) formülü ile hesaplanır:

İçerik tabanlı sistemlerin en büyük avantajı, kullanıcılar arasında veri paylaşımına ihtiyaç duymamasıdır. Platforma tek bir kullanıcı dahi gelse, o kullanıcının birkaç ürün incelemesi anlamlı öneriler üretmek için yeterlidir. Ancak bu modelin yapısal bir handikabı vardır: "Aşırı özelleştirme" (over-specialization). Kullanıcı sadece koşu ayakkabılarına baktıysa, sistem ona sürekli koşu ayakkabısı önerecek; kullanıcının ilgisini çekebilecek spor çorapları veya akıllı saatler gibi çapraz kategorileri keşfetmesini engelleyecektir (serendipity eksikliği).

İşbirlikçi Filtreleme (Collaborative Filtering)

İşbirlikçi filtreleme, ürün özelliklerinden bağımsız olarak, kullanıcıların kolektif davranış kalıplarına odaklanır. Temel varsayım şudur: "Geçmişte benzer satın alma veya puanlama davranışları sergileyen kullanıcılar, gelecekte de benzer tercihlerde bulunacaktır." Bu yöntem iki alt dala ayrılır:

Kullanıcı Tabanlı (User-to-User) ve Ürün Tabanlı (Item-to-Item) Yaklaşımlar

• Kullanıcı Tabanlı Filtreleme: Hedef kullanıcı ile en çok ortak ürünle etkileşime girmiş olan "komşu" kullanıcılar bulunur. Bu komşuların satın aldığı ancak hedef kullanıcının henüz görmediği ürünler tavsiye edilir. Kullanıcı sayısı ürün sayısından çok daha hızlı arttığında hesaplama maliyeti katlanarak artar.

• Ürün Tabanlı Filtreleme: Kullanıcılar yerine ürünler arasındaki korelasyona bakılır. Eğer X ve Y ürünleri çoğunlukla aynı kullanıcı kitleleri tarafından birlikte tüketiliyorsa, bu iki ürün "benzer" kabul edilir. Amazon tarafından popülerleştirilen bu model, ürün kataloğundaki değişim hızı kullanıcı hareketlerine göre daha yavaş olduğu için önceden hesaplanabilir (pre-computed) matrislerle son derece verimli çalışır.

Matris Ayrıştırma (Matrix Factorization) ve Gizil Faktörler

Geleneksel matrislerin aşırı seyrek (sparse) olması problemini çözmek için Doğrusal Olmayan Boyut İndirgeme ve Matris Ayrıştırma teknikleri devreye girer. Tekil Değer Ayrışımı (Singular Value Decomposition - SVD) ve Değişken En Küçük Kareler (Alternating Least Squares - ALS) algoritmaları, $R$ ($m \times n$ boyutundaki kullanıcı-ürün matrisi) matrisini daha düşük boyutlu iki gizil matrisin çarpımı olarak modeller:

Burada $P$ matrisi ($m \times k$) kullanıcıların gizil faktörlerdeki ağırlıklarını, $Q$ matrisi ($n \times k$) ise ürünlerin aynı gizil faktörlerdeki karşılıklarını temsil eder ($k \ll \min(m, n)$). Bu $k$ boyutu; doğrudan adlandırılamayan ancak ürünün "fiyat seviyesi", "tasarım sadeliği" veya "popülerlik derecesi" gibi soyut kavramları yakalayan gizil (latent) vektörlerdir. Model bu iki düşük boyutlu matrisi çarparak orijinal matristeki boşlukları doldurur ve tahmin üretir.

Hibrit Modeller ve Derin Öğrenme Mimarileri

Modern kurumsal mimariler, tek bir algoritmanın sınırlarına hapsolmak yerine hibrit yaklaşımları benimser. YouTube, Netflix ve Alibaba gibi ölçekli platformlar, içerik tabanlı modelin metadata zenginliği ile işbirlikçi filtrelemenin kolektif zeka kabiliyetini "İki Kuleli Derin Sinir Ağları" (Two-Tower Neural Networks) ile birleştirir.

İki kuleli mimaride kulelerden biri kullanıcı özelliklerini (yaş, konum, son 5 tıklama, cihaz tipi), diğeri ise ürün özelliklerini (kategori, metin vektörü, fiyat, stok durumu) bağımsız derin sinir ağlarından geçirerek aynı $d$ boyutlu vektör uzayına projekte eder. İki kule arasındaki nokta çarpımı (dot product), kullanıcının o ürünü tıklama veya satın alma olasılığını verir. Bu mimari, aday üretim aşamasında milyarlarca hesaplamayı vektör veritabanlarında saniyenin yüzde biri sürede çözmeyi mümkün kılar.

Yapay Zeka Öneri Sistemlerinin Sınırları ve Risk Yönetimi

Yapay zeka modelleri matematiksel olarak kusursuz optimizasyon hedeflerine kilitlense de, operasyonel gerçeklikte ciddi teknik, yasal ve etik riskler barındırır. Bu risklerin önceden planlanıp proaktif bir şekilde yönetilmemesi, platformların dönüşüm kaybetmesine, marka prestijinin sarsılmasına ve ağır regülasyon cezalarıyla karşılaşmasına yol açabilir.

Soğuk Başlangıç (Cold Start) Problemi

Soğuk başlangıç, bir öneri motorunun en yaygın karşılaştığı yapısal darboğazdır ve üç farklı senaryoda ortaya çıkar:

1. Yeni Kullanıcı (New User): Platforma ilk kez gelen bir ziyaretçinin geçmiş verisi bulunmaz. Kullanıcı tabanlı veya işbirlikçi filtreleme algoritmaları bu kullanıcı için hiçbir çıktı üretemez. Çözüm olarak; kullanıcının geldiği referans URL, coğrafi konumu, kullandığı işletim sistemi gibi bağlamsal değişkenler üzerinden genel popülerlik listeleri sunulur. İlk 2-3 tıklamadan itibaren model "oturum tabanlı" (session-based) önerilere geçerek soğuk başlangıç durumundan çıkar.

2. Yeni Ürün (New Item): Kataloğa yeni eklenen bir ürünün henüz tıklanma veya satın alma verisi yoktur. İşbirlikçi filtreleme modelleri bu ürünü aday listelerine alamaz (veri açlığı). Bu durumda içerik tabanlı filtreleme devreye sokularak ürünün metin ve kategori embedding'leri üzerinden mevcut popüler ürünlere olan benzerliği hesaplanır ve yapay olarak belirli bir gösterim kotası (exploration exploitation dengesi / Multi-Armed Bandit algoritmaları) tahsis edilir.

3. Yeni Platform (New Platform): Henüz hiçbir kullanıcı ve ürün etkileşiminin olmadığı sıfır noktasıdır. Bu aşamada makine öğrenmesi yerine kural tabanlı hibrit yapılar ve editoryal seçimler zorunlu bir köprü görevi görür.

Veri Gizliliği, KVKK ve GDPR Uyumluluğu

Öneri motorlarının yüksek doğrulukla çalışabilmesi, derinlemesine kullanıcı profillemesine dayanır. Ancak bu durum, 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) ve Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR) kapsamında son derece sıkı regülasyonlara tabidir.

Kullanıcıların IP adresleri, kesin konum bilgileri, gezinme geçmişleri ve cihaz parmak izleri "kişisel veri" niteliğindedir. Bu verilerin rıza olmaksızın işlenmesi veya profilleme amacıyla üçüncü taraf SaaS motorlarına aktarılması yasal risk doğurur. Platform mimarileri kurgulanırken şu teknik disiplinler uygulanmalıdır:

• Anonimleştirme ve Sözde Anonimleştirme (Pseudonymization): Model eğitim pipeline'ına aktarılan kullanıcı kimlikleri (User ID), geri döndürülemez hash algoritmalarıyla maskelenmeli; ad, e-posta veya telefon gibi doğrudan kimlik belirleyiciler makine öğrenmesi özellik depolarına (feature stores) asla dahil edilmemelidir.

• Açık Rıza Yönetimi (Consent Management): Çerez ve takip onayını vermeyen kullanıcılar için öneri modelleri tamamen oturum bazlı (session-only) ve kimliksizleştirilmiş veri akışlarına indirgenmelidir.

• Unutulma Hakkı Entegrasyonu: Bir kullanıcı verilerinin silinmesini talep ettiğinde, ilişkisel veritabanlarından silinmesi yeterli değildir. Kullanıcının embedding uzayındaki vektör ağırlıklarının ve model parametrelerinin güncellenmesi (machine unlearning) veya bir sonraki model eğitim döngüsünde bu verinin dışarıda bırakılması gerekir.

Model Sapması (Model Drift) ve Sürekli Yeniden Eğitim

Tüketici davranışları durağan değildir; moda akımları, enflasyonist baskılar, mevsimsel değişimler veya beklenmedik krizler (pandemi, tedarik zinciri kırılmaları) kullanıcıların satın alma alışkanlıklarını aniden değiştirebilir. Eğitildiği dönemdeki veri dağılımı ile canlı ortamdaki güncel veri dağılımı arasındaki bu uyumsuzluğa "Veri Sapması" (Data Drift) veya "Kavram Sapması" (Concept Drift) denir.

Aylar önce eğitilmiş bir model, kış aylarında yazlık ürünleri önermeye devam edebilir veya tükenmiş trendleri kullanıcılara sunabilir. Bunun önüne geçmek için sürekli bir MLOps döngüsü kurulmalıdır:

• Canlı ortam metrikleri (tıklama oranı, dönüşüm kaybı) anlık olarak Prometheus veya Grafana gibi araçlarla izlenmeli,

• Veri dağılımlarındaki sapmaları ölçmek için Wasserstein Mesafesi veya Kullback-Leibler (KL) Iraksaması gibi istatistiksel testler çalıştırılmalı,

• Belirli bir sapma eşiği aşıldığında Airflow veya Kubeflow tetiklenerek modelin en son verilerle otomatik olarak yeniden eğitilmesi (continuous training) sağlanmalıdır.

İnsan Denetimi (Human-in-the-Loop)

Yapay zeka sistemleri sadece matematiksel korelasyonlara bakar; bu korelasyonların ahlaki, kültürel veya mantıksal boyutlarını anlayamaz. Algoritmik önyargılar veya veri anomalileri, marka değerine zarar verebilecek öneri felaketlerine yol açabilir (örneğin hassas yas dönemlerinde uygunsuz ürün eşleşmeleri veya birbiriyle taban tabana zıt ürünlerin sepet tamamlayıcı olarak sunulması).

Bu nedenle, tam otonom bir sistem yerine "İnsan Denetimli" (Human-in-the-Loop) bir risk yönetim katmanı zorunludur. İş birimi yöneticileri, kural motorları üzerinden algoritmaya kesin engelleme listeleri (blacklists), negatif kategori eşleşmeleri ve marka güvenliği filtreleri uygulayabilmelidir. Makine öğrenmesi çıktısı bu emniyet supaplarından geçtikten sonra kullanıcıya ulaşmalıdır.

İşletmeniz İçin Doğru Çözümü Seçmek: SaaS vs. Özel (Custom) Geliştirme

Ürün öneri altyapısını modernize etmek isteyen işletmeler temel bir stratejik yol ayrımıyla karşılaşır: Piyasada kendini kanıtlamış hazır SaaS (Software as a Service) platformlarını tercih etmek mi, yoksa şirket içinde (in-house) özel makine öğrenmesi modelleri ve veri boru hatları inşa etmek mi? Bu karar, mevcut mühendislik kapasitesi, veri hacmi, zaman kısıtı ve bütçe dinamiklerine göre verilmelidir.

Hazır SaaS Çözümleri

Piyasada AWS Personalize, Algolia Recommend, Dynamic Yield, Bloomreach ve Segment gibi doğrudan API üzerinden tüketilebilen gelişmiş öneri motorları yer almaktadır. Bu servisler, arka plandaki karmaşık makine öğrenmesi modellerini, altyapı ölçeklemesini ve vektör veritabanı yönetimini soyutlayarak işletmelere hazır SDK'lar sunar.

• Avantajları: Entegrasyon süresi oldukça kısadır. Ortalama 2 ila 6 hafta içinde platforma entegre edilebilirler. Sunucu bakımı, model dağıtımı (deployment) ve yüksek trafik dönemlerindeki (örneğin Black Friday) otomatik ölçekleme tamamen sağlayıcı tarafından üstlenilir. Küçük ve orta ölçekli veri bilimi ekipleri kurmaya gerek kalmaz.

• Dezavantajları ve Maliyetler: Kullanım bazlı fiyatlandırma modelleri (API çağrı sayısı, işlenen veri hacmi, katalog büyüklüğü) nedeniyle, platform büyüdükçe aylık maliyetler kontrolsüz şekilde tırmanabilir. Ayrıca bu sistemler "kara kutu" (black-box) olarak çalışır; algoritmik mantığa doğrudan müdahale etmek, derin mimari değişiklikler yapmak veya şirkete özgü niş iş kurallarını gömmek oldukça sınırlıdır.

Özel Model Geliştirme (In-House ML Pipelines)

Kendi öneri motorunu sıfırdan geliştirmek; PyTorch, TensorFlow, Scikit-learn, Ray, MLflow ve vektör veritabanları (Milvus, Qdrant, Pinecone) gibi açık kaynak ekosistemini kullanarak şirket içinde tescilli (proprietary) bir veri mimarisi kurmak anlamına gelir.

• Avantajları: Şirkete tam bir algoritmik kontrol ve fikri mülkiyet bağımsızlığı kazandırır. İşletmenin marj dinamiklerine, tedarik zinciri özelliklerine ve kullanıcı segmentlerine milimetrik olarak uyarlanmış özel kayıp fonksiyonları (loss functions) tanımlanabilir. Veri tamamen şirketin kendi sunucularında veya özel bulut ortamında kaldığı için veri gizliliği riskleri minimize edilir.

• Dezavantajları ve Maliyetler: Başlangıç maliyeti ve mühendislik yükü son derece ağırdır. Projenin hayata geçmesi 6 ila 12 ay sürebilir. Veri mühendisleri, MLOps uzmanları ve veri bilimcilerden oluşan kıdemli bir teknik ekibin istihdam edilmesini gerektirir. Modelin gecikme sürelerini düşük tutmak ve GPU/TPU altyapı maliyetlerini optimize etmek sürekli bir operasyonel mesai talep eder.

Öneri Sistemlerinde Başarı Metrikleri ve Dönüşüm Optimizasyonu

Bir yapay zeka öneri sisteminin teknik olarak çalışması, işletmeye gerçek anlamda ekonomik değer kattığı anlamına gelmez. Modelin başarısı, hem algoritmik doğruluğu ölçen "çevrimdışı" (offline) metriklerle hem de doğrudan ciro ve kullanıcı davranışına yansıyan "çevrimiçi" (online) iş metrikleriyle iki katmanlı olarak doğrulanmalıdır.

Çevrimdışı (Offline) Değerlendirme Metrikleri

Model henüz canlıya alınmadan önce, geçmiş test verileri üzerinde ne kadar isabetli tahminler yaptığı matematiksel olarak ölçülür. Çevrimdışı testlerde en sık başvurulan formüller şunlardır:

• Precision@K ve Recall@K: Modelin önerdiği ilk $K$ ürün içerisinden kaç tanesinin kullanıcı tarafından gerçekten tüketildiğini ($Precision$), ve kullanıcının ilgilendiği toplam ürünlerin ne kadarının bu $K$ listesine dahil edilebildiğini ($Recall$) gösterir.

• NDCG (Normalized Discounted Cumulative Gain): Bir öneri listesinde sadece doğru ürünün bulunması yetmez; o ürünün listenin kaçıncı sırasında yer aldığı da kritiktir. NDCG, üst sıralardaki doğru tahminleri alt sıralardakilere göre logaritmik olarak daha yüksek ödüllendiren, sıralama duyarlı en yetkin metriktir.

• MAP (Mean Average Precision): Farklı kullanıcılar için üretilen sıralı öneri listelerinin ortalama hassasiyet değerlerinin genel ortalamasını alarak modelin sıralama başarısını tek bir skora indirger.

Çevrimiçi (Online) İş Metrikleri

Çevrimdışı testlerde yüksek skor alan bir model, canlı ortamda beklenen ticari sıçramayı yaratamayabilir. Çünkü çevrimdışı modeller geçmiş alışkanlıkları ezberleme eğilimindedir (overfitting). Sistemin gerçek başarısı platform üzerindeki canlı hareketlerle test edilir:

• Tıklama Oranı (CTR - Click-Through Rate): Öneri bileşenini (widget) gören kullanıcıların bu bileşendeki ürünlere tıklama yüzdesidir. Alakalılık düzeyinin doğrudan göstergesidir.

• Dönüşüm Oranı (CR - Conversion Rate): Önerilen ürünlere tıklayan kullanıcıların bu oturumda satın alma tamamlama oranıdır.

• Ortalama Sepet Tutarı (AOV - Average Order Value): Özellikle çapraz satış (cross-sell) ve yukarı satış (up-sell) öneri modüllerinin sepet büyüklüğüne yaptığı net katkıyı ölçer.

• Katalog Kapsamı (Catalog Coverage): Öneri motorunun toplam katalogdaki ürünlerin yüzde kaçını vitrine çıkarabildiğidir. Yüksek kapsam, uzun kuyruktaki (long-tail) atıl stokların eritilmesini sağlar.

A/B Testi Metodolojisi

Yeni bir öneri algoritması doğrudan tüm kullanıcılara açılmaz. Güvenli entegrasyon için canlı trafik ikiye veya üçe bölünür. Kullanıcıların %50'si mevcut öneri motorunu (Kontrol Grubu - A) görmeye devam ederken, diğer %50'lik dilim yeni yapay zeka modelinin önerileriyle (Deney Grubu - B) karşılaşır.

Test süreci boyunca oturum süresi, terk oranı, sepet büyüklüğü ve ciro metrikleri telemetri araçlarıyla anlık izlenir. Testin geçerli sayılabilmesi için istatistiksel anlamlılık (statistical significance - p-value < 0.05) eşiğine ulaşılana kadar genellikle 2 ila 4 hafta beklenir. Ancak deney grubunun kontrol grubunu istatistiksel olarak belirgin bir farkla geride bıraktığı kanıtlandığında yeni model tüm site trafiğine dağıtılır.