Bu yazıdan aklınızda kalacaklar
- Modeller müşteri bazlı puan üretir: churn olasılığı, sonraki alım zamanı ve kategorisi, beklenen LTV, kupon hassasiyeti, kanal ve saat tercihi, iade eğilimi.
- Veri: birleşik kayıt, sipariş ve iade, davranış, kampanya tepkisi; en az 12 ay ve birkaç bin müşteri; küçük veride RFM yeterli.
- Aksiyon: riskli ve değerli müşteriye erken geri kazanma, indirimsiz alacak müşteriye kupon yok, zamanında hatırlatma, yüksek LTV benzer kitle, düşük LTV reklamdan hariç.
- KVKK: profilleme aydınlatmada, pazarlama izinle, reddeden genel deneyim; fiyat ayrımcılığı yok; etki kontrol grubuyla ölçülür.
RFM geçmişe bakar: kim ne zaman, ne sıklıkla, ne kadar aldı. Yapay zeka geleceğe bakar: kim önümüzdeki 60 günde alım yapmayacak, kim ne zaman ne alacak, kim indirimsiz de alır, kimin yaşam boyu değeri yüksek olacak. İkisi birlikte, e-ticarette müşteri verisinin gerçek kullanımıdır: kaybedilmek üzere olan müşteriyi kaybetmeden yakalamak, indirimi yalnızca gerektiği yere vermek, en değerli müşteriye özel ilgi göstermek. Bu yazı, yapay zeka ile müşteri segmentasyonunu anlatıyor: tahmin türleri (churn, sonraki alım, LTV, kupon hassasiyeti, ürün eğilimi), veri gereksinimi, davranışsal segmentler, tahminden aksiyona (otomasyon ve reklam kitleleri), KVKK sınırları, ölçüm ve kontrol grubu, sık hatalar.
Kısaca
Modeller her müşteri için puan üretir: churn olasılığı (belirli sürede alım yapmama), sonraki alım zamanı ve ürün kategorisi, beklenen LTV, kupon hassasiyeti (indirimsiz alma olasılığı), ürün ve kategori eğilimi, kanal ve saat tercihi. Puanlar RFM segmentlerini inceltir ve doğrudan aksiyona bağlanır: yüksek churn riski ve yüksek LTV müşteriye erken geri kazanma; indirimsiz alacak müşteriye kupon yok; sonraki alım zamanı yaklaşan müşteriye hatırlatma. Veri: birleşik müşteri kaydı, sipariş, davranış ve kampanya tepkisi. KVKK: profilleme aydınlatmada belirtilir, pazarlama izinle. Etki kontrol grubuyla ölçülür.
Tahmin türleri
| Tahmin | Ne söyler | Aksiyon |
|---|---|---|
| Churn olasılığı | Önümüzdeki 60/90 günde alım yapmama ihtimali | Riskli ve değerli müşteriye erken geri kazanma |
| Sonraki alım zamanı | Bir sonraki siparişin tahmini tarihi | Zamanında hatırlatma; erken değil, geç değil |
| Sonraki ürün/kategori | Ne alma eğiliminde | Kişiye özel öneri ve içerik |
| Beklenen LTV | 12 ay içinde beklenen katkı | Kaynak önceliği; reklam benzer kitle kaynağı |
| Kupon hassasiyeti | İndirimsiz alma olasılığı | Kupon yalnızca gerekene |
| Kanal ve saat tercihi | Hangi kanal, hangi saat açıyor | Gönderim optimizasyonu |
| İade eğilimi | İade olasılığı | Beden önerisi, kapıda ödeme kısıtı |
Veri gereksinimi
Birleşik müşteri kaydı (misafir, üye, WhatsApp, pazaryeri kural dahilinde), sipariş ve iade geçmişi (SKU, tutar, kanal, tarih), site davranışı (görüntüleme, arama, sepet), kampanya tepkileri (açma, tıklama, kupon), destek etkileşimleri. En az 12 ay ve birkaç bin müşteri; daha küçük veride kural bazlı segment (RFM) yeterli, model zayıf. Veri kalitesi: birleşmemiş kayıt ve düşülmemiş iade tahmini bozar.
Davranışsal segmentler
RFM'nin ötesinde: indirim avcıları (yalnızca kampanyada alan), tam fiyat müşterileri, tek kategori sadıkları, keşifçiler (çok kategori), hediye alıcıları (özel gün öncesi, farklı adres), yüksek iadeciler, mobil/masaüstü, sabah/akşam alıcıları, içerik okuyucular. Model bu örüntüleri otomatik bulur; işletme isimlendirir ve aksiyon bağlar.
Tahminden aksiyona
Otomasyon: Churn riski eşiği aşınca geri kazanma akışı (LTV'ye göre yoğunluk); sonraki alım zamanı yaklaşınca hatırlatma (tahmin edilen ürünle); kupon hassasiyeti düşük müşteriye kuponsuz mesaj, yüksek müşteriye süreli kupon; kanal ve saat tercihine göre gönderim. Akışlar e-ticaret sisteminin otomasyonunda, puanlar haftalık güncellenir.
Reklam: Yüksek LTV müşteriler benzer kitle kaynağı; churn riski yüksek ve değerli müşteriler yeniden pazarlama kitlesi; düşük LTV ve indirim avcıları reklamdan hariç (bütçe israfı); kitleler izinli veriyle platformlara aktarılır.
Müşteri hizmeti: Yüksek LTV müşterinin mesajı öncelikli; iade eğilimi yüksek müşteride beden önerisi ve bilgilendirme.
Ürün ve içerik: Kategori eğilimine göre kişiselleştirilmiş vitrin ve e-posta; içerik okuyuculara rehber.
KVKK sınırları
Profilleme ve tahmin, kişisel veri işlemedir: aydınlatma metninde belirtilir (kişiselleştirme ve profilleme amacı), pazarlama iletişimi için açık rıza ve İYS, reddeden müşteri genel deneyimi görür (kişiselleştirme kapalı), veri yasal süreyle saklanır, model eğitiminde verinin üçüncü tarafla paylaşılmadığı sözleşmede. Özel nitelikli veri (sağlık ürünü alımından çıkarım) hassas; kullanılmaz ya da açık rızayla. Kişiye göre farklı liste fiyatı (fiyat ayrımcılığı) yapılmaz; kişiye özel kupon ayrı.
Ölçüm ve kontrol grubu
Model doğruluğu: churn tahmini isabet oranı, sonraki alım zamanı sapması, LTV tahmini ile gerçekleşen. Aksiyon etkisi kontrol grubuyla: riskli müşterilerin bir kısmına akış gönderilmez, iki grup arasında geri kazanma farkı; kupon hassasiyeti kararının marj etkisi (kuponsuz alan müşteri oranı). Genel: tekrar alım oranı, kayıp oranı, e-posta ve otomasyon ciro payı, kupon maliyeti / ciro.
Bir müşterimiz (kozmetik, 38 bin müşteri) RFM ile çalışıyordu; churn ve kupon hassasiyeti modelleri eklendi. Riskte segmentinin yüzde 30'u (yüksek LTV, yüksek churn) erken geri kazanma akışına alındı, kupon yalnızca hassasiyeti yüksek yüzde 40'a gitti. Altı ayda geri kazanma oranı yüzde 9'dan yüzde 17'ye, kupon maliyeti cironun yüzde 5,2'sinden yüzde 2,8'ine, tekrar alım yüzde 31'den yüzde 38'e; kontrol grubuna göre artımsal.
Sık hatalar
- Birleşmemiş ve iade düşülmemiş veriyle model
- Küçük veride model zorlamak (RFM yeterli)
- Tahmini rapor olarak bırakıp aksiyona bağlamamak
- Herkese kupon (hassasiyet modelini kullanmamak)
- Kontrol grubu olmadan "işe yaradı" demek
- Aydınlatma ve izin olmadan profilleme
- Fiyat ayrımcılığı
Başlangıç
Müşteri kaydını birleştirin, RFM'yi kurun, 12 aylık veri birikince churn ve kupon hassasiyeti modellerini açın (ilk iki en yüksek getirili), akışlara bağlayın, yüzde 10 kontrol grubu ayırın, üç ay sonra artımsal etkiyi okuyun.
Churn, LTV ve kupon hassasiyeti tahminleri, otomasyon ve kitle aktarımı yapay zeka destekli e-ticaret sistemimizde hazır. İlgili: RFM segmentasyonu, müşteri verisi ve CRM, yapay zeka ve KVKK. Terimler: kişiselleştirme, müşteri yaşam boyu değeri.
Sık sorulan sorular
Churn tahmini nedir?
Müşterinin belirli sürede (60 ya da 90 gün) alım yapmama olasılığının geçmiş davranıştan tahmini; riskli ve değerli müşteriye erken geri kazanma akışı bağlanır.
Kupon hassasiyeti modeli ne işe yarar?
İndirimsiz de alacak müşteriye kupon göndermeyi önler; kupon maliyetini düşürürken tekrar alımı korur.
Yapay zeka segmentasyonu için ne kadar veri gerekir?
Birleşik müşteri kaydıyla en az 12 aylık sipariş ve davranış verisi ve birkaç bin müşteri; daha azında kural bazlı RFM daha güvenilirdir.
Profilleme KVKK'ya uygun mu?
Aydınlatma metninde belirtilir, pazarlama iletişimi açık rıza ve İYS ile yapılır, reddeden müşteri kişiselleştirme dışı kalır, veri üçüncü tarafla paylaşılmaz.
Etki nasıl ölçülür?
Kontrol grubuyla: riskli müşterilerin bir kısmına aksiyon uygulanmaz, geri kazanma ve tekrar alım farkı artımsal etkidir; model doğruluğu ayrıca izlenir.
