Çok kanallı pazarlama atıf modellemesi ve bütçe optimizasyonu

İş akışı, on dosyalı karmaşık bir veri setini tek bir Türkçe görev tarifiyle kurarak başladı. Google, Meta, TikTok, LinkedIn, programatik, e-posta, dönüşüm yolları, CRM, döviz kurları ve kanal kısıtları birlikte yüklendi. Cowork bu dosyaları yalnızca yan yana koymadı; önce ortak bir kanal taksonomisi kurdu, ardından farklı şema ve para birimlerini aynı analitik zeminde buluşturdu.

İlk adım veri birleştirmeydi. Meta harcaması USD geldiği için günlük döviz kuru dosyasıyla tüm tutarlar TL’ye çevrildi. Böylece kanal performansı tek para biriminde karşılaştırılabildi. Dağınık sütun adları sadeleştirildi, mecralar ortak başlıklara indirildi ve raporlama için tutarlı bir yapı kuruldu. Bu temel olmadan atıf modellemesi ve bütçe optimizasyonu güvenilir ilerlemezdi; Cowork önce zemini temizledi.

İkinci adımda çok-temaslı dönüşüm yolları devreye girdi. 48 binden fazla temas noktasını içeren dosya üzerinden altı atıf modeli kuruldu: son-tıklama, ilk-tıklama, doğrusal, zaman-ağırlıklı, konum-tabanlı ve veri-güdümlü Markov zinciri yaklaşımı. Amaç tek bir “doğru” model ilan etmek değildi. Asıl değer, kanal katkısının modele göre nasıl değiştiğini açıkça görmekti. Bu karşılaştırma, son-tıklamanın alt huni kanalları parlatırken üst huni katkısını nasıl perdelediğini görünür kıldı.

Üçüncü adımda Cowork, kanalları tek bir KPI’a mahkûm etmedi. Gösterim, tıklama, dönüşüm ve ROAS bazında ayrı sıralamalar çıkardı. Sonra bu sıralamaları üst üste koyup hangi mecranın hangi ölçütte öne çıktığını, hangi noktada çatışma doğduğunu gösterdi. Böylece ekip yalnızca “en çok tıklama getiren kanal” ya da “en yüksek son-tıklama ROAS’ı veren mecra” tuzağına düşmeden daha dengeli bir karar çerçevesi kurabildi. Öneri tarafında da veri-güdümlü atıfa dayalı harmanlanmış bir hedef öne çıktı; çünkü performans pazarlamada tek bir KPI çoğu zaman resmi eksik gösterir.

Dördüncü adım bütçe optimizasyonuydu. Kanal kısıtları ve doygunluk katsayıları hesaba katılarak marjinal getiri eğrileri çıkarıldı. Böylece “en çok harcayan kanal en iyidir” gibi yüzeysel bir bakış yerine, ek bütçenin hangi noktadan sonra verimsizleştiği görüldü. Cowork bu çerçevede aylık bütçeyi min/max sınırları içinde yeniden dağıttı ve önerilen dağılımın beklenen dönüşüm ile gelir etkisini hesapladı. Burada asıl kazanım, ekibin sezgiyle değil, açık varsayımlar ve görünür matematik üzerinden konuşabilmesiydi.

Beşinci adımda çıktı üretimi geldi. Cowork çok sayfalı bir Excel çalışma kitabı hazırladı: yönetici özeti panosu, birleşik kanal performansı, atıf modeli karşılaştırması, çok-KPI sıralama, doygunluk ve marjinal getiri, bütçe yeniden dağıtımı, varsayımlar ve yöntem, ayrıca denetim için temas verisi örneklemi tek dosyada toplandı. Hesaplanmış değerler dosyaya sabitlendi; ham 48 bin satırlık veri canlı formül yüküyle çalışma kitabını hantallaştırmadı. Bu, yöneticinin hızlı okumasını da denetim ihtiyacını da aynı anda destekledi.

Aynı iş akışında bir PowerPoint destesi de üretildi. Kapaktan yönetici özetine, veri ve yöntem bölümünden son-tıklama yanılgısına, üst huni asist değerinden önerilen bütçe dağılımına kadar 12–14 slaytlık akış hazırlandı. Uygun yerlerde grafik ve tablolar eklendi, her slayta kısa konuşmacı notu düşüldü. Yani Cowork yalnızca analiz yapmadı; analizin anlatım katmanını da kurdu.

Son olarak pazarlama direktörüne gidecek Türkçe yönetici özeti e-posta taslağı oluşturuldu. Temel bulgu, önerilen bütçe kaydırması ve beklenen etki tek bakışta okunacak şekilde düzenlendi. Böylece ekip, analizden sunuma ve yönetsel iletişime kadar uzanan tam bir teslim zinciri elde etti.

Bu senaryoda ölçülen tablo da netti: /cost komutu görev için 1.025,3 kredi gösterdi. Cowork maliyeti ₺481 oldu. Aynı işin elle yapım maliyeti ₺78.000 düzeyindeydi. Aradaki kazanç ₺77.519 olarak ölçüldü; ROI ise 162,23x çıktı. Bu karşılaştırmanın asıl değeri maliyeti kısmak da değil. Tersine, tekrarlayan veri toplama, dönüştürme, model karşılaştırma ve çıktı paketleme yükü Cowork’e geçince ekip kendi vaktini geri kazanıyor. O vakit de stratejiye, yorum farkına, kanal içgörüsüne ve paydaş iletişimine ayrılıyor. En güçlü taraf burada: insan-yapay zeka iş birliği.