E-Ticarette Kişiselleştirme: Algoritmadan UX'e

E-ticarette kişiselleştirme, son 10 yılın en büyük rekabet avantajı. Amazon'un satışlarının %35'i öneri motorundan geliyor, Netflix'in izlemelerinin %80'i. Türkiye'de Trendyol, Hepsiburada bu teknolojileri agresif kullanıyor. Peki küçük ve orta ölçekli e-ticaret siteleri için kişiselleştirme nasıl uygulanabilir? Cevap: artık çok daha erişilebilir.

Kişiselleştirme dört temel boyutta çalışır: (1) Ürün önerisi — "bunu alanlar şunu da aldı". (2) İçerik kişiselleştirme — ana sayfa banner'larının kullanıcıya göre değişmesi. (3) Arama kişiselleştirme — aynı arama farklı kullanıcılara farklı sıralama gösterir. (4) Fiyat ve kampanya kişiselleştirme — dikkatli kullanılmalı (etik ve yasal sorunlar). En yüksek ROI getiren genellikle ürün önerisi, en kolay başlanabilir alan.

Teknik mimari açısından üç yaklaşım var: Collaborative filtering (kullanıcı-ürün etkileşim matrisinden öğrenir), Content-based filtering (ürün özelliklerinden öneri yapar), ve Hybrid (ikisini birleştirir). Modern sistemler artık deep learning kullanıyor (sequence-based modeller, transformer'lar). Açık kaynak araçlar: Microsoft'un Recommenders kütüphanesi, TensorFlow Recommenders, AWS Personalize. KOBİ'ler için saatlik maliyetle kullanılabilen yönetilmiş servisler ideal başlangıç.

Bir mobilya e-ticareti müşterimizde kurduğumuz kişiselleştirme motoru ilk 3 ayda sepet ortalamasını %18, dönüşüm oranını %23 artırdı. Ama burada önemli bir nokta: algoritma kadar UX da kritik. "Sizin için" bandını doğru yere koymak, "yine de bunu istemiyorum" seçeneği vermek, anonim kullanıcılar için bile davranışsal kişiselleştirme yapmak (cookie-bazlı), kullanıcının kontrol hissini korumak. ClientIQX olarak bu projelerde data scientist ve UX designer'ı aynı masada çalıştırıyoruz. En iyi algoritma kötü UX ile değer üretmez.