Rage Click Gördün, Peki O Kullanıcı Satın Aldı mı? Clarity + GA4 + LLM ile Frustrated Buyer Analizi

Giriş

Clarity dashboard’unda rage click sayısı yükseldi. Ödeme sayfasında dead click’ler var. Excessive scrolling sinyalleri kırmızı yanıyor.

Peki, bu kullanıcılar gerçekten kaybedildi mi?

LinkedIn’deki Clarity rehberlerinin çoğu burada duruyor: “Rage click gördün, düzelt.” Ama rage click gören her kullanıcı terk etmiyor. Bir kısmı tüm bu sürtünmeye rağmen satın almayı tamamlıyor. Ve bu “frustrated but converted” segmenti, aslında en riskli ve en değerli segment.

Bu yazıda, Clarity frustration sinyallerini GA4 BigQuery verileriyle çapraz analiz edip LLM ile pattern tespiti yaparak frustrated buyer segmentini nasıl ayırt edeceğimi ele alacağım. Tek araçla yapılamayan bu analizi, üç katmanın birleşimiyle gerçekleştiren bir workflow sunacağım.

Davranışsal analitik araçlarının AI/ML entegrasyonu ve veri füzyonu mimarisi hakkında kapsamlı bir değerlendirme için davranışsal analitik ve AI/ML rehberine bakabilirsiniz.

Clarity Ne Gösterir, Ne Gösteremez?

Microsoft Clarity ücretsiz, sınırsız session recording ve heatmap sunan güçlü bir araç. Frustration sinyallerini (rage click, dead click, excessive scrolling, quick backs) otomatik tespit eder, Copilot ile 250 session’ı aynı anda özetleyebilir, Smart Events ile kod yazmadan event tracking kurar.¹

Ancak Clarity’nin yapısal limitleri var ve bu limitleri bilmeden pipeline kurmaya çalışmak ciddi zaman kaybına neden olur:

Özellik	Clarity’nin Sunduğu	Clarity’nin Sunamadığı
Frustration tespiti	Rage click, dead click, excessive scrolling	Bu sinyallerin conversion’a etkisi
Session replay	Sınırsız, ücretsiz	Recording’lerin warehouse export’u
Data Export API	Agregat dashboard verisi	Ham event seviyesinde veri (max 3 gün, 1000 satır, günde 10 istek)
User identification	identify API ile user_id	Warehouse’da joinable user_id (client-side hash)
Scroll tracking	Scroll heatmap (nereye kadar)	Scroll velocity, dwell time (nasıl)
AI	Copilot session özetleri	GA4/CRM verileriyle çapraz AI analizi

Bu tablo, Clarity’nin neden tek başına karar aracı olamayacağını netleştiriyor. Frustration sinyali tespit eder ama bu sinyalin iş sonucuna etkisini ölçemez.

Clarity Session Export’u Ne Veriyor?

Clarity’den dışa aktarılan session listesi şu kolonları içerir: tarih, süre, giriş/çıkış URL’si, referrer, user ID, tarayıcı, cihaz, işletim sistemi, ülke, sayfa sayısı, tıklama sayısı ve recording linki.²

Dikkat edilmesi gereken noktalar:

• Rage click, dead click, scroll depth gibi frustration metrikleri export’ta yok. Bunlar yalnızca Clarity UI’da görünür.
• User ID hash’lenmiş. Bu ID ile GA4 veya CRM’deki user_id arasında doğrudan eşleşme yapılamaz.
• Session metadata var, davranış verisi yok. Tıklama sayısı var ama nereye tıklandığı yok.

Bu export, “hangi sayfalarda ne kadar vakit geçirilmiş” sorusuna cevap verir ama “kullanıcı neden terk etti” sorusuna veremez. O sorunun cevabı session replay’de gizli.

Eşleştirme Stratejisi: Clarity + GA4 Ortak user_id

Clarity ve GA4 verilerini aynı kullanıcı üzerinden analiz edebilmek için her iki araca da aynı tanımlayıcıyı göndermek gerekir.

GA4 Tarafı

gtag("config", "G-XXXXXXX", {
  user_id: "USER_UUID",
});

Clarity Tarafı

clarity("identify", "USER_UUID", "session_id", "page_id", {
  plan: "premium",
  signup_date: "2026-01-15",
});

Kritik Kısıt

Clarity, identify API ile gönderilen user_id’yi client tarafında hash’ler. Bu, Clarity UI’da bu kullanıcıyı filtreleyebileceğim anlamına gelir ama BigQuery’deki GA4 user_id’si ile doğrudan JOIN yapamam.

Peki, bu eşleştirme nasıl işe yarar?

1. Clarity UI’da user_id ile filtreleme: Belirli bir kullanıcının tüm session’larını, rage click’lerini ve recording’lerini görebilirim.
2. GA4 BigQuery’de aynı user_id ile sorgulama: Aynı kullanıcının conversion, revenue ve event verilerini çekebilirim.
3. Çapraz analiz LLM ile: Clarity’den elde ettiğim nitel gözlemleri (session replay özetleri, frustration pattern’leri) GA4’ten elde ettiğim nicel verilerle (conversion, revenue) birleştirip LLM’e beslerim.

Bu, warehouse seviyesinde otomatik bir JOIN değil. Manuel veya yarı otomatik bir analitik workflow. Tam otomatik pipeline için PostHog veya FullStory gerekir.

Frustrated Buyer Segmentasyonu

Frustration sinyali gösteren kullanıcıları iki segmente ayırmak, müdahale stratejisini tamamen değiştirir:

Segment 1: Frustrated but Converted

Bu kullanıcılar rage click yapmış, dead click’e denk gelmiş, belki formda takılmış ama satın almayı tamamlamış. Neden önemli?

• Yüksek churn riski: Satın alma deneyimi kötüydü. Bir sonraki seferde terk etme olasılığı yüksek.
• Yüksek LTV potansiyeli: Tüm engellere rağmen convert ettiyse, ürüne veya hizmete güçlü bir ihtiyacı var.
• En değerli müdahale penceresi: Bu kullanıcılara post-purchase deneyim iyileştirmesi (follow-up email, UX düzeltmesi) uygulamak, retention’ı doğrudan etkiler.

Segment 2: Frustrated and Churned

Bu kullanıcılar frustration sinyali göstermiş ve terk etmiş. Bunlar “klasik” UX problemi vakaları:

• Doğrudan revenue kaybı: Convert edemeden ayrılmış.
• Düzeltme önceliği yüksek: Hangi sayfada, hangi elementte takıldıklarını session replay’den görebilirim.
• Consent ve ad blocker overlap’i: Consent yazısında ele aldığım gibi, ad blocker kullananların %83’ü consent’i de reddediyor. Bu kullanıcılar Clarity’de bile görünmeyebilir.

Peki, bu segmentasyonu nasıl yaparım?

Workflow: Clarity + GA4 BigQuery + LLM

Adım 1: Clarity’de Frustration Keşfi

Clarity UI’da şu filtreleri uygularım:

1. User Actions > Insights: Rage clicks, Dead clicks, Excessive scrolling
2. Path: Conversion funnel sayfaları (ürün, sepet, ödeme)
3. Session duration: 30 saniyenin üstü (bot’ları filtrelemek için)

Bu filtreleme sonucunda frustration gösteren session’ların listesini elde ederim. Copilot ile toplu özetleme yapabilirim.

Adım 2: GA4 BigQuery’de Conversion Sorgusu

Aynı dönem için GA4 BigQuery’den conversion verilerini çekerim:

SELECT
  user_pseudo_id,
  event_name,
  event_timestamp,
  ecommerce.purchase_revenue_in_usd AS revenue,
  device.category AS device,
  geo.country AS country,
  traffic_source.medium AS medium
FROM
  `project.analytics_XXXXXX.events_*`
WHERE
  _TABLE_SUFFIX BETWEEN '20260401' AND '20260403'
  AND event_name IN ('purchase', 'begin_checkout', 'add_to_cart')
ORDER BY
  event_timestamp DESC

Adım 3: LLM ile Çapraz Analiz

Clarity’den elde ettiğim frustration pattern’lerini ve GA4’ten elde ettiğim conversion verilerini birleştirip LLM’e beslerim. Bu analiz için bir Claude skill veya prompt template kullanılabilir:

Clarity verileri:
- [user_id]: Ödeme sayfasında 3 rage click, form alanında dead click,
  session süresi 4:32, mobile Chrome

GA4 verileri:
- [user_id]: begin_checkout event'i var, purchase event'i YOK
- Önceki 30 günde 5 session, 2 add_to_cart

Analiz:
1. Bu kullanıcı hangi segmentte? (frustrated-converted / frustrated-churned)
2. Frustration'ın root cause'u ne olabilir?
3. Hangi müdahale önerirsin?

Contentsquare MCP entegrasyonu sayesinde Claude bu sorgulamayı doğrudan Clarity verileri üzerinden yapabilir. Pipeline kurmadan, doğal dilde analiz mümkün.³

Adım 4: Segment Bazlı Aksiyon

Segment	Aksiyon	Ölçüm
Frustrated-Converted	Post-purchase UX iyileştirmesi, follow-up survey	Repeat purchase rate, NPS
Frustrated-Churned	Funnel’daki friction noktasını düzelt	Conversion rate değişimi
Frustrated-Invisible	Consent/ad blocker nedeniyle görünmeyen	Server-side tracking ile kurtarma

Scroll Heatmap’in Ötesi: Behavioral Scroll Analysis

Clarity scroll heatmap’i kullanıcının sayfanın neresine kadar scroll ettiğini gösterir. Bu değerli bir başlangıç noktası ama yeterli değil.

Clarity’nin scroll heatmap’i “kullanıcıların %40’ı bu noktadan sonra devam etmedi” der. Ama bu %40’ın hızlıca tarayıp geçenler mi, yoksa yavaşça okuyup bırakanlar mı olduğunu ayırt edemez.

Scroll velocity (kaydırma hızı) ve dwell time (bekleme süresi) bağımsız sinyaller olarak akademik olarak kanıtlanmış metriklerdir. Google Research, Cambridge ve MIT’nin ortak çalışması yalnızca scroll feature’larıyla okuma zorluğunu F-score 0,77 ile tahmin etmiş.⁴

Bu ayrımı yapabilen bir scroll tracking çözümü her bölge için engaged (derinlemesine okuyan), scanned (hızlıca tarayan) ve skipped (atlayan) sınıflandırması yapar. Detaylar için scroll derinliğinin neden yanıltıcı bir metrik olduğunu ele aldığım yazıya ve ScrollTracker’ın teknik implementasyonuna bakabilirsiniz.

Clarity + ScrollTracker birlikte kullanıldığında:

• Clarity: “Kullanıcıların %60’ı CTA bölgesine ulaşmadı” (nereye kadar)
• ScrollTracker: “Ulaşanların %70’i o bölgeyi taradı, sadece %15’i engaged okudu” (nasıl)

Bu iki veri katmanı birleştiğinde, “CTA’yı yukarı taşı” gibi yüzeysel bir karar yerine “CTA’nın üstündeki içerik engage etmiyor, içeriği yeniden yapılandır” gibi kök neden odaklı bir karar alınabilir.

Clarity vs Alternatifler: Gerçekçi Konumlandırma

Clarity’nin piyasadaki konumunu dürüstçe değerlendirmek gerekir. Hotjar, Temmuz 2025’te Contentsquare ile birleşti ve fiyatlandırma modeli tamamen değişti.⁵ Eski Hotjar’ın Scale planı (Observe + Ask + Engage) aylık $922’ye ulaşabiliyordu; yeni Contentsquare modeli Free/Growth (€39/ay)/Pro/Enterprise olarak yeniden yapılandırıldı.⁶

Kriter	Clarity	Contentsquare Free	Contentsquare Growth (€39/ay)	PostHog Free
Session recording	Sınırsız, %100 capture	%5 capture (max 10k/ay)	%15 capture (min 20k)	5k session/ay
Data retention	30 gün replay, 13 ay heatmap	1 ay replay, 1 ay analitik	2 ay replay, 13 ay analitik	1 yıl
Frustration sinyalleri	Otomatik (rage, dead, scroll)	Temel (Frustration Score Growth+)	Frustration Score, filtreleme	Manuel event
User ID filtreleme	Var (ücretsiz)	Yok (Growth+ gerekli)	Var	Var
Warehouse export	Yok (API sadece agregat)	Yok	Yok (Data Connect Pro+ add-on)	Native BigQuery
MCP	Yok	300 call/ay	~3k call/ay (36k/yıl)	MCP server (self-host)
AI	Copilot, Smart Events	Temel	Sense Chat, Heatmap summaries, Session Replay Summaries	AI asistan
Survey/feedback	Yok	100 response/ay	Var	Var (on-site)
Privacy	Microsoft veri kullanım hakları7	GDPR/CCPA uyumlu, veri paylaşmaz	GDPR/CCPA uyumlu	Self-host seçeneği
Sektör kısıtı	Healthcare, finans, gov yasak	Yok	Yok	Yok

Privacy Notu

Clarity’nin kullanım koşulları, Microsoft’a toplanan verileri AI model eğitimi, reklam profilleme, benchmark raporları ve case study’ler için kullanma hakkı verir. DNT (Do Not Track) sinyalini dikkate almaz ve bireysel kullanıcı verisi silme mekanizması sunmaz.⁷ Bu, GDPR’ın “silme hakkı” (right to erasure) gerekliliğiyle çelişebilir. Contentsquare ise GDPR, CCPA ve LGPD uyumlu çalışır, verileri profilleme veya reklam amacıyla kullanmaz.

Healthcare, finansal hizmetler ve devlet sitelerinde Clarity kullanılamaz. Bu sektörlerdeki ekipler için Contentsquare veya PostHog (self-hosted) tek seçenek.

Clarity’nin güçlü noktası: Ücretsiz, sınırsız recording (%100 capture), hızlı kurulum, Shopify entegrasyonu, Copilot ile anında özetleme. Contentsquare Free’nin %5 capture limitiyle karşılaştırıldığında session recording hacminde rakipsiz.

Clarity’nin zayıf noktası: Warehouse export yok, user_id hash’leniyor, API limitleri düşük, funnel analizi basit, privacy modeli tartışmalı, sektör kısıtlamaları var.

Gerçekçi değerlendirme: Çoğu ekip için Clarity + GA4 BigQuery kombinasyonu en sürdürülebilir başlangıç noktası. Clarity nitel keşif katmanı, GA4 BigQuery nicel temel katman. Survey ve kullanıcı geri bildirimi ihtiyacı olan ekipler Contentsquare Growth’a geçişi değerlendirebilir. Tam warehouse pipeline ihtiyacı olan ekipler PostHog veya FullStory’ye bakmalı.

Araç bazlı detaylı karşılaştırma için analitik platformları arasındaki veri farklılıkları yazısına ve PostHog, Umami ve GA4 karşılaştırmasına bakabilirsiniz.

Consent’in Clarity Verilerine Etkisi

Clarity de diğer client-side araçlar gibi consent kurallarına tabi. Consent verilmeden Clarity script’i yüklenmiyor (veya kısıtlı çalışıyor), dolayısıyla consent vermeyen kullanıcıların session’ları kayıt altına alınmıyor.

Bu, frustrated buyer analizinde kör bir nokta oluşturur: consent’i reddeden kullanıcılar genellikle daha privacy-conscious ve daha deneyimli web kullanıcıları. Bu segment, ad blocker kullanımıyla da güçlü bir overlap gösteriyor; consent yazısında ele aldığım gibi, ad blocker kullananların %83’ü consent’i de reddediyor.

Consent’in ölçüm etkisi hakkında detaylı analiz, modelleme eşikleri ve platform karşılaştırması için consent ve GDPR’ın ölçüm etkisi yazısına bakabilirsiniz.

Nereden Başlamalı?

Adım 1: Clarity Tam Kurulum

• Clarity’yi consent-aware şekilde kur (consent tool entegrasyonu)
• Smart Events tanımla: purchase, signup, CTA click, form submit
• identify API ile GA4 user_id eşleştirmesini aktif et

Adım 2: GA4 BigQuery + Frustration Keşfi

• GA4 BigQuery export’u aktif et (ücretsiz)
• Clarity UI’da frustration filtrelerini uygula, pattern’leri not al
• Copilot ile haftalık session özetleri çıkar

Adım 3: LLM Çapraz Analiz

• Clarity frustration özetleri + GA4 conversion verilerini LLM’e besle
• Frustrated-converted vs frustrated-churned segmentlerini ayırt et
• Segment bazlı aksiyon planı oluştur

Adım 4: Otomasyon (İleri)

• Contentsquare MCP ile Claude’dan doğrudan Clarity sorgulaması
• BigQuery ML ile churn propensity modeli
• Haftalık otomatik frustrated buyer raporu

Footnotes

1. Microsoft Clarity Features and Documentation, Microsoft Clarity ↩
2. Clarity session export CSV formatı: Date, Time, Session duration, Entry/Exit URL, Referrer, Clarity user ID, Browser, Device, OS, Country, Page count, Session clicks, Favorite, Recording link. Frustration metrikleri (rage click, dead click) export’ta yer almaz. ↩
3. Contentsquare MCP entegrasyonu, Contentsquare Developer Documentation ↩
4. Google Research, Cambridge ve MIT ortak scroll velocity çalışması. Detaylı analiz için Scroll Derinliği Neden Yanıltıcı Bir Metrik? yazısına bakınız. ↩
5. Contentsquare completes Hotjar acquisition, Contentsquare Press ↩
6. Contentsquare Pricing, Contentsquare. Free: 200k session, %5 replay capture (max 10k), 1 ay retention, 300 MCP call/ay. Growth (€39/ay): 7k-10m session, %15 capture (min 20k), 13 ay retention, 36k MCP call/yıl. ↩
7. Microsoft Clarity Terms of Use ve Microsoft Privacy Statement. Clarity toplanan verileri AI model eğitimi, reklam profilleme, benchmark raporları ve pazarlama materyalleri için kullanma hakkını saklı tutar. DNT sinyalini respect etmez. Bireysel kullanıcı verisi silme mekanizması sunmaz. Kaynak: Hotjar vs Microsoft Clarity karşılaştırması ↩ ↩²

Önemli Noktalar

• 01 Clarity rage click ve dead click verileri, tek başına iş kararı almaya yetmez. GA4 conversion verileriyle çapraz analiz yapılmadan frustrated kullanıcının değeri bilinemez.
• 02 Clarity Data Export API sadece agregat veri sunar (max 3 gün, 1000 satır). Ham event seviyesinde warehouse export'u yok. Pipeline kurmaya çalışmak boşa vakit kaybı.
• 03 Clarity user_id'yi client tarafında hash'ler. Warehouse'da doğrudan join yapılamaz. Eşleştirme için ortak user_id + identify API stratejisi gerekir.
• 04 LLM (Claude, GPT) ile Clarity session özetleri + GA4 conversion verileri birleştirildiğinde, manuel session replay izlemeden pattern tespiti yapılabilir.
• 05 Frustrated-but-converted kullanıcılar en değerli müdahale penceresi: satın almayı tamamlamış ama bir sonraki satın almada churn riski taşıyor.

Sık Sorulan Sorular (FAQ)

+ Clarity tek başına churn tahmini yapabilir mi?

Hayır. Clarity frustration sinyallerini (rage click, dead click, excessive scrolling) tespit eder ama bu sinyallerin iş sonucuna etkisini göstermez. Churn tahmini için GA4 conversion verileri, CRM yaşam boyu değeri ve BigQuery ML gerekir.

+ Clarity verileri BigQuery'ye aktarılabilir mi?

Pratik olarak hayır. Clarity Data Export API sadece agregat dashboard verisi sunar: maksimum 3 gün, 1000 satır, günde 10 istek. Ham event seviyesinde export yok. Clarity, warehouse pipeline'ı değil, UI üzerinden nitel keşif aracı olarak kullanılmalı.

+ Clarity ile GA4 verileri nasıl eşleştirilir?

Her iki araca da aynı user_id gönderilir. GA4'e config üzerinden user_id, Clarity'ye identify API ile aynı UUID gönderildiğinde, UI'da kullanıcı bazlı filtreleme yapılabilir. Ancak Clarity user_id'yi client tarafında hash'lediği için warehouse seviyesinde doğrudan join yapılamaz.

+ LLM ile Clarity analizi nasıl yapılır?

İki yol var: Contentsquare MCP entegrasyonu ile Claude/ChatGPT doğrudan Clarity verilerini sorgulayabilir. Alternatif olarak, Clarity Copilot ile session özetleri çıkarılıp bu özetler LLM'e GA4 verileriyle birlikte beslenir.

+ Scroll heatmap yeterli mi yoksa daha gelişmiş scroll tracking gerekli mi?

Clarity scroll heatmap'i kullanıcının nereye kadar scroll ettiğini gösterir ama nasıl scroll ettiğini (hızlı tarama mı, derinlemesine okuma mı) ayırt edemez. Engaged/scanned/skipped sınıflandırması için velocity ve dwell time tabanlı tracking gerekir.