Davranışsal Analitik ve AI/ML: Çok Kaynaklı Veri Füzyonu ile Tahminsel Modelleme Rehberi

Bu rehber, PM ve Growth ekiplerinin teknik ekipleriyle ortak dil kurmasını ve veri füzyonu stratejilerini anlamasını hedefliyor. Bir uygulama rehberinden ziyade, bir karar rehberi olarak değerlendirilebilir. Bu yazıda, hangi aracın hangi veriyi sağladığını, bu verilerin AI/ML bağlamında nereye kadar yeterli olduğunu ve gerçekçi bir birleştirme mimarisinin nasıl kurgulanacağını ele alacağım.

Paradigma Değişimi: Betimsel Analitikten Tahminsel Zekaya

Davranışsal analitik pazarı 2024 yılında 895 milyon dolar seviyesindeydi. 2032’ye kadar yıllık %27,15 bileşik büyüme oranıyla 6,1 milyar doları aşması bekleniyor.¹ Bu büyümenin arkasında basit bir evrim var: ekipler artık “ne oldu?” sorusundan (betimsel analitik) “ne olacak?” sorusuna (tahminsel analitik), oradan da “ne yapmalıyız?” sorusuna (kuralcı analitik) geçiyor.

Peki, bu geçiş neden tek bir araçla yapılamıyor?

Veri bilimi terminolojisinde buna omitted variable bias (eksik değişken yanlılığı) denir. GA4 üzerinden bir e-ticaret hunisini takip ettiğimde, kullanıcıların ödeme sayfasında %40 oranında ayrıldığını görebilirim. Ancak bu veri tek başına ayrılma nedenini açıklamaz: form tasarımındaki bir hata mı, sayfa yükleme gecikmesi mi, yoksa güven eksikliği mi? GA4 “ne kadar” sorusunu yanıtlar, “neden” sorusunu yanıtlayamaz.

İşte burada Davranışsal Zeka (Behavioral Intelligence) kavramı devreye giriyor. Tek bir aracın sunduğu perspektif yerine, üç farklı veri katmanını birleştiren bir yaklaşım:

• Nicel katman (GA4, Mixpanel, Amplitude): Event hacimleri, dönüşüm oranları, kullanıcı demografisi
• Nitel katman (Hotjar, Clarity, FullStory, Umami v3.1.0+): Rage click, dead click, ısı haritaları, session replay
• Bağlamsal katman (CRM, destek kayıtları, faturalama): Yaşam boyu değer (LTV), satın alma geçmişi, destek etkileşimleri

Bu üç katman ayrı ayrı değerlendirildiğinde her biri bir resmin eksik bir parçasını ifade eder, bütünü anlamak güçtür. Ancak bir veri ambarında (BigQuery gibi) birleştirildiğinde, ML modeline sadece olayları değil, olayların arkasındaki sürtünmeyi ve niyeti de sunabiliriz.

Araç Haritası: Kim Ne Toplar, Neyi Toplayamaz?

Davranışsal analitik araçlarını AI/ML uygunluğu açısından dürüstçe değerlendirmek gerekiyor. Her aracın güçlü yanları kadar yapısal limitasyonları da var ve bu limitasyonları bilmeden pipeline tasarlamaya çalışmak ciddi zaman ve emek kaybına neden olur.

Araç	Veri Tipi	Event Property	BigQuery Export	AI Özellikleri	ML Uygunluğu	Fiyat
GA4	Nicel (event, conversion)	Evet (zengin parametreler)	Native, ücretsiz	Sınırlı, MCP	Temel katman	Ücretsiz
Contentsquare (eski Hotjar)	Anket, heatmap, kayıt, survey	Hayır (sadece isim)	Yok (Data Connect Pro+ add-on)	Sense AI, MCP (Free: 300 call/ay)	Nitel sinyaller	Free + tier’lı paid2
Clarity	Session replay, heatmap	Tag: Evet, Event: Hayır	Yok (API sadece agregat)	Copilot, Smart Events	Nitel, ücretsiz	Ücretsiz
PostHog	Tam ürün analitiği	Evet	Native	AI asistan, MCP	Güçlü, self-host	Cömert ücretsiz tier
FullStory	Session replay + analitik	Evet	Native	StoryAI	Güçlü, enterprise	Enterprise

Bu tabloyu okurken dikkat edilmesi gereken kritik noktalar var:

• Contentsquare (eski Hotjar) Hotjar’ı 2021’de satın aldı; 1 Temmuz 2025’te ürün resmi olarak Contentsquare çatısı altında birleştirildi, yeni Hotjar kayıtları kapatıldı ve fiyatlandırma modeli yeniden yapılandırıldı.² Free tier’da session replay yalnızca %5 capture (max 10k/ay), veri retention 1 ay, Frustration Score ve User ID filtreleme Growth ve üstü tier’ı gerektiriyor. Eski Hotjar’ın Observe + Ask + Engage modüllerini ayrı ayrı ücretlendiren yapısı yerine birleşik tek tier modeli geldi. Events API hâlâ yalnızca event ismi kabul eder, property göndermek mümkün değil. GA4 ile ilişkilendirilebiliyor.
• Clarity Data Export API yalnızca agregat dashboard verisi sunar (max 3 gün, 1000 satır, günde 10 istek). Ham event seviyesinde veri export’u yok. GA4 ile ilişkilendirilebiliyor. Clarity’nin privacy modeli tartışmalı: Microsoft toplanan verileri AI eğitimi ve reklam profilleme için kullanma hakkını saklı tutar; healthcare, finans ve devlet sitelerinde kullanılamaz.³
• GA4 BigQuery export, bu listedeki tek ücretsiz, event seviyesinde, native warehouse pipeline’ı.

PostHog ve FullStory ise hem event property desteği hem de native BigQuery export sunuyor. Ancak FullStory enterprise fiyatlandırmayla gelirken, PostHog açık kaynak ve cömert bir ücretsiz tier sunuyor. Bu araçların detaylı karşılaştırması için GA4 ve PostHog karşılaştırma yazıma bakabilirsiniz. Clarity + GA4 + LLM ile frustrated buyer segmentasyonu yapmanın pratik workflow’u için Clarity frustrated buyer analizi yazıma bakabilirsiniz.

Veri Füzyonu Mimarisi: Parçaları Birleştirmek

Araç haritasındaki limitasyonları gördükten sonra gerçekçi bir birleştirme stratejisi kurmak gerekiyor. Burada üç katmanlı bir mimari öneriyorum:

Temel katman: GA4 BigQuery export. GA4 verileri BigQuery’ye native olarak aktarılır ve her satır bir event’i temsil eden ham veri yapısındadır. Bu, ML modelleri için temel nicel veri havuzunu oluşturur ve event seviyesinde granüler veri sunar.

Nitel zenginleştirme katmanı: Hotjar ve Clarity. Bu araçlar warehouse’a veri pompalayan pipeline’lar değil, UI üzerinden nitel derinleştirme yapılan araçlardır. Bir kullanıcının neden ayrıldığını anlamak için session replay izlerim, heatmap’e bakarım, survey yanıtlarını okurum. Ama bu verileri BigQuery’de bir tablo olarak sorgulamam pratikte mümkün değil.

Tam pipeline katmanı: PostHog veya FullStory. Warehouse seviyesinde davranışsal veri ihtiyacı olan ekipler için PostHog veya FullStory doğru tercih. Her ikisi de event property desteği ve native BigQuery export sunuyor.

Peki, farklı araçlardan gelen veriler nasıl birleştiriliyor? Temel strateji, tüm araçlara aynı kullanıcı kimliğini (user_id) göndermek. GA4’e user_id, Hotjar’a identify API’si ile, Clarity’ye identify çağrısıyla aynı UUID gönderildiğinde, her araçtaki kullanıcı profilleri eşleştirilebilir hale gelir.

Gerçekçi değerlendirme: çoğu ekip GA4 BigQuery’yi temel katman olarak kullanacak, Hotjar ve Clarity’yi nitel araştırma araçları olarak tutacak. Bu gayet geçerli bir strateji ve tam multi-tool warehouse pipeline kurmaktan çok daha sürdürülebilir.

AI Katmanı: Her Aracın Yapay Zeka Yetenekleri

2025-2026 döneminde davranışsal analitik araçlarının neredeyse tamamı bir AI katmanı ekledi. Ancak bu katmanların kapsamı ve derinliği ciddi farklılıklar gösteriyor.

Hotjar / Contentsquare. Hotjar, 1 Temmuz 2025’teki resmi birleşmenin ardından Sense AI platformuna erişim kazandı. Sense AI anket yanıtlarını otomatik özetler, sentiment analizi yapar ve açık uçlu cevapları kategorize eder. Sense Chat ile doğal dilde soru sorarak analitik verilerini sorgulayabilirsiniz: “Kullanıcılar ödeme sayfasında neden ayrılıyor?” gibi. Session replay’leri otomatik özetleyen, frustration sinyallerini (rage click, u-turn) tespit eden ve Mapping Assistant ile event’leri retroaktif olarak etiketleyen bir AI altyapısı sunuyor. Ek olarak MCP (Model Context Protocol) entegrasyonu sayesinde Claude, ChatGPT ve Cursor gibi AI agent’lar Contentsquare verilerini doğrudan sorgulayabiliyor.

Microsoft Clarity. Clarity’nin Copilot özelliği 250’ye kadar session recording’i aynı anda özetleyebiliyor. Heatmap insight’ları, kampanya performansı ve cihaz bazlı davranış farklılıkları hakkında doğal dilde raporlar üretir. Smart Events sistemi ise 9 yerleşik event tipini otomatik tespit eder, ek olarak 20’ye kadar custom smart event tanımlanabilir. Tüm bunlar ücretsiz.

Burada bir not düşmekte fayda var. Eğer Shopify kullanıyorsanız, Clarity’nin Shopify entegrasyonu ile ilerlemeniz daha uygun olacaktır. Aksi durumda kullandığınız platform Advanced DOM Pixel Events API erişimine sahip değilse screen kaydı mümkün olmayacaktır.

PostHog. PostHog’un AI ürün asistanı session’ları özetler, doğal dilde sorgulama destekler ve bir MCP server sunarak Claude Code, Cursor gibi araçlardan doğrudan PostHog verilerine erişim sağlar. LLM kullanan ürünler için ayrı bir LLM analytics dashboard’u da mevcut: token kullanımı, model performansı ve maliyet takibi.

GA4 + BigQuery ML. GA4’ün kendi AI yetenekleri sınırlı olsa da, BigQuery ML ile doğrudan SQL üzerinden logistic regression, XGBoost ve hatta zaman serisi modelleri (ARIMA) kurulabiliyor. Pipeline kurmadan, warehouse içinde churn tahmini veya conversion probability hesaplaması yapmak mümkün.

PM ve Growth ekipleri için en erişilebilir başlangıç noktası, Sense Chat veya Clarity Copilot ile doğal dilde sorgulama yapmak. Pipeline kurmadan, doğal dilde “Bu hafta mobil kullanıcıların sepet terk etme oranı neden arttı?” gibi sorular sorabilirsiniz.

Öznitelik Mühendisliği: Davranışsal Veriyi ML İçin Hazırlamak

ML modellerinin başarısı, seçilen algoritmadan çok veri kalitesine ve öznitelik tasarımına bağlıdır. Davranışsal analitik araçlarından elde edilen ham sinyaller, doğrudan bir modele beslenemez. Bu sinyallerin “öznitelik” (feature) haline dönüştürülmesi gerekir.

Sürtünme Sinyalleri

Nitel araçlardan elde edilen kullanıcı hüsranı sinyalleri, ML modelleri için güçlü tahminleyicilerdir.⁴

• Rage click (öfke tıklaması): Bir kullanıcının 1 saniyelik bir pencerede aynı alana 3’ten fazla tıklaması. Araştırmalar, bu sinyalin %70 oranında kullanıcı hüsranıyla korelasyon gösterdiğini ortaya koyuyor.
• Dead click (ölü tıklama): Tıklanabilir görünen ancak hiçbir eylem üretmeyen statik bir elemana tıklama. Arayüz tasarım hatalarının doğrudan göstergesi.
• Error click (hata tıklaması): Bir JavaScript hatasından hemen önce gerçekleşen tıklama. Teknik sorunların kullanıcı deneyimine etkisini ölçer.
• Aşırı kaydırma (excessive scrolling): İçeriğin alakasız olduğunu veya kullanıcının aradığını bulamadığını gösteren normalin dışındaki dikey hareketler.
• U-turn: Kullanıcının bir sayfaya gidip hızla geri dönmesi. Beklenti ile gerçeklik arasındaki uyumsuzluğun sinyali.

Scroll davranışı konusunda ayrıca dikkat çekmek istediğim bir nokta var. Geleneksel threshold tabanlı scroll tracking (%25, %50, %75, %100) kullanıcının nereye ulaştığını söyler ama nasıl ulaştığını söylemez. ScrollTracker adı ile geliştirdiğim çözüm scroll velocity, dwell time ve mikro hareketleri analiz ederek her bölge için engaged/scanned/skipped sınıflandırması yapar. Google Research, Cambridge ve MIT’nin ortak çalışması yalnızca scroll feature’larıyla okuma zorluğunu F-score 0,77 ile tahmin etmiş; I3 çalışması ise scroll velocity pattern’lerinden %92,4 doğrulukla ilgi çıkarımı yapmıştır.⁵ Detaylar için scroll derinliğinin neden yanıltıcı olduğunu anlattığım yazıya bakabilirsiniz.

Çapraz Kaynak Öznitelikler

Veri füzyonunun gerçek değeri, tek bir araçtan elde edilemeyecek çapraz kaynak özniteliklerde ortaya çıkar:

• GA4 conversion event’leri + Hotjar rage click verisi = “hayal kırıklığına uğramış alıcı” segmenti. Satın almayı tamamlamış ama süreçte ciddi sürtünme yaşamış kullanıcılar, gelecekte churn riski taşır.
• Anket sentiment trendi + session süre trendi = “sessiz churn” tespiti. NPS skoru düşen ama henüz ayrılmamış kullanıcılar, en değerli müdahale penceresi.
• Davranışsal scroll sınıflandırması + GA4 page_view = “okuyanlar vs tarayanlar vs sıçrayanlar” segmentasyonu. İçerik stratejisini doğrudan etkileyen bir ayrım.

Tahminsel Modeller: Pratik Kullanım Senaryoları

Öznitelikleri tanımladıktan sonra bu verilerin hangi iş problemlerini çözdüğüne bakalım. Her senaryoyu problem, veri kaynakları, yöntem ve çıktı formatında ele alacağım.

Churn Tahmini

Problem: Hangi kullanıcılar önümüzdeki 30 gün içinde ayrılacak?

Veri kaynakları: GA4 davranışsal öznitelikler (session süre trendi, event sayıları, conversion pattern’leri) + CRM yaşam boyu değeri (LTV) + Hotjar sürtünme sinyalleri (rage click sıklığı, NPS skoru).

Yöntem: BigQuery ML ile XGBoost veya logistic regression modeli. Her kullanıcı için bir “eğilim puanı” (propensity score) üretilir.

Google Cloud’un yayınladığı “Flood It!” mobil oyun vaka çalışmasında, GA4 ve BigQuery ML kullanılarak kullanıcıların ilk 24 saat içinde geri dönüp dönmeyeceği tahmin edilmiş. 0,4-0,7 arasında puan alan “kararsız” kullanıcılara hedefli push bildirimleri gönderilerek elde tutma oranları optimize edilmiş.⁶ Akademik tarafta ise finansal hizmetler sektöründe yapılan bir çalışma, işlem verileri + sesli görüşme kayıtları + anket verilerini birleştirmenin churn tahmin doğruluğunu %91,2’ye çıkardığını göstermiş.⁷

UX Friction Otomasyonu

Problem: Kullanıcıların yaşadığı teknik ve tasarım kaynaklı sürtünmeleri otomatik tespit et.

Veri kaynakları: Clarity/Hotjar rage click ve dead click verileri + Sentry hata kayıtları + GA4 funnel düşüşleri.

Yöntem: Sürtünme metriklerinde anomaly detection. Webhook tabanlı uyarı pipeline’ı: rage click oranı belirli bir eşiği aştığında otomatik Slack bildirimi, session replay linki içeren Jira ticket’ı oluşturulması. Haftalık recording metadata agregasyonu ile trend analizi.

Survey Yanıtlarında Derinlemesine NLP

Problem: Binlerce açık uçlu anket yanıtını manuel okumak yerine otomatik analiz et.

Veri kaynakları: Hotjar survey yanıtları (Responses API veya manuel CSV export).

Yöntem: LLM destekli topic modeling ve emotion detection. Hotjar’ın yerleşik sentiment analizi (pozitif/negatif/nötr) temel bir ayrım sunar, ancak LLM’ler spesifik kök nedenleri kategorize edebilir: “fiyatlandırma” vs “yavaş yüklenme” vs “UI karmaşıklığı”. LLM ayrıca anket metnini ilgili session recording’lerle eşleştirip otomatik bug report üretebilir.

Segment Bazlı Davranış Analizi

Problem: Farklı kullanıcı segmentlerinin davranış farklılıklarını tespit et.

Veri kaynakları: GA4 user properties + Hotjar/Clarity davranışsal sinyaller.

Yöntem: BigQuery’de davranışsal kohort analizi. “Enterprise kullanıcılar hangi CTA’lara tıklıyor, SMB kullanıcılardan farkı ne?” gibi soruları veri bazında yanıtlamak. Bu analiz, kişiselleştirme stratejilerinin temelini oluşturur.

Gerçek Zamanlı Kişiselleştirme

Problem: Kullanıcı davranış pattern’lerine göre deneyimi dinamik olarak uyarla.

Veri kaynakları: Davranışsal sürtünme sinyalleri, Segment üzerinden event routing.

Yöntem: Kural tabanlı veya ML destekli kişiselleştirme motoru. Örnek: u-turn ve rage click pattern’i gösteren “kafası karışmış” kullanıcıya proaktif canlı destek penceresi aç veya basitleştirilmiş UI varyantı sun. Optimizely veya LaunchDarkly gibi araçlarla entegre edilebilir.

Pipeline Mimarileri: Hangi Yaklaşım Doğru?

Veri füzyonu ve ML modelleme için dört farklı pipeline yaklaşımı var. Her birinin karmaşıklık, maliyet ve uygunluk profili farklı.

Seçenek	Karmaşıklık	Maliyet	En Uygun
GA4 BigQuery + manuel nitel	Düşük	Ücretsiz	Başlangıç, küçük ekipler
Zapier/Make otomasyonları	Düşük-Orta	İşlem başına	Teknik olmayan ekipler
PostHog (hepsi bir arada)	Orta	Ücretsiz tier cömert	Ürün odaklı ekipler
Custom pipeline (ETL + warehouse)	Yüksek	Değişken	Enterprise, tam kontrol

GA4 BigQuery + manuel nitel araştırma çoğu ekip için en gerçekçi başlangıç noktası. GA4 verileri otomatik olarak BigQuery’ye akar, nitel derinleştirme için Hotjar veya Clarity UI’ından session replay izlenir. Maliyet sıfır, teknik kurulum minimal.

Zapier/Make otomasyonları Hotjar survey yanıtlarını veya yeni recording bildirimlerini BigQuery’ye, Google Sheets’e veya Slack’e aktarabilir. Kod yazmadan hızlı kurulum sağlar, ancak işlem başına fiyatlandırma ölçeklendirmede sorun olabilir.

PostHog hem event property desteği, hem session replay, hem feature flags, hem A/B testing hem de native BigQuery export sunan tek araç. Ürün odaklı ekipler için hepsi bir arada çözüm. Ücretsiz tier aylık 1 milyon event ve 5.000 session recording içerir.

Custom pipeline (Portable, RudderStack gibi ETL araçları + BigQuery/Snowflake) tam kontrol sunar ancak kurulum ve bakım maliyeti yüksek. Enterprise ekiplerin tercihi.

Limitasyonlar, Gelecek ve Dürüst Değerlendirme

Bugünün Kısıtları

Davranışsal veri füzyonunun pratik engelleri var ve bunları görmezden gelmek gerçekçi değil:

• Sampling: Her aracın veri toplama limiti var. GA4 raporlarında thresholding uygulanır, Hotjar Free tier’da session yakalama hakkı yüksek olsa da session replay yalnızca %5 oranında kayda alınır (max 10k/ay), Clarity düşük planlarda örnekleme yapar.
• API boşlukları: Hotjar event property desteklemiyor, Clarity ham veri export etmiyor, Hotjar’ın Responses API’si yalnızca üst paid tier’larda kullanılabiliyor. Programatik erişim çoğu ekip için kısıtlı.
• Entegrasyon tuzağı: Hotjar ile GA4 arasındaki native entegrasyon, GA4 GTM üzerinden yüklendiğinde çalışmıyor. Çoğu site bu kurulumu kullandığı için entegrasyon vaadine güvenmek yerine gerçek ortamda test etmek şart.
• Privacy/GDPR: Farklı araçlardan gelen verileri bir warehouse’da birleştirmek, consent yönetimini ve silme hakkı propagasyonunu karmaşıklaştırır. Her pipeline katmanında GDPR uyumluluğunu ayrı ayrı sağlamak gerekir.

Geleceğe Bakış

Contentsquare’in LLM Intelligence özelliği, sitelere gelen AI agent trafiğini (ChatGPT, Gemini gibi modellerin indexleme ziyaretleri) takip etmeye başladı.⁸ Bu, AEO (Answer Engine Optimization) kavramını gündeme getiriyor: içeriğin sadece Google için değil, LLM’lerin doğru cevaplar üretebilmesi için optimize edilmesi.

Bir diğer gelişme Agent-to-Agent testing: bir AI agent davranışsal verilerde bir sorun tespit eder, otomatik olarak bir A/B test varyantı oluşturur ve sonuçları analiz ederek en iyi performansı gösteren tasarımı önerir. Bu “otopilot” yaklaşımı henüz erken aşamada ama yönü net.

Dürüst Değerlendirme

Çoğu PM ve Growth ekibi, GA4 BigQuery’yi temel katman olarak kullanacak ve Hotjar/Clarity’yi nitel araştırma araçları olarak tutacak. Tam multi-tool ML pipeline kuran ekip sayısı az olacak. Ve bu gayet geçerli bir stratejidir. Önemli olan araçların limitasyonlarını bilmek, gerçekçi beklentiler kurmak ve adımları kademeli olarak atmak.

Nereden Başlamalı?

Tier 1: Hemen, Ücretsiz

• GA4 BigQuery export’u aktif et. Bu tek adım, event seviyesinde ham veriye erişimi sağlar.
• Clarity’yi kur. Ücretsiz, sınırsız session recording ve heatmap.
• Sense Chat (Contentsquare) veya Clarity Copilot ile doğal dilde ad-hoc AI sorguları dene. Pipeline kurmadan, doğal dilde analitik sorular sorabilirsin.

Tier 2: Orta Vadeli

• Tüm araçlarda ortak user_id kur. GA4, Hotjar ve Clarity’ye aynı UUID’yi gönder.
• GA4 verileriyle BigQuery ML’de ilk churn modeli oluştur.
• Hotjar survey yanıtlarına LLM ile NLP uygula: topic modeling ve kök neden analizi.

Tier 3: İleri

• PostHog ile tam ürün analitiği + warehouse export pipeline’ı kur.
• Custom davranışsal öznitelik mühendisliği: sürtünme sinyallerini sistematik olarak ML özniteliklerine dönüştür.
• Sürtünme sinyallerine dayalı gerçek zamanlı kişiselleştirme: frustrated user pattern tespiti ve proaktif müdahale.

Footnotes

1. Behavioral Analytics Market to Reach USD 6,116.18 Million by 2032 Driven by AI Integration and Rising Cybersecurity Demand, Credence Research / PR Newswire ↩
2. Contentsquare Pricing, Contentsquare. Free tier: 200k session, %5 replay capture (max 10k), 1 ay retention, sınırlı MCP call. Growth tier ve üstü: daha geniş session aralığı, %15 capture, uzun retention. Güncel rakamlar için resmi pricing sayfasına bakılabilir. Eski Hotjar yapısında Observe, Ask ve Engage modülleri ayrı ücretlendiriliyordu; toplam aylık maliyet hızlıca yukarı çıkabiliyordu. Bağımsız pricing analizi: LiveSession Hotjar Pricing ↩ ↩²
3. Microsoft Clarity Terms of Use ve Privacy Statement. Clarity verileri AI model eğitimi, reklam profilleme ve benchmark raporları için kullanılabilir. DNT respect etmez, bireysel veri silme mekanizması sunmaz. Healthcare, finans ve devlet sitelerinde kullanılamaz. Kaynak: Hotjar vs Microsoft Clarity ↩
4. Frustration Signals, Datadog RUM Documentation ↩
5. Google Research + Cambridge + MIT ortak scroll velocity çalışması ve I3 (Intelligent Interest Inference) çalışması. Detaylı analiz için Scroll Derinliği Neden Yanıltıcı Bir Metrik? yazısına bakınız. ↩
6. Churn prediction for game developers using Google Analytics 4 (GA4) and BigQuery ML, Google Cloud Blog ↩
7. Churn Prediction via Multimodal Fusion Learning: Integrating Customer Financial Literacy, Voice, and Behavioral Data, arXiv:2312.01301 ↩
8. Contentsquare Launches AI Agent & ChatGPT Analytics Platform, Contentsquare Press ↩

Önemli Noktalar

• 01 GA4 BigQuery export, davranışsal ML'in tek gerçek temel katmanıdır. Hotjar ve Clarity nitel derinleştirme araçlarıdır, warehouse seviyesinde veri kaynağı değil.
• 02 Hotjar Events API event property desteklemez (sadece isim), Clarity Data Export API sadece agregat veri verir (max 3 gün, 1000 satır). Bu limitasyonları bilmeden pipeline kurmaya çalışmak boşa vakit kaybıdır.
• 03 Rage click, dead click, excessive scrolling gibi sürtünme sinyalleri ML modelleri için güçlü tahminleyicilerdir. %70 oranında kullanıcı hüsranıyla korelasyon gösterir.
• 04 Contentsquare MCP ve PostHog MCP entegrasyonları sayesinde AI agent'lar davranışsal verileri doğrudan sorgulayabilir, pipeline kurmadan.
• 05 Davranışsal analitik pazarı 2032'ye kadar 6,1 milyar dolara ulaşacak. Betimsel analitikten tahminsel zekaya geçiş, ürün büyümesinin temel belirleyicisi.
• 06 Scroll velocity ve dwell time'ın bağımsız sinyaller olduğu akademik olarak kanıtlanmış (Google Research + Cambridge + MIT, F-score 0,77).

Sık Sorulan Sorular (FAQ)

+ Hangi davranışsal analitik aracı AI/ML için en uygun?

Tek araç yeterli değil. GA4 BigQuery export nicel temel katman, Hotjar/Clarity nitel derinleştirme, PostHog ise hem ürün analitiği hem warehouse export sunar. Kombinasyon gerekli.

+ Hotjar verileri tek başına ML modeli eğitmek için yeterli mi?

Hayır. Hotjar Events API event property desteklemez, ham veri warehouse'a aktarılamaz. Nitel sinyal kaynağı olarak değerli ama ML temel katmanı olarak kullanılamaz.

+ BigQuery'de davranışsal verilerle ne tür ML modelleri kurulabilir?

BigQuery ML ile doğrudan SQL üzerinden logistic regression ve XGBoost modelleri kurulabilir. GA4 behavioral features (session duration, event counts, conversion patterns) + CRM verileri ile churn tahmini en yaygın kullanımdır.

+ Clarity ile GA4 verileri BigQuery'de birleştirilebilir mi?

Pratik olarak hayır. Clarity Data Export API sadece agregat dashboard verisi sunar (max 3 gün, 1000 satır, günde 10 istek). Ham event seviyesinde veri export'u yoktur. Clarity, UI üzerinden user_id ile nitel araştırma aracı olarak kullanılmalıdır.

+ MCP entegrasyonu nedir ve PM/Growth ekipleri nasıl kullanır?

Model Context Protocol (MCP) ile Claude, ChatGPT gibi AI agent'lar Contentsquare veya PostHog verilerini doğrudan sorgulayabilir. Pipeline kurmadan doğal dilde 'Bu hafta mobil kullanıcılar neden sepette bırakma yaptı?' gibi sorular sorabilirsiniz.