Scroll Derinliği Neden Yanıltıcı Bir Metrik?

TL;DR

Scroll derinliği yüzdeleri (%25/50/75/100) kullanıcının nereye ulaştığını söyler ama nasıl ulaştığını söylemez. %75'teki iki kullanıcı tamamen farklı davranışları temsil edebilir: biri dikkatle okumuş, diğeri 2 saniyede geçmiş. Akademik araştırmalar, scroll velocity ve dwell time ile engagement'ın %77-92 doğrulukla tahmin edilebildiğini gösteriyor. Hotjar ve Clarity gibi threshold-based araçlar bunu yakalayamaz.

Scroll derinliği, size neredeyse hiçbir şey söylemeyen en popüler engagement metriğidir.

Her analitik kurulumunda bir tür scroll takibi bulunur. GA4 %90’da tetiklenir. GTM özel threshold’lar tanımlamanıza izin verir. Hotjar ve Clarity renkli heatmap’ler çizer. Ve ekipler her gün bu rakamlara bakarak içerik kararları verir.

Sorun şu: %75 scroll derinliğindeki iki kullanıcı tamamen zıt davranışları temsil edebilir. Biri her kelimeyi okumuştur. Diğeri 2 saniye boyunca boşluk tuşuna basmıştır. Her iki kullanıcı da threshold-based her araçta aynı şekilde kaydedilir.

Bu küçük bir açık değil. İçerik engagement’ını nasıl ölçüldüğündeki yapısal bir kusurdur. Ve akademik araştırmalar bunu yıllardır biliyor.

Threshold Yanılsaması

Scroll takibine standart yaklaşım şöyle çalışır: yüzdelik threshold’lar tanımla (%25, %50, %75, %100), kullanıcı her birini geçtiğinde bir event tetikle ve veriyi birleştir. Ortaya çıkan funnel temiz ve aksiyona dönüştürülebilir görünür. “Kullanıcıların %56’sı sayfanın sonuna ulaşıyor.”

Ama bu funnel gösterdiğinden fazlasını gizler:

Ne söyler: Kullanıcılar ne kadar scroll etti. Ne söyleyemez: İçeriği okudular mı, göz gezdirdiler mi yoksa atladılar mı.

Dört bölümlü bir blog yazısı düşünün. Scroll funnel’ınız %75’e kadar güçlü tutma gösteriyor ama %100’de keskin bir düşüş var. Standart yorum: “Dördüncü bölüm iyileştirilmeli.” Ama davranışsal veri olmadan şunu bilemezsiniz:

Kullanıcılar 1-3. bölümlerle derinlemesine etkileşime girdi ve 4. bölümde ilgisini kaybetti
Kullanıcılar 2. ve 3. bölümleri tamamen atladı ve 1. bölümde aradığını bulduğunda scroll etmeyi bıraktı
Kullanıcılar belirli bir kelime arayarak 3 saniyede %75’e scroll etti ve çıktı

Her senaryo tamamen farklı bir müdahale gerektirir. Threshold tracking üçü için de aynı rakamı verir.

Akademik Araştırmalar Ne Gösteriyor

Bu teorik bir endişe değil. Kontrollü çalışmalar, scroll davranışının ne kadar bilgi içerdiğini tam olarak ölçmüştür.

Scroll Velocity Okuma Davranışını Tahmin Ediyor

Google Research, Cambridge ve MIT’nin ortak çalışması, farklı zorluk seviyelerindeki 60 makaleyi okuyan 518 katılımcının scroll etkileşimlerini kaydetmiştir ¹. Yalnızca scroll kaynaklı feature’lar (velocity, acceleration, duraklama sıklığı, maksimum okuma hızı) kullanılarak:

Yalnızca scroll ile okuma zorluğu tahmini için f-score 0.77
Vocabulary feature’ları ile birleştirildiğinde f-score 0.96

En güçlü tahmin ediciler toplam okuma süresi ve maksimum okuma hızlarıydı. Scroll derinliği değil. Yüzdelik threshold’lar değil. Scroll etmenin hızı ve ritmi.

Velocity Tutarlılığı İlgiyi Encode Eder

I3 (Intelligent Interest Inference) sistemi, kullanıcı ilgisini tahmin etmek için scroll velocity stability ve velocity sequence’ları analiz etmiştir ². Kaba sınıflandırma için Naive Bayes ve ince taneli derecelendirme için deep learning kombinasyonu kullanarak:

Yalnızca scroll etkileşimlerinden %92.4 doğrulukla ilgi çıkarımı

Bu şu anlama gelir: scroll hızınızın tutarlılığı, hızlanıp hızlanmadığınız veya yavaşlayıp yavaşlamadığınız ve velocity’nizin zaman içinde nasıl değiştiği, içerikle ilgilenip ilgilenmediğinizi tahmin etmek için yeterli bilgiyi içerir. Eye tracking gerekmez. Anket gerekmez. Sadece scroll event’leri.

Dwell Time ve Scroll Derinliği Bağımsız Sinyallerdir

Toyohashi Teknoloji Enstitüsü’nden kritik bir bulgu: sayfanın altına ulaşmak içeriğin okunduğu anlamına gelmez ³. Dwell time ve scroll derinliği farklı şeyleri ölçer ve bağımsız sinyaller olarak ele alınmalıdır. %100’e 5 saniyede scroll eden bir kullanıcı ile aynı noktaya 3 dakikada ulaşan bir kullanıcı çok farklı engagement kalıplarına sahiptir.

Yüksek Dwell Time Belirsizdir

Mobil uygulama engagement araştırması, yüksek dwell time’ın her zaman engagement göstermediğini ortaya koymuştur ⁴. Kafası karışmış, kaybolmuş veya dikkati dağılmış kullanıcılar da yüksek dwell time üretir. Ek sinyaller (velocity pattern’leri, yön değişiklikleri, etkileşim event’leri) olmadan, dwell time tek başına üretken engagement ile boş beklemeyi ayırt edemez.

Arka Plan Tab’ları Her Şeyi Bozar

Pasif tarama araştırması, arka plan tab’larının dwell time ve engagement metriklerini anlamlı ölçüde şişirdiğini göstermiştir ⁵. Scroll tracker’ınız tab odağı kaybettiğinde duraklamıyorsa, ürettiği her metrik tab değiştirip dakikalar sonra geri dönen kullanıcıların gürültüsünü içerir.

Hotjar ve Clarity: Yapısal Limitler

Hotjar ve Microsoft Clarity en yaygın kullanılan scroll görselleştirme araçlarıdır. Bir işlevleri vardır: kullanıcıların ne kadar scroll ettiğine dair hızlı görsel genel bakış. Ama hiçbir özellik güncellemesinin düzeltemeyeceği yapısal sınırlamaları vardır.

Ne Yapabilirler

Her iki araç da önceden tanımlanmış threshold’larda scroll derinliğini yakalar ve veriyi renk gradyanı heatmap olarak render eder. Çıktı, kullanıcıların yüzde kaçının sayfadaki her dikey konuma ulaştığını gösteren görsel bir temsildir.

Ne Yapamazlar

Yetenek	Hotjar/Clarity	Davranışsal Yaklaşım
Scroll velocity analizi	Yok	Zone bazlı velocity tracking
Acceleration pattern’leri	Yok	Velocity variance, smoothness
Zone-specific dwell time	Yok	Milisaniye hassasiyetinde threshold başına
Engagement sınıflandırması	Yok	engaged / scanned / skipped
Tab görünürlük yönetimi	Yok	Visibility change’de duraklat/devam et
Dinamik içerik adaptasyonu	Lazy load ile bozulur	Height versioning sistemi
Yapılandırılmış veri çıktısı	Yalnızca görsel heatmap	Her pipeline’a akan dataLayer event’leri
Bot/insan ayrımı	Davranışsal sinyal yok	Velocity variance, mikro hareketler ⁶

Temel sorun bu araçların yaptıklarını kötü yapması değil. Scroll edildiği yeri göstermede iyiler. Sorun şu ki neresi yeterli değil. İnsanların nasıl scroll ettiği çok daha aksiyona dönüştürülebilir bilgi içerir.

Screenshot Tabanlı Rendering

Her iki araç da screenshot tabanlı DOM rendering’e dayanır. Bu şu anlama gelir:

Canvas ve WebGL içeriği görünmez
html ve body üzerinde overflow-x: hidden algılamayı bozar
Shadow DOM element’leri kaçırılır
Parallax scrolling yanlış konumlandırma üretir
Dinamik içerik (lazy load, accordion, infinite scroll) heatmap’i kaydırır

Bunlar uç durumlar değil. Modern web sayfaları bu pattern’leri rutin olarak kullanır.

Davranışsal Sinyaller Ne Ortaya Çıkarır

Scroll davranışını threshold’ların ötesinde takip ettiğinizde, yüzdelerin gösteremediği kalıplar ortaya çıkar.

Scroll Hareketinden Altı Sinyal

Her scroll event’i ölçülebilir özellikler üretir:

Velocity variance: Scroll hızının standart sapması. İnsanlar doğal olarak değişkenlik gösterir. Otomatik scroll tutarlıdır. Yüksek variance genellikle duraklamalarla aktif okumayı gösterir.
Event frequency: Saniye başına scroll event sayısı. Giriş cihazına göre önemli ölçüde değişir: trackpad ve dokunmatik ekranlar yüksek frekanslı, sürekli event’ler üretirken, mouse wheel daha düşük frekanslı, ayrık event’ler üretir. Bu sinyal ayrıca giriş cihazlarını ayırt eder.
Micro-movement ratio: 5 piksel altındaki scroll hareketlerinin oranı. Okuma birçok küçük ayarlama üretir. Tarama daha büyük, tutarlı hareketler üretir.
Direction changes: Kullanıcının scroll yönünü ne sıklıkla tersine çevirdiği. Bir paragrafı tekrar okuma, bir başlığı kontrol etme veya bölümleri karşılaştırma yön değişikliği üretir. Hızlı tarama üretmez.
Acceleration smoothness: Velocity’nin ne kadar kademeli değiştiği. Trackpad’ler düzgün hızlanma eğrileri üretir. Mouse wheel’ler keskin adımlar üretir. Aynı cihaz içinde, engaged okuma ilginç içerik yakınında kademeli yavaşlama gösterir.
Scroll uniformity: Scroll mesafelerindeki varyasyon katsayısı. Tekdüze mesafeler mekanik scroll (veya sıkılma) gösterir. Değişken mesafeler farklı içerik bölümleriyle aktif etkileşim gösterir.

Zamansal Kalıplar

Toplam sinyaller önemli bir boyutu kaçırır: davranışın zaman içinde nasıl değiştiği. Etkileşim verilerini kullanarak engagement tahmini yapan araştırma, zamansal metriklerin (event’ler arası süre, duraklama süreleri) en güçlü tahmin ediciler olduğunu göstermiştir ⁷. Başta hızlı scroll edip sonra yavaşlayan bir kullanıcı içerik tarafından “yakalanmıştır”. Yavaş başlayıp hızlanan bir kullanıcı ilgisini kaybediyordur. Ayrıca, implicit action’ların sırası (sequence), toplu istatistiklerden daha fazla niyet bilgisi encode eder ⁸. Bu zamansal kalıplar (yavaşlayan, hızlanan, sabit, düzensiz) hiçbir tekil metriğin yakalayamadığı bir niyet sınıflandırma katmanı ekler.

Önemli Olan Sınıflandırma

Velocity, dwell time ve davranışsal sinyaller birleştirildiğinde üç engagement türü ayırt edilebilir hale gelir:

Engaged: Düşük velocity, yüksek dwell time, mikro hareketler mevcut, yön değişiklikleri. Kullanıcı okuyor.
Scanned: Orta velocity, orta dwell. Kullanıcı başlıkları ve öne çıkan içeriği tarıyor.
Skipped: Yüksek velocity, düşük dwell. Kullanıcı durmadan geçmiş.

Dwell time belirsizliği araştırmasından dördüncü bir kalıp ortaya çıkar: Confused. Yüksek dwell time ama aktif scroll davranışı yok (düşük velocity variance, az yön değişikliği, az mikro hareket). Kullanıcı bölgede ama etkileşime girmiyor.

Pazar Boşluğu

Dikkat çekici olan şu: akademik araştırmalar en az 2019’dan beri scroll velocity pattern’lerinin engagement’ı %77-92 doğrulukla tahmin ettiğini kanıtlamıştır. Ama hiçbir ticari araç gerçek zamanlı davranışsal scroll sınıflandırması yapmamaktadır.

Hotjar/Clarity: Threshold heatmap’leri
Adelaide: Reklam teknolojisi seviyesinde attention scoring (impression seviyesinde, içerik seviyesinde değil)
Amplitude: Scroll’u funnel’lara bağlar (davranışsal sınıflandırma yok)
Behavioral biometrics (TypingDNA vb.): Scroll’u kimlik için kullanır, engagement için değil

Araçlar ya threshold’ları görselleştirir ya da attention’ı reklam impression seviyesinde puanlar. İçerik seviyesinde davranışsal sınıflandırma, blog yazınızın 3. bölümünün okunduğunu mu yoksa atlandığını mı söyleyecek şey, bir ürün olarak mevcut değildir.

CRO İçin Pratik Etki

Bu neden akademik ilginin ötesinde önemli? Çünkü optimizasyon müdahalesi engagement türüne göre tamamen farklıdır.

Bölge atlanıyor (skipped): İçerik kullanıcıların aradığıyla ilgili değil. Bölümü yeniden yazın, taşıyın veya kaldırın. Daha fazla trafik yardımcı olmaz.

Bölge taranıyor (scanned): Kullanıcılar içeriği görüyor ama derinlemesine okumaya değer bulmuyor. Formatlamayı iyileştirin: daha iyi başlıklar, madde işaretleri, görsel kırılmalar. Bilgi orada olabilir ama erişilebilir değil.

Bölge okunuyor (engaged): Bu çalışıyor. Değiştirmeyin. Sitenizde iyi içeriğin neye benzediğini gösteren bir referans olarak kullanın.

Bölge karışıklık gösteriyor (confused): Yüksek dwell ama aktivite yok. İçerik belirsiz, düzen kafa karıştırıcı veya kullanıcı kaybolmuş olabilir. Basitleştirin.

Threshold tracking size tek bir yanıt verir: “daha fazla insan daha aşağı scroll etmeli.” Davranışsal sınıflandırma, gerçekte ne olduğuna göre dört farklı, spesifik yanıt verir.

Gerçek Veri: İlk 72 Saat

Teoriyi test etmek için ScrollTracker kütüphanesini ceaksan.com production ortamında deploy ettim. GTM Custom HTML tag olarak yükleyip GA4’e event gönderdim ve BigQuery’ye aktardım. İlk 72 saatin (27-29 Mart 2026) sonuçları bu yazıdaki iddiaları doğruladı:

%100’e ulaşan kullanıcıların %31’i skipped olarak sınıflandırıldı. Sayfanın sonuna kadar scroll ettiler ama içeriği okumadılar. Threshold tracking bunu “tam engagement” sayardı.
Skipped kullanıcılar engaged kullanıcılardan 68 kat daha hızlı scroll etti (72.89 vs 1.06 px/ms).
Dwell time farkı 195 kat: engaged kullanıcılar zone’da ortalama 31.6 saniye kalırken, skipped kullanıcılar 162 milisaniye geçirdi.
Yön değişikliği farkı 3 kat (4.5 vs 1.45): okuyan kullanıcılar geri dönüp tekrar okuyor, atlayan kullanıcılar durmadan geçiyor.
Ana sayfa heatmap’i net bir tablo gösterdi: üst yarı (%0-50) %67-80 engaged, alt yarı (%50-100) %60 skipped.

Detaylı analiz, grafikler ve sayfa bazlı heatmap’ler için case study bölümüne bakabilirsiniz.

Sonraki Adımlar

Davranışsal scroll takibini uygulamak istiyorsanız, ScrollTracker kütüphanesini içerik alanı odaklı ölçüm, dwell time, velocity classification ve engaged/scanned/skipped ayrımını implement eden açık kaynak bir kütüphane olarak geliştirdim. GTM’de scroll derinliği takibinin temel kavramları için Google Tag Manager Scroll Derinliği İşlemleri yazısına bakabilirsiniz.

Kod bir başlangıç noktasıdır. Gerçek değer veri toplamak, sinyal dağılımlarını kendi içerik türleriniz için analiz etmek ve threshold’ları gerçek conversion verisiyle kalibre etmekten gelir.

Footnotes

Önemli Noktalar

01 Aynı scroll derinliği yüzdesi tamamen zıt kullanıcı davranışlarını temsil edebilir: dikkatli okuma ile hızlı atlama
02 Akademik araştırmalar (Google Research, I3) yalnızca scroll velocity ve dwell time kullanarak %77-92 doğrulukla engagement tespiti yapabiliyor
03 Hotjar ve Clarity yapısal olarak threshold-based heatmap'lerle sınırlı: velocity, acceleration veya dwell analizi yok
04 Davranışsal scroll sinyalleri (velocity variance, yön değişiklikleri, mikro hareketler) yüzdelerin yakalayamadığı okuma kalıplarını encode eder
05 Kanıtlanmış akademik temellere rağmen hiçbir ticari araç gerçek zamanlı davranışsal scroll sınıflandırması yapmıyor
06 Skipped olarak sınıflandırılan içerik bölgeleri yeniden yazılmalı, daha fazla trafik işe yaramaz. Bu ayrım threshold tracking ile yapılamaz

Sık Sorulan Sorular (FAQ)

+ %25, %50, %75, %100 scroll derinliği takibinin nesi yanlış?

Bu threshold'lar kullanıcının sayfada bir noktaya ulaştığını söyler ama oraya nasıl ulaştığını söylemez. %75'e dikkatle okuyan bir kullanıcı ile %75'i 2 saniyede geçen bir kullanıcı aynı metriği üretir. Velocity ve dwell time verisi olmadan engagement kalitesini ayırt edemezsiniz.

+ Hotjar veya Clarity kullanıcının içeriği gerçekten okuyup okumadığını tespit edebilir mi?

Hayır. Her iki araç da kullanıcıların nereye kadar scroll ettiğini gösteren threshold-based heatmap'ler kullanır. Hiçbiri scroll velocity, acceleration pattern veya zone-specific dwell time yakalar. Davranışsal sınıflandırma için analitik parametreler olmadan görsel özetler sunarlar.

+ Scroll davranışının engagement'ı tahmin ettiğine dair akademik kanıt var mı?

Evet. Google Research yalnızca scroll feature'larıyla okuma zorluğunu f-score 0.77 ile tahmin etmiştir. I3 çalışması scroll velocity pattern'lerinden %92.4 doğrulukla ilgi çıkarımı yapmıştır. Birden fazla çalışma velocity variance, duraklama sıklığı ve yön değişikliklerinin okuma davranışını encode ettiğini doğrulamaktadır.

+ Davranışsal scroll sinyalleri nelerdir?

Basit derinliğin ötesinde ölçülebilir scroll hareketi özellikleri: velocity variance (hız tutarlılığı), event frequency (saniye başına scroll event sayısı), micro-movement ratio (okumayı gösteren küçük ayarlamalar), direction changes (tekrar okuma kalıpları) ve acceleration smoothness (giriş cihazı karakteristikleri).

+ Davranışsal sınıflandırma CRO'ya nasıl yardımcı olur?

Bir içerik bölgesinin tarandığını değil atlandığını bildiğinizde spesifik aksiyon alabilirsiniz: o bölümü yeniden yazın, sayfayı yeniden yapılandırın veya kritik bilgiyi taşıyın. Threshold tracking yalnızca insanların o noktaya ulaştığını söyler, içeriğin işe yarayıp yaramadığını söylemez.

web-analytics