Reklam Bütçesi Optimizasyonu: Marketing Mix Modeling ile Veri Odaklı Karar Verme

Her reklam platformunun kendi başarısını öven metrikleri, consent kayıpları ve iOS kısıtlamalarıyla reklam ölçümlemesi bir güvenilirlik krizinde. Reklam bütçeleri büyürken karar almak ve metriklere güven azalıyor. Marketing Mix Modeling bu krize istatistiksel bir yanıt veriyor: kullanıcı seviyesi veri gerektirmeden, tüm kanalların toplam ciroya etkisini modelleyen bir yaklaşım.

Marketing Mix Modeling (MMM - Pazarlama Karması Modellemesi), geçmiş satış ve pazarlama verilerini analiz ederek, hangi pazarlama faaliyetlerinin satışlara ne ölçüde yansıdığını (ROI/yatırım getirisi) hesaplayan istatistiksel bir yöntemdir¹.

Ölçüm Krizi ve MMM’in Yükselişi

Cookie’lerin ölçüm sürecindeki etkinliğinin azalması tek başına bir sorun değil. Sorun, birbiriyle bağlantılı üç kırılmanın aynı anda gerçekleşmesi:

• GDPR ve KVKK zorunlulukları nedeniyle sitelere eklenen consent banner’lar, kullanıcıların önemli bir bölümünün izleme dışında kalmasına yol açıyor. Araştırmalar, Avrupa pazarlarında kullanıcı davranışına ve sektöre bağlı olarak trafiğin %30-60’ının ölçülemez hale geldiğini gösteriyor². Türkiye için kamuya açık bir benchmark bulamadım; saha gözlemim oranın benzer aralıkta olduğu yönünde, KVKK uyumluluğuna yönelik adımlar ise Avrupa’ya göre daha yavaş atılıyor.
• Apple’ın 2021’de başlattığı ATT (App Tracking Transparency) politikası, Flurry verisine göre global ölçekte yalnızca %21 civarında opt-in alıyor; yani kullanıcıların büyük bölümü izlemeyi reddediyor³. Bu Meta başta olmak üzere tüm mobil reklam ekosistemini etkiledi. Meta’nın kendi açıkladığı verilere göre bu karar, yalnızca 2022 yılında yaklaşık 10 milyar dolar gelir kaybına yol açtı⁴.
• Her reklam platformu kendi dönüşümünü kendisi sayıyor. Bir dönüşüm için hem Meta hem de Google ilgili dönüşümü kendine yazma eğilimi içerisinde. Satışın son tıklamayı kimin verdiğine bakılarak atfedildiği last-click modelinde her platform istatistiksel olarak dürüst görünebilir ama bu yapıda toplam kazancın platform panellerinde aşılması beklenen bir sonuç. Bu çifte sayım sorunu, bütçe kararlarını sistematik olarak çarpıtıyor.

Marketing Mix Modeling bu tabloya 1960’larda tüketim malları sektöründe geliştirilmiş bir yaklaşımla yanıt veriyor⁵. Procter & Gamble gibi şirketler, TV ve radyo harcamalarının satış üzerindeki etkisini ölçmek için regresyon bazlı bu yöntemi kullandı. O dönemde kullanıcı seviyesi veri zaten mevcut değildi; model, toplam harcama ve toplam sonuç ilişkisine bakıyordu. Bugün dijital dünyada da aynı ilke geçerli: consent veren veya vermeyen, cookie’si olan veya olmayan her kullanıcının davranışı, nihayetinde toplama yansıyor. MMM bu toplamı modelliyor.

Açık kaynak araçların olgunlaşması, MMM’i yalnızca büyük markaların erişebildiği pahalı bir danışmanlık ürünü olmaktan çıkardı. Google’ın Meridian’ı⁶, Meta’nın Robyn’i⁷ ve PyMC Labs’ın PyMC-Marketing kütüphanesi⁸, veri bilimi altyapısı olan her ekibin bu analizi yapabilmesini mümkün kılıyor.

MMM Nasıl Çalışır

MMM’in temel mantığı, her kanalın harcaması (bağımsız değişkenler) ile toplam sonuç (ciro veya dönüşüm sayısı, bağımlı değişken) arasındaki istatistiksel ilişkiyi modellemektir. Ama bu ilişki düz bir çizgi değil; gecikmeli etkiler, azalan getiriler ve reklamsız oluşan organik satışlar modelin üç temel katmanını oluşturuyor⁹.

Adstock (Gecikmeli Etki): Bir TV reklamı veya YouTube kampanyası yayınlandığında etkisi anında bitmiyor. Tipik örnek profil: kullanıcı reklamı bugün görür, birkaç gün sonra ürünü araştırır, sonraki haftalarda satın alır. Adstock dönüşümü bu gecikmeli etkiyi modele dahil ediyor: t dönemindeki reklam harcaması, yalnızca t döneminin satışlarına değil, sonraki dönemlere de katkı sağlıyor. Geometric decay ve Weibull adstock, en yaygın kullanılan iki form¹⁰. Birincisi sabit bir oranla azalma varsayarken, ikincisi daha esnek bir gecikme profili sunuyor.

Saturation (Doygunluk / Azalan Getiri): Her kanala artan harcama, bir noktadan sonra azalan getiri sağlıyor. Tipik bir örnek: ilk 10.000 TL harcama 50 satış getirirken, sonraki 10.000 TL yalnızca 20 satışta kalabilir (örnek değerler, ölçüm değil). Bu eğriyi modellemek için Hill fonksiyonu kullanılıyor¹⁰: K parametresi doygunluk noktasını, n parametresi eğrinin dikliğini belirliyor. Pratik anlamı şu: her kanal için optimal harcama noktası var, bu noktanın ötesinde bütçe artırımının marjinal getirisi düşüyor.

Baseline (Temel Satış): Hiç reklam yapılmasa bile oluşacak organik satış. Marka bilinirliği, SEO trafiği, doğrudan ziyaretler, tekrar müşteriler. MMM, toplam satıştan baseline’ı çıkararak her kanalın ek (incremental) katkısını hesaplıyor. Baseline’ı doğru tahmin etmek kritik: aşırı tahmin edilirse her kanalın katkısı küçük görünüyor, eksik tahmin edilirse kanallar abartılı bir başarı raporu alıyor.

Incrementality (Artımlılık): Reklamla gelen ek satış. “Bu satış reklam olmasaydı da gerçekleşir miydi?” sorusunun yanıtı. MMM, baseline çıkarımı sayesinde her kanalın incremental katkısını hesaplıyor⁵. Müşteri projelerinde Incremental ROAS panel ROAS’ından genellikle daha düşük çıkıyor; bu literatürdeki incrementality bulgularıyla da uyumlu¹¹ ve daha gerçekçi bir metrik veriyor.

Bu üç katmanı ve bunlardan türeyen incrementality çıkarımını aynı anda modellemek, Bayesian istatistik veya regularized regresyon yöntemleri gerektiriyor. Modern açık kaynak araçlar bu karmaşıklığı soyutlayarak kullanıcıya yorumlanabilir çıktılar sunuyor.

Kriter	Last-Click Attribution	Marketing Mix Modeling
Veri seviyesi	Kullanıcı bazlı	Toplam/agregat
Gizlilik bağımlılığı	Yüksek (cookie, consent)	Yok
Kanal kapsamı	Yalnızca dijital	Tüm kanallar (TV, outdoor dahil)
Gecikmeli etki	Ölçemez	Adstock ile modeller
Azalan getiri	Göremez	Saturation curve ile modeller
Güncellenme sıklığı	Gerçek zamanlı	Haftalık/aylık
Maliyet	Platform ücretsiz	Veri bilimi ekibi gerekli

Veri Stratejisi ve Veri Kaynakları

MMM’in gücü, içine beslenen verinin kalitesine doğrudan bağlı. “Garbage in, garbage out” ilkesi burada özellikle geçerli; çünkü model istatistiksel ilişkileri tespit ediyor. Gürültülü veri ise yanıltıcı katsayılar üretiyor.

Temel girdiler şunlar: kanal bazlı haftalık harcama, gösterim veya tıklama sayısı ve KPI olarak net ciro ya da dönüşüm sayısı. Bu girdileri doğru toplamak, modelin yarısı.

GA4 ve Consent Mode: GA4 verileri, MMM için dijital sinyal görevi görüyor. Consent Mode v2 Advanced modu sayesinde consent vermeyen kullanıcılar için Google, istatistiksel modelleme yoluyla dönüşüm tahmini üretiyor¹². Bu modellenmiş veriler, MMM’in baseline ve incremental ayrımını daha doğru yapmasını sağlıyor. Dikkat edilmesi gereken nokta: modellenmiş verinin gerçek ölçüm verisiyle karıştırılmaması.

Meta CAPI (Conversions API): Sunucu tarafı dönüşüm verisi, browser pixel kayıplarını telafi ediyor¹³. iOS kısıtlamaları nedeniyle client-side pixel’in kaçırdığı dönüşümler, CAPI aracılığıyla Meta’ya iletilebiliyor. Bu, Meta harcaması ile gerçek satış korelasyonunu güçlendiriyor ve MMM için daha temiz bir Meta sinyali sağlıyor.

Google Ads Enhanced Conversions: SHA-256 ile hash’lenmiş kullanıcı verileri aracılığıyla cross-device dönüşüm doğruluğunu artırıyor¹⁴. Özellikle mobilde başlayıp masaüstünde tamamlanan satın alım yolculuklarında fark yaratıyor. MMM’e beslenen Google Ads dönüşüm verisinin bu gelişmiş dönüşümleri içermesi, model kalitesini yükseltiyor.

Search Console: Brand search hacmi, MMM’de kontrol değişkeni olarak kullanılıyor. Marka aramalarındaki artış, reklamların marka bilinirliğine olan dolaylı etkisini ölçmenizi sağlıyor. Özellikle TV veya YouTube kampanyalarının brand lift etkisini modellemek için değerli bir sinyal.

Dış faktörler: Döviz kuru, resmi tatil takvimi, mevsimsellik endeksleri, Google Trends verileri. Bunlar kontrol değişkenleri olarak modele dahil ediliyor. Bir TL değer kaybı döneminde elektronik satışlarının artması, reklamın mı yoksa döviz kurundaki değişimin mi etkisi olduğunu ayırt etmek için bu değişkenler kritik.

Türkiye’de MMM: Platform Bazlı Veri Stratejisi

Türkiye e-ticaret ekosistemi, global platformlar ve yerel altyapılar olmak üzere iki katmanlı bir yapıda. Bu yapı, MMM uygulaması açısından hem fırsatlar hem de özgün zorluklar getiriyor.

Shopify kullanan markalar, API erişimi ve App Store entegrasyonları sayesinde veri toplama sürecini görece kolayca otomatize edebilir. Net ciro verisini çekmek, sipariş durumlarına göre filtrelemek ve haftalar bazında gruplamak Shopify’da standart bir workflow. Küresel benchmarklarla karşılaştırmalı analiz yapma imkanı da ayrıca değerli.

Türkiye pazarı için geliştirilmiş ve hızla büyüyen pek çok e-ticaret platformu var. Çoğu API entegrasyonuna sahip ve hızlı bir şekilde entegre olmak mümkün. Hyper-growth dönemindeki markalar için, hızla artan reklam harcamasının verime etkisini modellemek kritik önem taşıyor. Saturation eğrisini erken tespit etmek, bütçe israfını önleyebilir.

Ikas, Ideasoft, Ticimax ve T-Soft, Türkiye’nin köklü e-ticaret altyapı sağlayıcıları arasında yer alıyor. ERP entegrasyonları sayesinde mağaza içi satışları, web satışlarını ve pazaryeri satışlarını tek modelde birleştirme imkanı sunuyorlar. Omnichannel etkiyi ölçümlemek isteyen markalar için en kapsamlı veriyi bu platformlar sağlıyor.

Ancak, ortak zorluk tüm platformlarda aynı: KDV, kargo ücreti ve iade tutarlarının arındırılmasıyla gerçek net ciro elde etmek. MMM’e brüt ciro beslemek, model katsayılarını çarpıtır. Örneğin yüksek iade oranına sahip bir Trendyol kanalının görünür cirosu ile net geliri arasındaki fark büyükse, model o kanalı olduğundan verimli değerlendirir.

Pazaryeri satışları ayrı bir katman gerektiriyor. Trendyol, Hepsiburada ve Amazon TR kendi reklam ekosistemlerine sahip. Bu platformlardaki reklam harcaması ve satış verisi, ayrı kanallar olarak MMM modeline dahil edilmeli. Komisyon yapıları ve iade oranları da kanal bazında net ciro hesaplamasına yansıtılmalı.

Paydaşlar İçin Stratejik Değer

Ajanslar ve Danışmanlar İçin:

Last-click tuzağından çıkış, MMM’in ajanslar için sunduğu en doğrudan değer. Müşteri toplantısında “Meta Ads aslında sandığınızdan örneğin yüzde otuz daha fazla dolaylı satış getiriyor” gibi bir önerme için Incremental ROAS verisine ihtiyaç var (rakam illüstratif, projeye göre değişir). Bu veri, platformun kendi panelinden değil, müşterinin satış verisinden türetilen model katsayılarından geliyor. “Panel böyle gösteriyor” yerine “model bunu söylüyor” diyebilmek, güven inşa ediyor.

Bütçe savunuculuğu açısından da MMM güçlü bir araç. “Bütçeyi yüzde yirmi artırırsak ciro ne olur?” sorusuna artık tahmin yerine istatistiksel projeksiyon sunabilirsiniz. Meridian’ın Budget Optimizer modülü⁶ veya Robyn’in Pareto-optimal senaryo analizi⁷, bu soruya somut bir yanıt veriyor.

E-ticaret Yöneticileri İçin:

Kanal körlüğünü aşma meselesi, MMM’in e-ticaret yöneticilerine sunduğu temel değer. Google ve Meta’nın kendi panellerinde gösterdiği rakamlar, her zaman her iki platformun da “kazandığını” ima ediyor. MMM, bağımsız bir model olarak tüm kanalların toplam ciroya etkisini aynı ölçütle karşılaştırıyor.

Sezonluk planlama için geçmiş veri, geleceğe dönük projeksiyon yapmanın temelini oluşturuyor. Black Friday, 11.11 ya da yaz indirimleri dönemlerinde bütçeyi nereye yoğunlaştırmak gerektiğini, önceki yılların adstock ve saturation parametreleri üzerinden projeksiyon yapmak mümkün, ancak sezonun yapısal değişmediği varsayımıyla.

Yeni kanal değerlendirmesi de MMM’le daha sağlam bir zemine oturuyor. TikTok Ads, influencer kampanyaları veya podcast sponsorlukları modele yeni kanallar olarak eklendiğinde, yeterli varyasyon birikince (pratikte birkaç ay) bu kanalların incremental katkısını okumak mümkün hâle geliyor.

Açık Kaynak MMM Araçları

Üç açık kaynak araç, kurumsal yazılım maliyeti olmadan MMM yapmanızı sağlıyor. Hepsi ücretsiz, hepsi aktif geliştirme altında ve her biri farklı bir ekip profiline hitap ediyor.

Araç	Geliştirici	Yaklaşım	Dil	En Uygun Durum
Meridian	Google	Bayesian (TFP + NUTS)	Python	Google ağırlıklı harcama, reach/frequency verisi
Robyn	Meta	Ridge Regression + Nevergrad	R	Hızlı sonuç, küçük ekip, ilk MMM denemesi
PyMC-Marketing	PyMC Labs	Full Bayesian (PyMC)	Python	Maksimum esneklik, custom model, Python ekibi

Meridian: Google’ın Mart 2024’te duyurup Ocak 2025’te genel erişime açtığı bu araç⁶, TensorFlow Probability ve NUTS (No-U-Turn Sampler) kullanıyor. Google ekosistemiyle native entegrasyon sunuyor: YouTube reach/frequency verisini doğrudan modele besleyebiliyorsunuz¹⁵. Geo seviyesinde analiz için özellikle güçlü¹⁶. Meridian dokümantasyonu GPU önerir; pratik denemelerimde büyük veri setlerinde eğitim süresi belirgin biçimde kısalıyor.

Robyn: Meta’nın geliştirip açık kaynağa kazandırdığı araç, R diliyle çalışıyor⁷. Ridge regresyon ve Nevergrad optimizasyon kütüphanesini birleştiren yaklaşımı, otomatik Pareto-optimal model seçimiyle öne çıkıyor¹⁷. Üç araç arasında en düşük giriş bariyerine sahip olan Robyn; ilk MMM denemesi veya R tabanlı veri bilimi ekipleri için doğal tercih (kişisel değerlendirmem).

PyMC-Marketing: PyMC Labs’ın geliştirdiği bu kütüphane, tam Bayesian yaklaşımını maksimum esneklikle sunuyor⁸. Time-varying coefficients (zaman içinde değişen katsayılar)¹⁸, custom likelihood fonksiyonları ve modüler model yapısı, karmaşık iş problemlerine özel çözümler geliştirmenizi sağlıyor.

Uygulama Adımları

MMM projesine başlamak, doğru sırayı takip etmeyi gerektiriyor. Veri olmadan araç seçmek anlamsız; araç olmadan veri temizlemek ise motivasyon kaybettiriyor. Bu beş adım, projeyi yapılandırılmış bir sıraya koyuyor.

1. Kapsamı Belirleyin: Hangi kanalları ve hangi KPI’ı analiz edeceksiniz? Google Search, Google Shopping, Meta, TikTok, influencer, TV, outdoor mı? Başlangıçta beş ila yedi ana kanal yeterli. KPI seçimi kritik: net ciro mu, yeni müşteri sayısı mı, lead sayısı mı? Birden fazla KPI için ayrı modeller çalıştırmak gerekiyor.

2. Veriyi Temizleyin: E-ticaret platformunuzdan gelen ciro verisinden KDV, kargo ve iadeleri arındırın. Her kanalın haftalık harcama ve gösterim verisini standart formata getirin. Minimum 2-3 yıl haftalık veri hedefleyin¹⁹; mevsimselliği yakalamak için bu süre gerekli. Veri boşlukları varsa (kampanya duraklamaları, platform kesintileri), bunları belgeleyip interpolasyon veya imputation yöntemleriyle doldurun.

3. Araç Seçin: Ekip yetkinliğine ve ekosistemine göre karar verin. Google ağırlıklı harcama yapıyorsanız ve Python ekibiniz varsa Meridian mantıklı. Hızlı sonuç istiyorsanız ve R kullanıyorsanız Robyn. Maksimum esneklik ve Python tercih ediyorsanız PyMC-Marketing. İlk MMM denemesiyse Robyn ile başlamak, öğrenme eğrisini kısaltıyor.

4. Model Çalıştırın ve Doğrulayın: İlk model çıktılarını back-testing ile doğrulayın. Modelin son 3-6 aylık tahminleri ile gerçek satışlar ne kadar örtüşüyor? MAPE (Mean Absolute Percentage Error) yüzde 10-15 aralığında iyi kabul ediliyor²⁰. Incrementality testleri ve geo-lift deneyleri, modelin makul katsayılar üretip üretmediğini doğrulamanın en güvenilir yolu.

5. Aksiyon Alın: Budget optimizer çıktılarına göre kanal bütçelerini güncelleyin. Mevcut bütçeyi Pareto-optimal dağılıma göre yeniden yapılandırmak, ek harcama yapmadan verimliliği artırabilir. Sezonluk kampanyalar için scenario planner kullanın. Modeli aylık veya çeyreklik güncellemeyi rutin hale getirin; MMM bir kez çalıştırıp unutulacak bir analiz değil.

MMM’in Yapısal Sınırları

MMM güçlü bir araç ama sihirli bir kutu değil. Metodolojinin yapısal sınırlarını bilmeden sonuçlara güvenmek, last-click’e güvenmek kadar riskli.

Multicollinearity sorunu: Meta ve Google harcaması genellikle birlikte artıp azalıyor. Bütçe artınca her iki platforma da daha fazla harcıyorsunuz, bütçe düşünce ikisini de kısıyorsunuz. Model bu iki sinyali birbirinden ayırt edemeyince, kanallar arasındaki ROI dağılımı güvenilmez hale geliyor. Bu, MMM’in çözülememiş yapısal sorunlarından biri²¹.

Identification problemi: Wharton’dan Dew et al. (2024) “Your MMM is Broken” başlıklı çalışmalarında, nonlinear ve time-varying etkilerin standart MMM verisiyle genellikle identifiable olmadığını gösteriyor²¹. Her hafta benzer bütçe dağılımı yapıyorsanız, model hangi kanalın ne kadar etkili olduğunu öğrenecek varyasyona sahip değil. Pratik sonuç: modelin anlamlı katsayılar üretebilmesi için kanal bazında bütçe değişimlerinin yeterince büyük ve bağımsız olması gerekiyor.

Kalibre edilmemiş model, süslü bir tahmin makinesi. MMM çıktıları tek başına yeterli değil. Pratik deneyime ve ¹¹‘deki measurement triangle yaklaşımına göre, geo-lift deneyleri, incrementality testleri veya A/B testleriyle kalibre edilmediğinde model, gerçeği değil veri setindeki korelasyonları yansıtma riski taşıyor. Kalibrasyon olmadan “Meta’nın ROAS’ı 3.2” demek, panelin “ROAS 5x” demesinden daha güvenilir değil.

Measurement triangle yaklaşımı: Pratisyenlerin vardığı konsensüs, tek bir ölçüm yönteminin yeterli olmadığı yönünde. MMM, incrementality testleri ve platform metrikleri birlikte kullanıldığında güvenilirlik artıyor¹¹. MMM makro trendi gösteriyor, incrementality testleri spesifik kanalı doğruluyor, platform metrikleri günlük optimizasyona yön veriyor. Üçü birbirini tamamlıyor, hiçbiri tek başına yeterli değil.

Ekip yetkinliği meselesi: MMM, Bayesian istatistik bilgisi gerektiren bir analiz. Model kurulumu, prior belirleme, diagnostik yorumlama ve sonuçların iş kararlarına çevrilmesi ayrı beceriler. Bu yetkinlik olmadan açık kaynak aracı çalıştırıp çıkan sayılara göre bütçe kaydırmak, tehlikeli sonuçlar üretebilir. İlk MMM denemesinde danışmanlık desteği almak veya pilot ölçekte başlamak, riski azaltıyor.

Kaynaklar

Footnotes

1. Chan, D. & Perry, M. “Challenges and Opportunities in Media Mix Modeling”, Google Research, 2017. research.google ↩
2. etracker, “Cookie Consent Benchmarks: With a legally compliant design, an average of 60% of visit data is lost.” etracker.com ↩
3. Flurry Analytics, “ATT Opt-In Rate Monthly Updates: Only 21% global opt-in rate.” flurry.com ↩
4. Meta Platforms Q4 2021 Earnings: CFO Dave Wehner stated Apple’s ATT changes would cost Meta approximately $10 billion in 2022 revenue. CNBC ↩
5. Jin, Y. et al. “Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects”, Google Research, 2017. research.google ↩ ↩²
6. Google, “Meridian: An Open-Source Marketing Mix Model”, Mart 2024 duyuru, Ocak 2025 genel erişim. Google Blog, GitHub, Developers ↩ ↩² ↩³
7. Meta, “Robyn: Continuous & Semi-Automated MMM”, GitHub, Docs ↩ ↩² ↩³
8. PyMC Labs, “PyMC-Marketing: Bayesian Marketing Mix Modeling”, GitHub, Blog ↩ ↩²
9. Jin et al. (2017), a.g.e. Adstock (carryover) ve Hill saturation (shape effects) formülasyonlarının temel referansı. ↩
10. Meridian Docs, “Media Saturation and Lagging: Hill function and adstock transformations.” developers.google.com ↩ ↩²
11. Chan, D. & Perry, M. (2017), a.g.e. Measurement triangle konsepti: MMM, incrementality testleri ve platform metrikleri birlikte kullanılmalı. ↩ ↩² ↩³
12. Google, “Consent Mode: Behavioral modeling for unconsented users in GA4.” support.google.com ↩
13. Meta for Developers, “Conversions API: Server-side event tracking.” developers.facebook.com ↩
14. Google Ads Help, “Enhanced Conversions: Improve conversion measurement accuracy.” support.google.com ↩
15. Zhang, Y. et al. “Bayesian Hierarchical Media Mix Model Incorporating Reach and Frequency Data”, Google Research, 2023. research.google ↩
16. Google Research, “Geo-level Bayesian Hierarchical Media Mix Modeling.” research.google ↩
17. Runge, J. et al. “Packaging Up Media Mix Modeling: An Introduction to Robyn’s Open-Source Approach”, arXiv, 2024. arxiv.org ↩
18. Ng, Y. et al. “Bayesian Time Varying Coefficient Model with Applications to Marketing Mix Modeling”, Uber, arXiv, 2021. arxiv.org ↩
19. Google Meridian Docs, “Amount of Data Needed: Minimum 2-3 years of weekly data recommended for reliable modeling.” developers.google.com ↩
20. Measured, “QA Media Mix Modeling: MAPE between 10-15% is considered good and commercially useful.” measured.com ↩
21. Dew, R. et al. “Your MMM is Broken: Identification of Nonlinear and Time-varying Effects in Marketing Mix Models”, Wharton School, arXiv, 2024. arxiv.org ↩ ↩²

Önemli Noktalar

• 01 Sektöre göre değişmekle birlikte etracker benchmark'ı consent banner'larla trafiğin %30-60'ının ölçülemez kaldığını gösteriyor; panel ROAS ile banka hesabı uyuşmuyor.
• 02 MMM kullanıcı seviyesi veri gerektirmez. Toplam veri üzerinde çalıştığı için kullanıcı seviyesi gizlilik düzenlemelerinden doğrudan etkilenmiyor.
• 03 Adstock (gecikmeli etki), saturation (azalan getiri) ve baseline (reklamsız satış) kavramları, her kanalın gerçek katkısını ortaya koyar.
• 04 Türkiye'de Shopify API erişimi kolay, Ticimax/TSoft ERP entegrasyonu omnichannel veri sağlar. Ortak zorluk: KDV, kargo, iade arındırılmış net ciro elde etmek.
• 05 3 açık kaynak MMM aracı (Google Meridian, Meta Robyn, PyMC-Marketing) kurumsal yazılım maliyeti olmadan bütçe optimizasyonu yapmanızı sağlar.

Sık Sorulan Sorular (FAQ)

+ Marketing Mix Modeling ile attribution arasındaki fark nedir?

Attribution (MTA) kullanıcı seviyesinde yolculuğu izler ve consent/cookie kısıtlamalarına bağımlıdır. MMM ise toplam harcama ve toplam sonuç ilişkisini istatistiksel olarak modeller, kullanıcı seviyesi veri gerektirmez. Bu nedenle kullanıcı seviyesi gizlilik düzenlemelerinden doğrudan etkilenmiyor.

+ MMM için minimum ne kadar veri gerekiyor?

Meridian dokümantasyonu minimum 2-3 yıl haftalık veri öneriyor; geo seviyesinde analiz için alt, ulusal seviyede üst sınırı pratik referans olarak alıyorum. Kanal başına haftalık harcama, gösterim ve dönüşüm/ciro verisi temel girdilerdir.

+ Hangi e-ticaret platformları MMM için uygun?

Shopify, Ikas, Ticimax, TSoft ve Ideasoft destekler. Kritik olan net ciro verisinin (KDV, kargo, iade düşülmüş) doğru şekilde çıkarılmasıdır. API erişimi olan platformlar veri toplama sürecini kolaylaştırır.

+ MMM sonuçlarına ne kadar güvenebilirim?

MMM sonuçları tek başına kesin değildir. İncrementality testleri, geo-lift deneyleri ve A/B testleriyle kalibre edildiğinde güvenilirlik artar. Model çıktılarını back-testing ile doğrulamak zorunludur.