Davranışsal Hedefleme, Pazarlama Otomasyonu, Segmentasyon

Web Sitelerinde Kullanıcı Kişiselleştirmesinde Kullanılan 4 Yöntem

web-kisisellestirme-4-yontem

Potansiyel müşterilerinizle iletişim ve etkileşime geçtiğiniz en önemli noktalarınızdan biri de web siteleriniz. Web sitelerinize gelen kullanıcıların kim oldukları, nasıl davrandıkları, ne yapmak istedikleri gibi bilgilere sahip olmanız, bu kişileri sınıflandırmanız hatta kişiselleştirmeniz teknolojik olarak mümkün. Kişiselleştirme sayesinde web sitenize gelen kullanıcının, bir sonraki ziyaretinde onun ilgisine özel içerik ya da teklifler sunmanız mümkün. Kullanıcı eğer web sitenize üye olup, kayıtlı şekilde web sitenizde dolaşıyorsa, kullanıcıyla e-posta, sms gibi kanallar yardımıyla kolayca iletişime geçebilirsiniz. Peki web sitesinde kişiselleştirme nasıl yapılır? Gelin bu metodları beraberce inceleyelim.

1-Tekil veya İşbirliği İçinde

Web kişiselleştirme yaklaşımlarını sadece ziyaretçinin kendisinin yaptığı aktiviteleri dikkate alan yöntemler ve ziyaretçiye tavsiye oluştururken ziyaretçinin kendisi dışındaki ziyaretçileri de dikkate alan yöntemler olmak üzere ikiye ayırabiliriz. Ziyaretçinin sadece kendisini dikkate alan yöntemler içerik bazlı süzme (content-based filtering), diğer ziyaretçileri de dikkate alan yöntemlere ise ortak süzme (collaborative filtering)  yöntemleri adı verilir.

İçerik bazlı filtreleme yönteminde, ziyaretçi profili, ziyaretçinin önceki ziyaretlerinde veya süregelen ziyaretinde ilgi gösterdiği öğelere ilişkin içeriksel bilgi bulundurur. Ziyaretçi profilinde bulunan öğeler, öğelerin içerik anlamında özelliklerini bulundurur. Tavsiye oluşturma işlemi, ziyaretçinin profilinde bulunan öğelerin özellikleri ile benzerlik gösteren ve henüz ziyaretçi tarafından ziyaret edilmemiş olan öğelerle arasında benzerlik bulma işlemidir. Tavsiye sistemi tarafından ziyaretçinin profiline yeterince benzer bulunan öğeler ziyaretçiye gösterilir. İçerik bazlı süzme yönteminde ziyaretçilerin tercihleri, diğer ziyaretçilere yapılacak tavsiyeleri belirlemez. Bütün tavsiyeler sadece ziyaretçinin kendi geçmiş tercihleri baz alınarak yapılır.

Ortak süzme yönteminde ise adından da anlaşılacağı gibi tavsiyeler, birden çok ziyaretçinin öğeler ile olan ilişkisi üzerinden oluşturulur. Benzer etkileşime sahip ziyaretçilere, henüz kendilerinin tüketmedikleri ama kendileri ile benzer davranışlara sahip diğer ziyaretçilerin tükettikleri içerikler arasından tavsiyede bulunulur.

Bu yazılarımız da ilginizi çekebilir 😉

2- Reaktif veya Proaktif

Reaktif tavsiye sistemleri, ziyaretçinin açık bir şekilde veri girmesini bekler. Ziyaretçi öğe puanlaması, ankete verilen cevap veya üyelik sırasında verdiği bilgiler aracılığıyla tavsiye sistemine veri besler. Tavsiye sistemi bu verileri kullanarak tavsiyelerini oluşturur. Ortak süzme reaktif sistemlere örnektir. Ortak süzme, ziyaretçinin öğelere verdiği puanlara göre, ziyaretçinin ilgisini çekebilecek öğeleri saptar. Ziyaretçi, her hangi bir öğe hakkında fikir belirtmediği taktirde, tavsiye sistemi tavsiye üretemez.

Proaktif sistemler, ziyaretçilerden açık bir şekilde giriş beklemezler. Ziyaretçinin, sitedeki davranışlarına göre (satın alma, ürüne bakma, kelime arama vb.) modeli oluşturmak için baz olarak kullanırlar.

Reaktif sistemlere örnek olarak Entree, Dietorecs, ExpertClerk verilebilir. Diğer taraftan proaktif sistemlere ise Amazon.com, Movielens ve Ringo örnek olarak gösterilebilir. Yine youtube.com’da her hangi bir video izlenirken sağ alt köşede “Related Videos” başlığı ile çıkan öneriler proaktif sistemlere bir örnektir. Ziyaretçinin bir bilgi girmeden, her hangi bir video’yu görüntülemesi öneri alması için yeterlidir.

3- Hafıza veya Model Bazlı

Kişiselleştirme süreci çevrimdışı ve çevrimiçi olmak üzere iki aşamadan oluşur. Çevrimdışı aşamada veriler analiz edilerek ziyaretçi profilleri oluşturulmaya çalışılır. Veriden öğrenme, hafıza bazlı ve model bazlı olmak üzere ikiye ayrılır. İkisi arasındaki temel fark, hafıza bazlı yöntemler, sadece ziyaretçilerin/öğelerin vektör bazlı profillerini oluşturmak ile yetinir. Hafıza bazlı yöntemin tahmin üretmesi için kendisine bir sorgu gelmesi gerekir. Sorgu sonucu, yöntem daha önce bahsi geçen hesaplamaları yaparak, tahmin üretir. Diğer yandan model bazlı yöntemler, veri analizi sırasında, bir model oluşturur ve model daha çevrimdışıyken ve bir sorgu gelmeden tavsiyeleri içinde barındırır.

Ortak Süzme ve İçerik Bazlı Süzme hafıza bazlı yöntemlerdir. Diğer yandan öğe bazlı yöntemler model bazlı yöntemlerdir. Hafıza bazlı yöntemler, analiz sırasında bütün veriyi hafızaya alması ve tavsiye üretimi sırasında genelleme yapıyor olması nedeniyle, ölçeklenme anlamında, özellikle öğe ve ziyaretçi sayısının fazla olduğu durumlarda ciddi sorunlara sebep olabilir. Model bazlı sistemlerde, işlemsel ağırlık çerimdışı verilerin analizi sırasında oluşur. Bu aşamada model oluşturulur. Çevrimiçinde, tavsiyelerin üretilmesi sırasında hafızada sadece model veya çıkarımlar  tutulduğu için işlemsel maliyeti azdır ve hafıza bazlı yöntemlere göre daha iyi ölçeklenir. Diğer yandan, toplanan veri arttıkça, hafıza bazlı yöntemler, ziyaretçilerin değişen beklentilere daha iyi uyum sağlarken, model bazlı yöntemlerin değişen duruma uyum için ya yeniden model oluşturması ya da mevcut modelin üzerine geliştirme yapması gerekir.

4-İstemci ve Yazılım Bazlı

Kişiselleştirme yöntemleri, yazılımın ziyaretçinin bilgisayarında mı (istemci) yoksa web sunucuda mı çalıştığına göre ikiye ayrılır. Bu iki yaklaşım arasındaki temel ayrım, analiz için kullanılacak verinin ne kadar kapsamlı olduğu ile ilgilidir. Eğer kapsam sadece ziyaretçinin kendi hareketleri olacaksa, istemci tarafında bir uygulama mümkün olacaktır. Fakat diğer ziyaretçilerin verileri de, ziyaretçiye tavsiye üretilmesinde kullanılacaksa, bütün ziyaretçilerin verilerinin toplanabilmesi için sunucu bazlı olarak çalışır.

İstemci bazlı çalışmanın bir avantajı ziyaretçinin farklı sitelerdeki davranışlarının da toplanabilmesidir. Sunucu bazlı yöntemler, ziyaretçinin sadece üzerinde çalıştıkları web sunucudaki hareketlerini analiz ederek tavsiye oluşturabilirler.

Son zamanlarda, reklam sunucuları (ad servers) üçüncü taraf cookiesi denen bir teknoloji ile ziyaretçiyi farklı web sitelerinde de izlemekte ve ziyaretçiye özel reklam sunmaktadır.

Bonus

euromessage dijital pazarlama platformu, size kullanıcılarınızı kolayca kişiselleştirebilmenizi sağlayacak teknolojiye sahip. Kişiselleştirme konusunda daha fazla bilgi almak ve kendi dijital pazarlama çalışmalarınızda kullanmak için bizimle iletişime geçmeniz yeterli.

İlginizi Çekebilir:
unsatisfactory-email
E-postalarınızın İlgi Çekmemesinin 4 Ana Nedeni
Attractive woman working on a laptop computer. She is casually dressed  with long blonde hair. She looks relaxed with a cup of coffee and she is probably surfing the internet. She could be a business woman working at home or in an office. Shot is back lit with copy space. There is a digital tablet and mobile phone on the table
[YENİ BAŞLAYANLAR İÇİN] E-posta Listenizi Dönüşüm Sağlayacak Şekilde Beslemenin 4 Yolu

Lütfen yorumunuzu paylaşın

Yorumunuz

Adınız
Web siteniz

Önceki yazıyı okuyun:
email-marketing-future
E-posta Pazarlamasının Geleceğine Dair 7 İstatistik

Dünyanın en etkili dijital pazarlama araçlarından biri olan e-posta pazarlamasının geleceğini aydınlatacak bazı verileri sizin için derledik. Bu istatistikler sayesinde...

Kapat