Davranışsal Hedefleme, Dijital Pazarlama, Kişiselleştirme

Web Sitesinin Kişiselleştirmesinde Kullanılan 4 Yöntem

kisisellestirme-4-metod

Online pazarlamanın hedefi, web sitenize gerçekleşen trafiği artırarak mevcut ve potansiyel müşterilerinizle iletişim kurmanızı sağlamaktır. Kampanya ya da reklam bu ilişkinin başlangıcı olabilir, ancak ilişkiyi geliştirmek ve devam ettirmek için müşteriyi iyi tanımak ve ilgi alanlarını belirlemek gerekir.

Oluşturduğunuz kampanya ya da reklamı tüm ziyaretçilere göndermek yerine, ilgi alanlarına göre uygun ziyaretçilere göndermek kesinlikle daha olumlu sonuçlar getirecektir. Aynı şekilde, web sitesi içeriğini de ilgi alanlarına göre geliştirmek uygun olacaktır. Yoksa e-posta kampanyası ile sitenize yönlendirdiğiniz ziyaretçiler uygun içeriği bulamadıkları için sitenizden anında çıkacaklardır. Böylece harcadığınız zaman ve para, geniş ağızlı bir performans hunisi (funnel) oluşturmak dışında bir işe yaramayacaktır. Bunun yerine huninin deliğini genişleterek, performansı yükseltmek yerinde olmaz mı?

Kişiye özel web sitesi hedeflemesi teknolojik olarak mümkün olsa da pek çok firma henüz kişiye özel web sitesi üretmenin ne kadar önemli olduğunun farkına varamadılar. “Onsite targeting” olarak adlandırılan bu hedefleme, web sitesinin içeriğinin oturum halinde olan ve geçmişte ziyaret eden ziyaretçi tipine göre düzenlenmesini amaçlar. Ziyaretçinin mevcut ziyaretini (hangi linkten siteye yönlendirildikleri gibi), tarayıcı tipini, arama kelimesini, bölgesel IP adresini(bağlantı kurdukları ülke ve şehir) ve sorgularını oturum halindeyken elde etmek mümkün. Dinamik içeriklerle düzenlenen sitede, kullanıcı geldiği web sitesinde tamamen kendisine ve ilgi alanlarına uygun içeriklerle karşılaşarak daha kolay etkileşim sağlar.

Öneri: Aşağıdaki yazılarımız da ilginizi çekebilir 😉

Hedefleme yapılmayan bir site yatırımlarınızın boşa gitmesi ve ziyaretçilerinize uygun olmayan içerik sunarak hedeflerinizi gerçekleştirememeniz anlamına gelebilir. Web sitesinin kişiselleştirilmesinde kullanılan yöntemler ise aşağıdaki gibidir.

1- İçerik Bazlı Süzme Yöntemleri  

İçerik bazlı süzmede yaklaşım, ziyaretçi tarafından açıktan puanlanan veya sayfayı görüntüleme suretiyle olumlu ilgi gösterdiği kabul edilen içerik ile potansiyel içerikler arasındaki metin bazlı ilişkidir. İki içerik arasındaki ilişki, metinlerin barındırdığı kelimeler üzerinden kurulur.

İçerik bazlı filtreleme sistemlerinin çoğunda, özellikle web siteleri ve e-ticaret sitelerinde kullanılanlarda, ziyaretçi profilini oluşturan öğe özellikleri, web sayfasından veya e-ticaret sitesinde satışı yapılan ürünün özellikleri tarafından belirlenen metinsel özelliklerdir. Ziyaretçi profilleri gezilen sayfalardaki terimlerin bir vektörü iken, öğeler içlerinde bulundurdukları terimlerin bir vektörü olarak temsil edilirler. Bu işlem için en çok kullanılan yöntem TF.IFD terim-ağırlıklandırma (term-weighting) yöntemidir. Ziyaretçinin ilgisini çekebilecek öğelerin saptanmasında, ziyaretçi vektörü ile öğe vektörleri arasındaki kosinüs benzerliği (cosine similarity) veya bayes sınıflandırması (bayesian classification) gibi yöntemler kullanılır.

İçerik bazlı yöntemlerin en önemli dezavantajı, profilin ve önerilerin tamamen ziyaretçinin geçmişte gezmiş olduğu sayfalara bağımlı olması. Yapılan araştırmalar ziyaretçilerin en çok çapraz içerik grupları arasındaki önerilerden memnun kaldığını ortaya koymuştur. Örneğin, içerik bazlı süzme yöntemiyle farklı bir kategoride olan  tamamlayıcı bir ürünün tavsiye sistemi tarafından ziyaretçiye sunulması mümkün olmayacaktır. Bir diğer sorun ise, heterojen bir yapıda olan web sayfasının, metin bazlı vektörel bir öğe olarak temsil edilmesidir.

2- Hafıza Bazlı Ortak Süzme Yöntemleri

Hafıza bazlı ortak süzme yöntemi şöyle çalışır: ziyaretçiler tükettikleri öğelere (sinema sitesindeki film açıklaması, haber, makale, e-ticaret sitesindeki ürün vb.) bir puan verirler. Tavsiye sistemi ilk olarak , ziyaretçiye bir öneride bulunmak için ziyaretçi ile aynı ürünlere, yakın puanları vermiş olan diğer benzer düşünce yapısındaki (like-minded) ziyaretçileri saptar. Benzer düşünce yapısındaki ziyaretçiler tarafından tüketilmiş ancak henüz ziyaretçi tarafından tüketilmemiş öğeler, ziyaretçiye önerilmek için adaydırlar. Bu sistem, geçmişte benzer beğenileri olan ziyaretçilerin, gelecekte de benzer beğenileri olacağı kabulünü dayanak alır.

Ziyaretçi profilleri arasındaki benzerliklerin ölçülmesi için, Pearson ve Spearman Korelasyonu, kosinüs Açısı(Cosine Angle), Entropi ve Farkların Kareleri Ortalaması(mean squared distance) içinde olmak üzere,  bir çok ölçüm yöntemi önerilmiştir.  Bunlardan en yaygın kullanılan kosinüs açısı performans açısından da en başarılı olduğu kabul edilmektedir. Kosinüs benzerliği yöntemi ile iki ziyaretçi arasındaki benzerlik (similarity) aşağıdaki formül ile hesaplanır:

İki ziyaretçi arasındaki benzerlik saptandıktan sonra, önerilebilecek bütün öğeler için puan hesaplamak gerekmektedir.

Ziyaretçi ve öğelerin sayısı arttıkça, bu yöntem uygulanabilir olmaktan çıkar. Ölçeklenebilirliğe bağlı olarak, performans sorunları bu yöntemin ilk karşılaşılan sorundur. Performans sorunları dışında, ziyaretçinin komşuluğunda yer alan diğer ziyaretçilerin sayılarının, daha doğru tavsiyeler üretmeye dönük olarak  azaltılması gerekir. Bu ziyaretçilerin verdiği puanlar veride gürültüye sebep olur. Bu amaçla iki yaklaşım geliştirilmiştir. Bunlardan birincisi benzerlik eşiği belirlemektir. Ancak öğe sayısı arttıkça, ziyaretçinin çevresindeki diğer ziyaretçilerin dağınıklığı da artacaktır. Bu da tavsiye üretirken kapsamın (coverage) daralacağı ve sistemin tavsiye üretmekte zorlanacağı anlamına gelir. Diğer bir yaklaşım ise sabit sayıda komşu kullanmak olabilir ancak bu da tavsiyelerin doğruluğunu (accuracy) olumsuz etkileyecektir.

Hafıza bazlı ortak süzme yönteminde, iki ziyaretçinin ne kadar sayıda ortak öğeye sahip olduklarına bakılmaz. Ortak öğe sayısı iki de olsa, elli de olsa iki ziyaretçi aynı derecede birbirine yakındır. Herlocker ve diğerleri bu sorunla başedebilmek için benzerlik ölçüsüne, öğelerin sayısını da eklemeyi önermiştir. Geleneksel Ortak Süzme’nin bir diğer özelliği ise bütün öğelerin aynı derecede önemli olmasıdır. Ancak yine  dikkat çektiği gibi bazı öğelere bütün ziyaretçiler aynı puanı verir. Bu tür öğeler ziyaretçiler arasında iyi birer ayraç değildir. Helocker ve diğerleri bu durumun üstesinden gelmek için varyans bazlı bir yöntem önerir. Eğer bir öğeye verilen puanların varyansı düşük ise bu öğeye bütün ziyaretçiler aşağı yukarı aynı puanı veriyordur ve bu öğe düşük olarak ağırlıklandırılır. Yüksek varyansa sahip öğeler, benzerlik belirlenirken daha etkindir. Breese ve diğerleri tarafından önerilen bir başka yaklaşım ise sıkça puanlanan öğelerin daha çok ağırlıklandırılmasıdır.

Ortak Süzme yöntemleri ticari olarak en başarılı yöntem olmasına rağmen bir çok probleme sahiptir. Bu problemlerden ilki sistemin çalışmaya başlaması için, ziyaretçilerin belirli sayıda puanlama yapmış olmasıdır. Diğer yandan öğe ve ziyaretçi sayısı arttğında, ziyaretçilerin öğe uzayındaki yerini tespit eden noktaların dağınık bir geometriye sahip olması bir başka sorundur.  Ayrıca ölçeklenme sorunları ve kötü niyetli saldırılara açık yapısı Ortak Süzme sistemlerin diğer sorunlarıdır.

Öneri: Aşağıdaki yazılarımız da ilginizi çekebilir 😉

3- Model Bazlı Ortak Süzme

Hafıza bazlı yöntemlerde, tavsiye üretimine ilişkin bütün aşamalar çevrimiçi gerçekleştirilir. Ziyaretçinin, ziyareti sırasındaki öğelere yaptığı değerlendirmelere göre, gerçek zamanlı bir şekilde ilk olarak ziyaretçinin komşuluğundaki diğer ziyaretçiler saptanır. Saptanan diğer ziyaretçilerin en çok ilgilendiği ürünlerden en yüksek puan alanlar aktif ziyaretçiye önerilir. Bu işlemin gerçekleşebilmesi için bütün öğe ve ziyaretçi matrisi hafızda tutulur. Model bazlı yöntemlerde ise, model ziyaretçilerin geçmiş davranışları baz alınarak çevrimdışı oluşturulur. İkinci aşama olan model kullanılarak tavsiyenin oluşturulması ise gerçek zamanlı olarak ziyaretçi sitedeyken gerçekleşir. Modelin çevrimdışı oluşturuluyor olması, ilk aşamanın dar boğaz oluşturmasının önüne geçer ve hesaplama maliyetini (computational cost) düşürür. Bu da kişiselleştirme sisteminin ölçeklenme sorununa bir çözüm oluşturur.

Model oluşturulurken ziyaretçiden açık bir şekilde toplanan veriler kullanılabileceği gibi, kapalı bir şekilde toplanan veriler de kullanılabilir. En çok kullanılan kapalı veri tipi ziyaretçilerin site üzerindeki davranışları olurken, web sitesinin yapısı ve sayfaların içeriği de model oluşturulurken kullanılan verilerdir.

 Öğe bazlı ortak süzme-Öğe Bazlı Ortak Süzme yönteminde, çevrimdışı olarak modelin oluşturulduğu süreçte, bir öğe benzerlik matrisi (item similarity matrix) meydana getirilir. Öğe benzerlik matrisi (IS), n öğe sayısı olmak üzere n x n boyutlarında bir matristir. IS[j,t], ij ve it öğelerinin benzerliğini temsil eder. Öğelerin benzerliği, öğelerin içeriğinden ziyade öğelere ziyaretçilerin verdiği puanları baz alır. Bütün öğeler, farklı ziyaretçilerin boyutlarını oluşturduğu m boyutlu uzayda vektör olarak temsil edilir. Öğeler arasındaki benzerlik vektörlerin kosinüs benzerliği veya korelasyon bazlı benzerlik bulunarak hesaplanır. Buraya kadar olan kısım çevrimdışı olarak gerçekleşir. Ziyaretçinin ziyareti sırasında tavsiyenin oluşturulması için, ilk olarak aktif ziyaretçinin tükettiği öğenin, önceden hesaplanan komşuluğundaki öğeler benzerlik matrisi üzerinden getilir, ardından her bir öğenin, ziyaretçi açısından puanları tahmin edilir.

Birliktelik kuralları bazlı yöntemler- Birliktelik Kuralları ve Sıralı Birliktelik Kuralları aslen market sepet analizi için geliştirilmiş yöntemler olmakla birlikte, web madenciliği de dahil bir çok alanda kullanım olanağı bulmuştur. Sıralı birliktelik kuralları, birliktelik kurallarından farklı olarak öğelerin bir oturum içindeki sırasını da dikkate alır. (Birliktelik kuralları ayrıntılı olarak bölüm 2’de işlendiği için burada tekrar üzerinden geçilmeyecektir.)

Birliktelik kuralları analizinin web verisi üzerinde kullanılmasının bir çok avantajı vardır. Örneğin; {/özel_kampanya_sayfasi, /urunler/cep_telefonu} => {/sepet} şeklindeki bir kural cep telefonlarında kampanya yapmanın, satışlara olumlu etkisi olduğunu gösterir. Ayrıca, kurallar web sitesinin bağlantı yapısının düzenlenmesine de katkıları olabilir. Örneğin, web sitesi A ve B sayfaları arasında  doğrudan bir bağlantı sağlamıyor olabilir. {A} => {B} şeklinde, yüksek güven değerine sahip bir kural web sitesinin A ve B arasında doğrudan bağlantı vererek, ziyaretçilerin daha rahat bir şekilde web sitesinde dolaşmasını sağlayabilir.

Birliktelik analizinin sonuçları bir model olarak, web sitesi üzerinde tavsiye ve kişiselleştirme amaçlı olarak kullanılabilir. En üstteki-N yöntemi, tavsiyeler üretilirken kullanılır. En üstteki-N yöntemi şu şekilde çalışır; ilk önce çevrimdışı olarak birliktelik kuralları saptanır. Daha sonra çevrimiçi olarak ziyaretçi siteyi ziyaret ettiğinde, ziyaretçinin geçmiş satın aldığı ürünler getirilir ve bu ürünleri kuralın sol tarafında bulunduran kurallar saptanır. Daha sonra bu kurallar, güven değerlerine göre büyükten küçüge sıralanır ve üstten N tanesi’nin sağ tarafındaki ürünler tavsiye olarak ziyaretçiye sunulur.

Birliktelik kuralları ile ilgili bir sorun, veri kümesinin çok dağınık olması durumunda sistemin tavsiye üretememesidir. Bu soruna iki farklı çözüm önerilmiştir. Birincisi, ziyaretçilerin davranışları ile üretilmiş olan kuralları, sol tarafının kesişme miktarına göre sıralamak ve en üstteki N taneyi önermek. İkinci yöntem ise destek değerini kural üretecek şekilde değişikliğe uğratmak.

Birliktelik kurallarının tesbiti için kullanılan Apriori algoritması, sıralı birliktelik kurallarının saptanması için de kullanılabilir. Yapılması gereken, öğelerin alt kümelerinin destek değerlerinin hesaplanması yerine alt sıra kümelerinin (sub-sequence) destek değerlerinin saptanması. Web kayıtlarından üretilen sıralı birliktelik kuralları iki tipte olabilir; Kapalı Sıralar ve Açık Sıralar. Kapalı sıralar, oturum içindeki öğe erişimlerinin sırasının, aynı kuraldaki sırayı takip etmesini ve araya başka bir öğe girmemesini gerektirir. Açık Sıralar’da ise sıranın değişmemesi koşulu ile arasına öğe girebilir. Örneğin; {i1,i2} => {i3} kuralı kapalı ise {i1,i2,i3} oturumu kuralı desteklerken {i1,i2,i4,i3} oturumu kuralı desteklemez. Eğer kuralımız açık kural olsa idi, her iki oturum da kural tarafından desteklenecekti.

Amprik bir çalışma web sitesinin topolojisinin, Sıralı Birliktelik Kurallarının, Sıralı Olmayan Birliktelik Kuralllarına göre avantajı üzerinde belirleyici olduğunu orataya koymuştur. Bir başka çalışma ise Kapalı Sıralı Birliktelik Kurallarının, öğe tavsiyesine nazaran sayfayı önden getirme (page prefetching) uygulamalarında daha iyi performans sağladığıını ortaya koymuştur.

Markov Modelleri- Web özelleştirme çalışmalarında, Markov modellerinden de yararlanılabilmektedir. Markov modeli şu şekilde açıklanabilir; n tane farklı durum (S) içerebilen bir süreç olsun. Süreç her hangi bir durumdan bir diğerine geçebiliyor olsun. Sürecin i durumundan j durumuna geçme olasılığını Pijile ifade edersek, mevcut bütün durumlar arası geçişi ifade eden matrise durum geçiş matrisi adı verilir. Birinci seviye geçiş matrisi TP ile gösterirsek. iki adım sonraki durumların olasılığını gösteren matrisi TPn ile gösterebiliriz. Bu matris, bir adım matrisinin n. kuvvetidir.

Markov modelini, web özelleştirmesinde kullanabilmek için ilk olarak, web sitesi oturumlarını bir ağırlıklandırılmış yönlü gösterim (weighted directed graph) şeklinde ifade ediyoruz. Gösterimdeki, her bir düğüm web sitesi üzerindeki bir sayfayı ifade ederken, sayfalar arasındaki yönlü çizgiler de iki sayfa arasındaki geçişi temsil ediyor. Çizgilerin üzerindeki sayılar ise ilgili bir sayfadan diğerine geçiş olasılığını gösteriyor. Bu olasılıklar, web sitesi üzerindeki bütün oturumlar dikkate alarak hesaplanıyor.

Bir sonraki adımda her bir sayfa arasındaki geçiş olasılığı, durum geçiş matrisi ile gösteriliyor. Kaçıncı derecen markov modeli kullanacağımıza bağlı olarak, farklı kuvvetteki durum geçiş matrisleri (TPn) hesaplanıyor. Bu matrisler, aradaki adımlardan bağımsız olarak n adım önceki i durumundan n adım sonra j durumuna gelme olasılığını gösteriyor. Matematiksel olarak:

a, b ve c web sitesi üzerinde 3 sayfa olsun. a=>b=>c=> yolunun izlenme olasılığı aşağıdaki formül ile bulunur:

Ziyaretçinin bulunduğu sayfa ve hangi dereceden markov modeli kullanılacağına bağlı olarak, ilgili adım sayısı kadar koşullu olasılık hesaplanarak, potansiyel bir sonraki adımı içeren patikaların olasılıkları hesaplanır ve en yüksek olasılıklı sayfa (durum) tavsiye için kullanılır.

4- Hibrid Yöntemler

İçerik bazlı yöntemlerin temel sorunu, daha önce de belirtildiği gibi, ziyaretçiye sadece daha önce ilgilendiği öğelere metinsel benzerlik gösteren öğelerin önerilebilir olmasıdır.  Farklı metinsel özellik içeren öğeler, içerik bazlı yöntemlerde önerilemez ancak rastlantısal tavsiyeler yapılabilir.

Ortak Süzme Yöntemlerinde ise yeni eklenen ürünler, ta ki bir kişi o ürün hakkında fikir beyan edene kadar diğer ziyaretçilere önerilemez. Ayrıca, beğenileri diğer ziyaretçilerden farklılık gösteren ziyaretçiler de hiç bir zaman tavsiye alamayabilir.

Balabanovic ve diğerleri tarafından geliştirilen Fab isimli sistem İçerik Bazlı Yöntemler ile Ortak Süzme Yöntemlerindeki zayıf yanları, diğer sistemin güçlü yanını kullanarak çözmeyi amaçlamıştır.

Fab şöyle çalışır: Sistem Toplama Ajanları(Collection Agents) ve Seçme Ajanlarından(Selection Agents) oluşur. Her bir toplama ajanı belirli konudaki öğeleri toplar. Seçme ajanı, belirli konu içindeki öğeleri ziyaretçiye gösterir. Her bir ziyaretçinin, puan verdiği öğelere ilişkin puan verisinin tutulduğu kendine ait bir seçme ajanı vardır. Seçme ajanı, ziyaretçinin beğeni belirttiği konulara ilişkin diğer öğeleri tavsiye olarak ziyaretçiye sunar. Diğer yandan, benzer öğelere benzer puanları veren ziyaretçilere, henüz ilgi göstermedikleri fakat komşuluklarında bulunan diğer ziyaretçilerin ilgi gösterdiği konular iletilerek, farklı konuların da ziyaretçilerin seçme ajanlarına eklenmesi sağlanır.

Genel olarak Pazzani’nin gösterdiği gibi, demografik bilgiler ile zenginleştirilen ziyaretçi profilinin kullanılması  puanlama kullanarak üretilen tavsiyelerin doğruluğunu artırır.

Bir başka çalışmada ise, o anda ziyaretçinin sitede bulunduğu yere göre Sıralı ve Sıralı Olmayan Birliktelik Kuralları arasında geçiş yapılmasının hem kapsamı hem de doğruluğu artırdığı gösterilmiş.

İlginizi Çekebilir:
mistake2
Sosyal Medya Yönetiminde Ders Çıkarılması Gereken 8 Hata
sosyal-medya-uzunluk
Sosyal Medyada Hangi Sıklıkla Paylaşımda Bulunulmalı?

Lütfen yorumunuzu paylaşın

Yorumunuz

Adınız
Web siteniz

Önceki yazıyı okuyun:
dijital-pazarlama-ilk-10-adim
[Yeni Başlayanlar İçin] Dijital Pazarlamada Başarıya Ulaşmak için 10 Adım

Teknolojinin hız kesmeden gelişmesiyle birlikte dijital pazarlama da her geçen gün şirketlerin daha fazla üzerinde durması gereken konu haline geliyor....

Kapat