Bir müşteri web sitenize ilk kez geliyor. Henüz hesap oluşturmamış, geçmişte yaptığı herhangi bir alışveriş yok. Analiz edilebilecek anlamlı bir müşteri profili bulunmuyor ve geleneksel öneri sistemlerinin müşterinin ne isteyebileceğine dair elinde çok az veri var. Yine de müşteri birkaç saniye içinde bir ürün arıyor, bir kategori açıyor, bir ürüne tıklıyor, önerileri inceliyor ve belki de ürünü sepete ekliyor.

Perakendeci açısından bu ilk etkileşimlerin her biri değerli birer sinyaldir. Ancak öneri motoru yeterli geçmiş veri birikene kadar anlamlı sonuçlar üretemiyorsa, fırsat çoktan kaçmış olabilir. Bu durum, perakende sektöründe soğuk başlangıç sorunu (cold-start) olarak adlandırılır.

Tüketicilerin henüz ilk etkileşimden itibaren kendileriyle ilgili deneyimler beklediği bir ortamda, perakendecilerin farklı bir yaklaşıma ihtiyacı vardır: Davranışlara gerçek zamanlı olarak yanıt veren ve kısıtlı sinyalleri faydalı bir bağlama dönüştüren bir yaklaşım.

Perakendede Soğuk Başlangıç (Cold Start) Sorunu Nedir?

Öneri motorları geleneksel olarak büyük ölçüde geçmiş verilere dayanır.

Bir müşterinin önceki alışverişlerini, gezinme davranışlarını, ürün puanlarını, demografik bilgilerini, sadakat programı durumunu veya benzer müşterilerin davranışlarını analiz edebilirler. Yeterli veri olduğunda bu sistemler, bir müşterinin bir sonraki alışverişinde neyle ilgilenebileceğini oldukça başarılı şekilde tahmin edebilir.

Sorun, yeterli veri olmadığında ortaya çıkar:

• Yeni bir ziyaretçinin anlamlı bir geçmişi yoktur.
• Geri dönen bir müşteri yeni bir cihazda geziniyor olabilir veya tamamen farklı bir amaçla alışveriş yapıyor olabilir.
• Piyasaya yeni sürülen bir ürünün etkileşim geçmişi çok azdır.
• Yeni bir pazara giren bir perakendeci, güvenilir öneriler oluşturmak için henüz yeterli yerel davranış verisine sahip olmayabilir.

Böylece aynı temel sorunun farklı biçimleri ortaya çıkar. Perakendeci, yeterli geçmiş veriye sahip olmadan müşterinin deneyimini kişiselleştirmek ister.

• Yeni müşteriler: Kullanılabilecek çok az müşteri geçmişi vardır veya hiç yoktur.
• Anonim ziyaretçiler: Perakendeci, müşterinin mevcut oturumda ne yaptığını bilebilir; ancak kalıcı kimlik bilgisi sınırlıdır.
• Yeni ürünler: Yeni ürünlerin yeterli etkileşim verisi bulunmadığı için öneri sistemlerinde görünürlük kazanması zor olabilir.
• Değişen veya sezonluk ihtiyaçlar: Efsane Cuma, okula dönüş dönemi, Ramazan veya büyük bir ürün lansmanı gibi dönemlerde müşterilerin aradığı şeyler aniden değişebilir. Bu durumda geçmiş davranışlar gelecekteki tercihler için daha az anlamlı hâle gelebilir.
• Kanallar arası bağlam: Bir müşteri web sitesinden mobil uygulamaya veya dijital kanallardan mağazaya geçtiğinde farklı sinyaller oluşturabilir. Kimlik ve davranış verileri birbirine bağlı değilse, oturum bağlamının bir kısmı kaybolabilir.

Geleneksel Öneri Motorları Neden Zorlanır?

Birçok öneri yaklaşımı, müşteriler ile ürünler arasındaki ilişkileri büyük miktarda geçmiş etkileşim verisinden öğreniyor. Bu yaklaşım özellikle geçmiş verisi güçlü olan mevcut müşteriler ve uzun süredir satışta olan ürünler için hâlâ oldukça faydalı. Ancak veri seyrek olduğunda işler zorlaşıyor.

İlk kez gelen ve koşu ayakkabısı arayan bir müşteriyi düşünün. Geleneksel bir sistem bu müşteri hakkında neredeyse hiçbir şey bilmiyor olabilir.

Gerçek zamanlı çalışan bir sistem ise saniyeler içinde önemli sinyaller elde edebilir:

• “Patika koşu ayakkabısı” araması yaptı.
• Su geçirmez bir ayakkabının ürün sayfasını açtı.
• Koşu kategorisindeki ürünleri inceledi.
• İki modeli karşılaştırdı.
• Beden ve fiyat filtrelerini kullandı.
• Belirli bir ürüne tekrar geri döndü.

Bu sinyallerin hiçbiri yıllara dayanan bir müşteri geçmişi gerektirmez. Asıl zorluk, bu sinyalleri müşterinin ne aradığını hızlıca anlamaya yardımcı olacak bir bağlama dönüştürmek ve bunu bir sonraki ekrana yansıtmaktır. Bu da perakendecilerin kişiselleştirmeye bakışlarını değiştirmelerini gerektiriyor. Kişiselleştirme, belirli aralıklarla yeniden eğitilen bir modelden çok, müşteri davranışlarını sürekli olarak izleyen ve her yeni sinyalle kendini güncelleyen bir geri besleme döngüsü olarak ele alınmalıdır.

Statik Profillerden Canlı Müşteri Bağlamına

Perakendeciler, “Bu müşteri hakkında zaten ne biliyoruz?” diye sormak yerine, şuna da odaklanabilir: “Bu müşteri şu anda bize ne anlatıyor?”

Her etkileşim, müşterinin niyetine ilişkin geçici veya kalıcı bir temsilin oluşmasına katkıda bulunabilir.

• Bir arama sorgusu, müşterinin ne aradığını gösterebilir.
• Ürün tıklaması, ilgi alanını ortaya koyabilir.
• Ürün sayfasında geçirilen uzun süre, başka bir önemli sinyal sağlayabilir.
• Kullanılan filtreler, fiyat, beden, marka, renk veya diğer tercihleri gösterebilir.
• Sepete ekleme, satın alma niyetine dair çok daha güçlü bir sinyal olabilir.

Buradaki önemli değişim, bu sinyallerin gecelik veri işlem hatlarını veya bir sonraki model eğitim döngüsünü beklemek zorunda olmamasıdır. Müşteri bağlamı, oturum sırasında sürekli güncellenebilir.

Müşteri etkileşime girdikçe sistem de müşterinin niyetine ilişkin anlayışını geliştirebilir ve bunu bir sonraki öneriyi, arama sonucunu, ürün sayfasını veya merchandising kararını şekillendirmek için kullanabilir.

Modern kurumsal mimariler bu yaklaşımı, kullanıcı bağlamının gerçek zamanlı olarak güncellenmesi üzerinden hayata geçirir. Etkileşim verileri, müşterinin dinamik temsilini sürekli olarak günceller ve oluşan bu bağlam, sonraki aşamada daha kişiselleştirilmiş öneriler üretmek için kullanılır.

Perakende İçin Gerçek Zamanlı Geri Bildirim Döngüsü

Pratik bir mimariyi birbiriyle bağlantılı dört katman üzerinden düşünebiliriz.

1. Anlamlı Her Etkileşimi Yakalayın

Sinyaller, standart e-ticaret olaylarının yanı sıra perakendeciye özgü davranışsal ve bağlamsal verileri de içerebilir:

• Arama sorguları
• Ürün görüntülemeleri
• Tıklamalar
• Kategori ziyaretleri
• Filtreler ve sıralama tercihleri
• Favoriler/İstek listesi hareketleri
• Sepete ekleme işlemleri
• Ödeme adımındaki davranışlar
• Görüntülenen promosyonlar
• Oturum süresi
• Cihaz ve kanal bağlamı

Bu olaylar yalnızca geçmişe dönük analitik veriler olarak saklanmaz, gerçekleştiği anda akış (stream) üzerinden de işlenebilir.

Google Cloud’un Pub/Sub mesajlaşma servisi, bağımsız servisler arasında olayların gerçek zamanlı olarak alınmasını ve dağıtılmasını sağlarken, yönetilen Apache Kafka çözümleri mevcut kurumsal ekosistemlere olay akışlarını entegre etmek için ölçeklenebilir bir mekanizma sunar.

Mimari ilke şudur: Müşteri sinyallerini hâlâ anlamlı oldukları anda erişilebilir kılın.

2. Canlı Müşteri Bağlamını Koruyun

Sıradaki adım, müşterinin o anki ilgi alanlarını yansıtan canlı bir bağlam oluşturmaktır. Bu bağlam; son aramalar, ziyaret edilen kategoriler, tercih edilen fiyat aralıkları, ürün özellikleri, son etkileşimler ve diğer bağlamsal sinyalleri içerebilir.

Anonim ziyaretçiler için bu bağlam oturum bazında tutulabilir. Tanınan müşterilerde ise satın alma geçmişi ve sadakat verileri gibi daha uzun vadeli bilgilerle birleştirilebilir.

Yüksek hacimli kişiselleştirme iş yüklerinde, düşük gecikmeli bir operasyonel veri deposu, güncel müşteri bağlamını hızlı bir şekilde okumak ve güncellemek için gereken altyapıyı sağlayabilir. Google Cloud Bigtable, yüksek verim ve düşük gecikme gerektiren iş yükleri için tasarlanmış, tamamen yönetilen bir dağıtık NoSQL veritabanıdır. Bu özellikleri sayesinde gecikmeye duyarlı, müşteriye dönük kişiselleştirme motorlarının ihtiyaç duyduğu eş zamanlı okuma ve yazma işlemlerini destekleyebilir.

3. Müşteri Bağlamını Ürün Bağlamıyla Birleştirin

Müşterinin neyle ilgilendiğini bilmek tek başına yeterli değildir. Perakendecinin aynı zamanda o anda gerçekten ne satabildiğine ilişkin güncel bir görünümü olması gerekiyor. Bu nedenle öneri sistemleri şu tür güncel ürün bilgilerine erişebilmelidir:

• Ürün özellikleri
• Kategori
• Fiyat
• Promosyonlar
• Stok durumu
• Envanter
• Mağaza konumu
• Marka
• Ürün ilişkileri
• Sezona uygunluk

Bu önemlidir; çünkü bir öneri, perakendeci o ürünü gerçekten sunabiliyorsa anlamlıdır. Bu nedenle model çıktısı müşteriye sunulmadan önce ürün bulunabilirliği, stok, fiyat, promosyon, ürün çeşitliliği ve diğer iş kuralları da dikkate alınmalıdır. Güncel ürün, stok, fiyat ve promosyon sinyalleri karar verme döngüsüne sürekli olarak dahil edilmelidir.

Bu mimaride olay akışlarından yararlanılarak ürün kataloğu ve operasyonel veriler, düşük gecikmeli müşteri bağlamı katmanıyla birlikte sürekli olarak dağıtılabilir. Böylece verilen kararlar güncel stok durumunu ve iş kurallarını yansıtmış olur.

4. Sonraki En İyi Deneyimi Sunun

Müşteri bağlamı ile ürün bağlamı bir araya geldiğinde, yapay zekâ modelleri öneriler oluşturabilir ve farklı temas noktalarında deneyimi kişiselleştirebilir.

Aynı temel bağlam şu alanların tamamını etkileyebilir:

• Arama: Hangi ürünler üst sıralarda görünmeli?
• Ürün sayfaları: Hangi alternatif veya tamamlayıcı ürünler gösterilmeli?
• Kategori sayfaları: Hangi ürünler daha görünür olmalı?
• Öneri alanları: Müşteriye sırada ne gösterilmeli?
• Promosyonlar: Müşterinin o anki niyetine en uygun teklif hangisidir?
• Ticari sunum (Merchandising): Hangi ürünlerin ilgisi gerçek zamanlı olarak artıyor?

Böylece her müşteri aksiyonuyla kendini güncelleyen bir geri besleme döngüsü oluşur:

Etkileşim → Bağlam güncellemesi → Tahmin → Öneri → Yeni etkileşim

Gerçek Zamanlı Kişiselleştirmenin Arkasındaki Mimari

Basitleştirilmiş bir mimari şu şekilde görünebilir:

Bu mimari, perakendecilerin genellikle tek bir platformla çözmeye çalıştığı iki şeyi birbirinden ayırır: müşteriyi anlamak ve deneyimi sunmak. İlki, sürekli güncellenen verilere ihtiyaç duyar. İkincisi ise düşük gecikmeli karar alma yeteneği gerektirir. Her ikisinin birlikte çalışması gerekir.

Soğuk Başlangıç Sıfır Veri Anlamına Gelmek Zorunda Değil

Bu yaklaşımın en önemli sonuçlarından biri, “soğuk başlangıç” sorununun illa ki “hiç bilgi olmaması” anlamına gelmediğidir. Yeni bir müşterinin satın alma geçmişi olmayabilir, ancak perakendeci saniyeler içinde değerli bağlamsal sinyallere sahip olabilir.

Üç farklı ziyaretçi düşünün:

• Ziyaretçi A “kadın su geçirmez doğa yürüyüşü ceketi” araması yapıyor.
• Ziyaretçi B “50 doların altında çocuk okul sırt çantası” araması yapıyor.
• Ziyaretçi C “üst segment gürültü engelleyici kulaklık” araması yapıyor.

Üçü de siteye ilk kez geliyor. Ağırlıklı olarak geçmiş müşteri etkileşimlerine dayanan bir sistem, başlangıçta bu kullanıcıları birbirinden ayırmak için daha az veriye sahiptir. Gerçek zamanlı bir sistem ise daha ilk etkileşimlerden her müşteri hakkında önemli bir şey öğrenmiş olur. Niyetleri farklı olabilir ve deneyim de buna göre değişebilir.

Perakendecinin kişiselleştirmeye başlaması için müşterilerin uzun vadeli bir geçmiş oluşturmalarını beklemesi gerekmez.

Aynı İlke Yeni Ürünler İçin de Geçerlidir

Soğuk başlangıç sorunu yalnızca müşterilerle sınırlı değildir. Perakendecilerde bir de ürünlerin soğuk başlangıç sorunu vardır.

Piyasaya yeni sürülen bir ürünün henüz tıklama, satın alma, değerlendirme veya öneri geçmişi yoktur. Bu durum, geleneksel işbirlikçi filtreleme (collaborative filtering) yaklaşımlarının ürünün nereye ait olduğunu anlamasını zorlaştırabilir.

Yapay zeka, ürün hakkında zaten mevcut olan bilgileri karar sürecine dahil ederek bu sorunun aşılmasına yardımcı olabilir:

• Ürün açıklamaları
• Görseller
• Kategoriler
• Nitelikler
• Marka
• Fiyat
• İlişkili ürünler
• Stok bilgisi

Bu bilgiler, yeterli etkileşim geçmişi oluşmadan önce bile yeni ürünün mevcut ürünler arasındaki konumunu anlamaya yardımcı olabilir. Böylelikle perakendede davranışsal sinyalleri ürün semantiği ve gerçek zamanlı bağlamla birleştiren daha kapsamlı bir kişiselleştirme yaklaşımı ortaya çıkar.

Gecikme Neden Bir İş Problemine Dönüşür?

Bir öneri sistemi son derece doğru sonuçlar üretebilir, ancak yanıt vermesi çok uzun sürüyorsa ticari açıdan yine de başarısız olabilir. Çünkü perakende deneyimi, müşterinin yolculuğu devam ederken gerçek zamanlı olarak yaşanır.

Bir müşteri, bir sonraki ekranda ne gösterileceğini hesaplayan öneri motorunun çalışması için birkaç saniye beklemek istemez. Bu nedenle mimarinin bir etkileşim ile o etkileşime dayalı karar arasındaki süreyi mümkün olduğunca kısaltması gerekir. Bu nedenle temel veri altyapısı kritik öneme sahiptir.

• Bir akış katmanı olayları hızla taşır.
• Düşük gecikmeli bir operasyonel veri deposu, mevcut bağlamı erişilebilir tutar.
• Yapay zeka modelleri bağlamı tahminlere dönüştürür.
• Ölçeklenebilir bir sunum katmanı, sonucu uygulamaya iletir.

Dağıtık akış ve düşük gecikmeli depolama katmanları olayların hızlı şekilde güncellenmesini desteklerken, konteyner orkestrasyonu ve ayrılmış hesaplama (compute) kümeleri uygulama ve çıkarım (inference) katmanlarını çalıştırabilir.

Kendi öneri ve çıkarım servisleri geliştiren perakendeciler için Google Kubernetes Engine (GKE) gibi yönetilen Kubernetes platformları, konteyner tabanlı servisleri ve yapay zeka iş yüklerini dağıtmak için ölçeklenebilir bir ortam sunabilir. Mimariye ve operasyonel gereksinimlere bağlı olarak, yönetilen diğer sunum seçenekleri de uygun olabilir.

Gizlilik ve Kalıcı Profil Oluşturmadan Uzaklaşma

Perakendede kişiselleştirmeyi yeniden düşünmek için bir başka neden de gizlilik konusudur. Tüketiciler daha anlamlı ve ilgili deneyimler beklerken, verilerinin nasıl toplandığı ve kullanıldığı konusunda da daha bilinçli hâle gelmektedir.

Faydalı bir ilk deneyim sunmak için perakendecinin her ziyaretçi hakkında kapsamlı ve kalıcı bir profil oluşturması şart değildir. Mevcut oturumdaki sinyaller, müşterinin o anki niyeti hakkında anında bağlam sağlayabilir. Oturum bazlı kişiselleştirme, kalıcı müşteri profillerine olan ihtiyacı azaltabilir. Yine de kişiselleştirmede kullanılan verilerin geçerli gizlilik gereksinimlerine uygun şekilde toplanması, işlenmesi, saklanması ve yönetilmesi gerekir.

Örneğin, bir perakendeci bir müşterinin o anda koşu ekipmanlarıyla ilgilendiğini anlayabilir. Bunun için müşterinin tüm gezinme geçmişini veya demografik profilini bilmesi gerekmez. Bu yaklaşım, kişiselleştirmeyi kalıcı kimlikten çok mevcut müşteri niyeti etrafında tasarlamak için bir fırsat sunar. Aynı zamanda uygun gizlilik ve veri yönetişimi kontrolleri de korunabilir.

Perakendeciler Nereden Başlamalı?

Yapılacak en büyük hatalardan biri, bunu yalnızca bir yapay zeka modeli projesi olarak ele almak olur. Model yalnızca bileşenlerden biridir. Perakendeciler öncelikle gerçek zamanlı kişiselleştirmenin güvenilir bir şekilde çalışmasını sağlayan veri ve uygulama temellerini oluşturmalıdır.

1. İş değeri en yüksek müşteri sinyalleriyle başlayın ve bu sinyallerin doğru zaman damgaları, kimlik bilgileri ve ürün ilişkileriyle tutarlı şekilde yakalandığından emin olun.

2. Bu sinyalleri bir akış mimarisi üzerinden erişilebilir hâle getirin.

3. Müşteri ve ürün bağlamının düşük gecikmeli bir temsilini oluşturun.

4. Güncel stok ve katalog bilgilerini sisteme dahil edin.

5. Öneri veya sıralama modellerini devreye alın.

6. Yalnızca model doğruluğuna değil, iş sonuçlarına da odaklanarak ölçüm yapın.

İzlenebilecek metrikler arasında şunlar yer alabilir:

• Dönüşüm oranı
• Sepete ekleme oranı
• Ortalama sipariş tutarı (AOV)
• Oturum başına gelir
• Aramadan ürüne geçiş ve etkileşim oranı
• Önerilerle etkileşim
• Ürün keşfi
• Tekrar satın alma
• Promosyon etkinliği

Amaç, bir müşterinin neye tıklayabileceğini tahmin etmekten ziyade perakendecinin daha iyi bir alışveriş deneyimi yaratmasına ve ölçülebilir iş değeri üretmesine yardımcı olmaktır.

Soğuk Başlangıçtan Sürekli Kişiselleştirmeye

Perakendecilerin geleneksel öneri sistemleri ile yapay zeka destekli kişiselleştirme arasında seçim yapmasına gerek yok. Daha pratik bir yaklaşım, her ikisinin de güçlü yönlerini bir araya getirmektir:

• Geçmiş veriler güçlü bir temel sağlayabilir.
• Gerçek zamanlı sinyaller anlık bir bağlam sunabilir.
• Yapay zeka, müşteri davranışı ve ürün bilgileri arasındaki karmaşık örüntüleri yorumlamaya yardımcı olabilir.
• Akış altyapısı, bu sinyalleri ihtiyaç duyuldukları anda erişilebilir hâle getirebilir.
• Düşük gecikmeli sunum altyapısı, alışveriş deneyimini kesintiye uğratmadan tahminleri müşteri deneyimine dönüştürebilir.

Kişiselleştirme katmanı, ilk anlamlı etkileşimden itibaren uyum sağlamaya başlayabilir. Her yeni olay, müşterinin o anki bağlamını günceller ve kapsamlı bir müşteri geçmişinin oluşmasını bekleme ihtiyacını azaltır. Böylece devam eden oturum, değerli bir bağlama dönüşür ve her yeni ziyaretçinin tamamen yabancı bir kullanıcı gibi ele alınmasının önüne geçilir. Perakendeci, yalnızca geçmiş davranışlara güvenmek yerine müşterinin gerçek zamanlı aksiyonlarına anında yanıt verebilir.

İlgili sonuçları hızlı ve iyi bir müşteri deneyimiyle sunmada rekabet eden perakende işletmeleri için soğuk başlangıç sorununu hafifletmek, daha fazla veri toplamakla değil, doğru veriyi gerçek zamanlı olarak harekete geçirmekle ilgili hale gelebilir.

Kartaca Nasıl Yardımcı Olabilir?

Gerçek zamanlı olarak yapay zeka destekli kişiselleştirme oluşturmak, mevcut bir e-ticaret platformuna bir öneri modeli eklemekten çok daha fazlasını gerektirir.

Perakendecilerin müşteri etkileşimlerini, ürün bilgilerini, stok verilerini, analitiği ve yapay zeka servislerini birbirine bağlayabilmesi; aynı zamanda müşteriye dönük uygulamaların ihtiyaç duyduğu performansı koruyabilen bir veri mimarisine ihtiyacı var.

Kartaca olarak, perakende işletmelerinin toplu (batch) odaklı analitikten gerçek zamanlı zekaya geçmesi için gereken bulut ve veri temellerini oluşturmalarına yardımcı oluyoruz. Google Cloud, veri analitiği, yapay zeka, bulut mimarisi ve yazılım mühendisliği alanlarındaki uzmanlığımızla, perakendecilerin mevcut mimarilerini değerlendirmelerine, gerçek zamanlı veri işlem hatları tasarlamalarına, veri platformlarını modernize etmelerine ve yapay zeka destekli müşteri deneyimleri için gereken altyapıyı inşa etmelerine destek sağlıyoruz.

İlgili her müşteri sinyalini daha zamanında, bağlamsal ve değerli bir perakende deneyimi sunma fırsatına dönüştürmeye başlamak için bizimle iletişime geçin.

Faydalı Kaynaklar

• Perakendede soğuk başlangıç sorununu çözme: Malachyte’ın öneri sistemi
• Öneriler katılım (onboarding) kontrol listesi
• Kullanıcı olayları (user events) hakkında
• Öneri modelleri
• Pub/Sub nedir?
• Managed Service for Apache Kafka genel bakış
• Cloud Bigtable
• Model çıkarımı (inference) hızlı başlangıç kılavuzu
• Kullanıcı olaylarını içe aktarma