Hangi Kanal Gerçekten Satış Getirdi? Attribution, MMM ve Incrementality Arasındaki Fark

Bir müşteri Instagram’da reklamınızı gördü. Birkaç gün sonra Google’da markanızı aradı. Organik sonuca tıkladı, ürünü inceledi, sepeti bıraktı. Akşam gelen e-postadan geri dönüp satın aldı.

Satışı hangi kanal getirdi?

E-posta mı?

Google mı?

Instagram mı?

Yoksa müşteri zaten satın almaya karar vermişti ve bu temaslardan hiçbiri olmasa da aynı siparişi verecek miydi?

Pazarlama ölçümünün en önemli sorunu burada başlıyor. Bir dönüşümün hangi kanala yazılacağı ile o kanalın dönüşümün ortaya çıkmasına gerçekten ne kadar katkıda bulunduğu aynı problem değil.

Attribution (ilişkilendirme), incrementality (artış) testleri ve Marketing Mix Modeling (pazarlama karması modellemesi) aynı şeyin farklı isimleri değildir. Üçü de aynı satışa farklı pencerelerden bakar.

Attribution bize satış alkışını ilk kimin alacağını söyler

Attribution modelleri satışı kimin yaptığını değil, kredinin kanallar arasında nasıl paylaşılacağını belirler.

Last-click (son tık) kullanırsak örneğimizde e-posta bütün krediyi alabilir.

First-click (ilk tık) Instagram’ı öne çıkarabilir.

Daha eski doğrusal modeller krediyi temas noktaları arasında eşit bölebilirdi.

Veri odaklı ilişkilendirme ise yolculuktaki farklı etkileşimlerin dönüşüm olasılığıyla ilişkisini modelleyip krediyi algoritmik olarak dağıtmaya çalışır.

Bugün GA4 üç ana modelle çalışıyor: veri odaklı (data-driven), ücretli/organik son tık ve yalnızca Google ücretli kanallar son tık. Google Ads ise kural tabanlı eski modelleri rafa kaldırdı; artık sadece veri odaklı ve son tık modellerini destekliyor.

Bu modellerden birini seçtiğimizde geçmiş değişmiyor.

Aynı satın alma farklı biçimde paylaştırılıyor.

Bu basit ayrım önemli çünkü pazarlama raporlarında “kanal 500 satış getirdi” cümlesi çoğu zaman aslında “kullandığımız atıf modeli bu kanala 500 dönüşümlük kredi verdi” anlamına geliyor.

İki cümle birbirine benziyor. Kanıt düzeyleri aynı değil.

Veri odaklı data-driven her şeyi çözer mi?

Kural tabanlı modellerin zaafı kolay görülüyor: krediyi önceden belirlenmiş bir kuralla dağıtıyorlar.

Veriye dayalı ilişkilendirme daha sofistike.

Google, GA4’teki DDA modelinin sadece dönüşümle biten değil, dönüşmeyen yolları da incelediğini belirtiyor. Zaman, cihaz ve etkileşim sırasını analiz eden model, her temas noktasının dönüşüm olasılığını hesaplıyor. Ayrıca counterfactual (karşılaştırmalı) yaklaşım ve randomize deney verileriyle, Google reklamlarının gerçek etkisini daha doğru modelliyor.

Bu, “DDA yalnız korelasyona bakar” demeyi fazla basit hale getiriyor.

Fakat diğer uçta da sorun var.

DDA (Data-Driven Attribution / Veri Odaklı İlişkilendirme) bir holdout deneyi değildir. "Bu kampanyayı hiç yürütmeseydik toplam satış ne kadar düşerdi?" sorusuna doğrudan cevap veremez; yalnızca gerçekleşmiş yolculuklar üzerinden kredi dağıtır.

Üstelik model kişiye özel. İşletme, kullanılan bütün parametreleri ve ağırlıkları kendi kontrol etmiyor.

Özetle DDA, last-click modelinden katbekat daha zengin bir resim çizer. Ancak bu durum, DDA’yı "satışın arkasındaki asıl sebebi" gösteren hatasız bir hakem yapmaz.

Platformlar aynı satışı kendilerine yazabilir

Sorun yalnız atıf modelinde değil. Aynı müşteri birden fazla reklam platformuyla temas ettiğinde her platform yolculuğu kendi penceresinden görüyor.

Meta reklamını görmüş olabilir.

Google reklamına tıklamış olabilir.

Bir affiliate linkinden geçmiş olabilir.

Sonra satın almış olabilir.

Meta kendi raporlama kurallarına göre dönüşüm yazar, Google da aynı satışı kendi payına ekler. Üstelik click-through, view-through (gör-geç) ve engaged-view (izle dönüş) pencerelerinin farklılığı eklenince tablolar tamamen ayrışır.

Google Ads’te tıkla-dönüşüm (click-through) penceresi varsayılan 30 gün, gösterim-dönüşüm (view-through) ise sadece 1 gündür. Gösterim penceresini uzattığınızda, raporlardaki dönüşüm sayısının yapay şekilde fırlayacağını Google’ın kendisi de açıkça söyler.

Burada matematik hatası yok.

Ölçüm perspektifleri farklı.

Bu yüzden üç platformun dashboard’unda görünen dönüşümleri toplayıp “toplam satışımız budur” diyemeyiz. Platform atıf raporu ile işletmenin gerçek işlem verisini ayrı okumak gerekir.

Yine panellerin sunduğu ROAS (reklam harcaması getirisi) ile gerçek ek getiri (incremental ROAS) asla aynı şey değildir..

Panel size sadece seçilen attribution kuralına göre dönüşüm değerinin harcamaya oranını gösterir. O reklamlar hiç olmasaydı bu satışların ne kadarının zaten gerçekleşeceği ise tamamen ayrı bir konudur.

Incrementality (artımlı getiri / net ek etki) devreye giriyor

Incrementality’nin sorduğu soru daha sert:

Bu reklam veya pazarlama faaliyeti olmasaydı ne olurdu?

Bunun cevabı doğrudan gözlenemez. Aynı kullanıcıyı aynı anda hem reklam görmüş hem reklam görmemiş halde izleyemeyiz.

Bu yüzden bir olgusal bir durum yaratmaya çalışırız.

Rastgele kontrollü deneylerde benzer kitle veya bölgeler ikiye ayrılır: Bir gruba reklam gösterilir, kontrol (holdout) grubu ise reklamsız bırakılır. İki grup arasındaki satış farkı, reklamın yarattığı net ek etkiyi (incremental etki) verir.

Bu yaklaşımın neden önemli olduğunu dijital reklam tarihindeki bazı büyük saha deneyleri oldukça iyi gösteriyor.

Blake, Nosko ve Tadelis’in meşhur eBay araştırması, arama reklamlarındaki dönüşüm rakamlarının gerçek deneysel etkiden çok daha şişkin görünebildiğini kanıtladı. Deneyde, özellikle marka kelimelerinde (brand search) kısa vadede hiçbir net ek fayda görülmedi; marka dışı aramalarda ise düzenli müşterilerle yeni kullanıcıların tepkileri tamamen ayrıştı. Bu çalışma "Marka reklamları hiçbir işte yaramaz" demiyor; ancak panellerdeki yüksek dönüşüm oranları ile gerçek ek getiri (incremental return) arasındaki devasa uçurumu gözler önüne seriyor.

Facebook üzerindeki 15 büyük saha deneyinde Gordon ve arkadaşları, panel verilerine dayalı gözlemsel yöntemleri RCT sonuçlarıyla kıyasladı. Yaklaşık 500 milyon kullanıcı ve 1,6 milyar gösterimi içeren araştırma net bir gerçeği ortaya koydu: Devasa kullanıcı verisi kullanılsa bile gözlemsel attribution modelleri, randomize deneylerin yakaladığı gerçek net etkiyi doğru biçimde kopyalayamıyor.

Yakın tarihte 663 Meta deneyi üzerinde yapılan dev ölçekli araştırma da aynı gerçeği doğruladı: Binlerce kullanıcı verisine erişebilen en gelişmiş algoritma ve gözlemsel modeller bile, gerçek deneylerin sunduğu artımlı etkiyi (experimental lift) tutarlı biçimde yakalamakta çaresiz kaldı.

Bu bulgular attribution’ı değersiz yapmıyor.

Sadece onu nedensel deneyler ile aynı kanıt sınıfına koymamamız gerektiğini söylüyor.

Tıklama bazen reklam etkisinin büyük bölümünü kaçırabilir

Incrementality (artımlılık olarak çevirelim) araştırmalarının ilginç taraflarından biri, “reklam işe yaradıysa kullanıcı tıklamıştır” varsayımını da bozması.

Lewis ve Reiley’nin 1,6 milyon müşterilik Yahoo saha deneyinde çevrimiçi reklamlar toplam satın almaları yaklaşık yüzde 5 artırdı. Artışın yüzde 93’ü fiziksel mağazalarda gerçekleşti; incremental artışın yüzde 78’i ise reklama hiç tıklamayan kullanıcılardan geldi.

Bu tek çalışmadan “tık ölçmeyin” sonucu çıkmaz.

Ancak bu durum, tıkla-ilişkilendirmenin (click attribution) reklamın tüm gücünü ölçebildiği anlamına gelmez. Özellikle marka, video, display veya fiziksel (offline) satışları besleyen yatırımlarda, tüketicinin zihnindeki yolculuk paneldeki tıklama zincirinden çok daha geniştir.

Deney de kusursuz bir gerçeklik makinesi değil

Rasgeleleştirme nedensellik için çok güçlü bir araç.

Ama “RCT yaptık, artık gerçeği biliyoruz” demek de fazla rahat.

Randall Lewis ve Justin Rao, 25 dev reklam saha deneyini inceledikleri araştırmalarında reklam ROI’sini (yatırım getirisi) hassas biçimde ölçmenin ne kadar zor olduğunu kanıtladı.

Tüketici davranışındaki doğal dalgalanmalar yüksek, reklamın kişi başındaki net etkisi ise küçük kaldığından güven aralıkları (confidence intervals) aşırı genişler. İnceledikleri vakalarda medyan ROI güven aralığı 100 yüzde puanın üzerindeydi; yani istatistiksel güce (statistical power) ulaşmak için milyonlarca gözlem gerekiyordu.

Küçük bir işletmenin ayda birkaç yüz dönüşümle aynı hassasiyette lift testi yapamaması bu yüzden şaşırtıcı değil.

Deney ayrıca yalnız test ettiği koşulu ölçer.

Belirli kampanya.

Belirli dönem.

Belirli hedef kitle.

Belirli bütçe.

Bu bütçeyi iki katına çıkardığımızda aynı etki devam edecek mi? Başka bir sezonda ne olacak? Kampanyanın uzun dönem marka etkisi var mı?

Ayrı sorular.

Incrementality güçlü kanıt üretir ama bütün pazarlama sisteminin tek seferde haritasını çıkarmaz.

MMM ise müşterinin izini değil, sistemin hareketini okuyor

Pazarlama Karması Modellemesi (Marketing Mix Modeling) farklı bir seviyede çalışır.

Tek bir kullanıcının reklamdan reklama nasıl geçtiğini takip etmek yerine zaman içinde satış, medya yatırımı, fiyat, promosyon, sezonsallık ve mümkün olduğunda başka iş değişkenleri arasındaki ilişkiyi toplulaştırılmış veride modellemeye çalışır.

Bu nedenle TV, açıkhava, podcast veya offline satış gibi user-level attribution’ın zayıf kaldığı alanları da aynı resme dahil edebilir.

Modern MMM eski basit regresyonlardan ibaret değil.

Google’ın açık kaynaklı Meridian sistemi, bu noktada Bayesyen (Bayesian) bir mimariyle sahneye çıkar; gecikmeli reklam etkisini (adstock/carryover), azalan verim eğrisini (diminishing returns) ve erişim-sıklık (reach-frequency) dengesini tek bir yapıda modelleyebilir. Üstelik Google, Meridian GeoX deneylerinin sonuçlarını Bayesyen önsel veriler (Bayesian priors) olarak MMM’e aktaran doğrudan bir kalibrasyon katmanı da sunuyor.

Burada dikkat edilmesi gereken kelime “model”.

MMM’den çıkan kanal katkısı doğrudan gözlenen gerçek değil; veri ve varsayımlar altında tahmin edilen bir sonuç.

Google’ın kendi güncel Meridian metodolojisi de bu gerçeği saklamıyor: MMM, gözlemsel veri (observational data) üzerinden nedensel çıkarım (causal inference) yapabilir; ancak bunun geçerli olması tüm kritik kafa karıştırıcı değişkenlerin (confounder) doğru yönetilmesine ve aracı değişkenlerin (mediator) kontrol değişkeni yapılmamasına bağlıdır. Çok yüksek bir $R^2$ (açıklayıcılık katsayısı) değeri bile tek başına modelinizin gerçekten nedenselliği yakaladığını kanıtlamaz.

Dolayısıyla “MMM nedensellik ölçmez” fazla sert.

“MMM bize gerçek causal ROI’ı otomatik verir” de fazla iddialı.

Doğru cevap varsayımların, verinin ve model tasarımının kalitesine bağlı.

En güçlü fikir tek bir yöntem seçmek olmayabilir

Attribution (dönüşüm ilişkilendirme), Incrementality (deneysel ek etki) ve MMM (pazarlama karması modellemesi) rakip değil, müttefiktir. Her biri pazarlama bütçenizi yönetirken farklı bir ölçekte ve farklı sorulara yanıt verir.

Gerçekte üçü farklı karar katmanlarında daha kullanışlı olabilir.

Modern ölçümleme dünyasında ilginç gelişme bu yöntemlerin birbirine yaklaşması.

Google Meridian, incrementality deney sonuçlarının MMM önsel verilerini (priors) kalibre etmek için kullanılmasını önemle tavsiye eder. Ancak Meridian dokümantasyonu, deneyler ile MMM’in hedef değişkenlerinin (estimands) her zaman birebir örtüşmediğini dürüstçe kabul eder; farklı zaman pencereleri, bütçe ölçekleri veya kitle tanımları nedeniyle deneysel veriyi modele taşırken ek belirsizlikler doğabileceğini vurgular.

Bu, measurement’ın “tek source of truth” arayışından daha gerçekçi bir yere doğru gittiğini düşündürüyor.

Farklı yöntemler aynı rakamı vermek zorunda değil.

Çünkü aynı soruyu sormuyorlar.

En yüksek ROAS neden her zaman daha fazla bütçe istemez?

Bir kanal 6 ROAS, diğeri 3 ROAS gösteriyor.

İlk refleks bütçeyi birincisine taşımak.

Fakat bu karar iki önemli bilgiyi atlayabilir.

Birincisi, 6 ROAS atfedilmiş olabilir; kanal zaten satın almaya çok yakın kullanıcıları yakalıyordur.

İkincisi, ortalama ROAS bize bir sonraki 100 bin liranın ne getireceğini söylemez.

Burada Ortalama Getiri (Average Return) ile Marjinal Getiri (Marginal Return) ayrımı devreye giriyor.

Bir kanal düşük bütçede harikalar yaratabilir; ancak ölçeklendikçe aynı kitleye doygunluk verir, pahalı envantere girer ve azalan verim (diminishing returns) duvarına çarpar.

Modern MMM modellerinin tepki ve doygunluk eğrilerini (response and saturation curves) kullanarak yanıt aradığı ana sorulardan biri de tam olarak bu.

Bu nedenle bütçe kararında daha kullanışlı soru:

Bakış açısını “Geçmişte bu kanal ne kadar ROAS getirdi?” sorusundan kaydırıp şu soruya odaklamak gerekir: “Sisteme koyacağımız bir sonraki bütçe biriminden beklediğimiz net ek getiri (incremental return) ne ve bu tahminin belirsizlik payı ne kadar?”

Pazarlama ölçümünün amacı mükemmel bir sayı bulmak değil

Ölçüm teknolojileri geliştikçe pazarlama yöneticisinin önünde giderek daha fazla sayı var.

Platform ROAS.

GA4 revenue.

Attribution model comparison.

Incremental lift.

MMM ROI.

Marginal ROI.

CRM revenue.

Bunların farklı çıkması ilk bakışta sistemin bozuk olduğunu düşündürebilir.

Bazen tam tersidir.

Farklı yöntemler farklı veriyi, farklı zaman pencerelerini ve farklı bir karşılaştırma senaryosunu (counterfactual) temel alıyorsa, sonuçların birebir aynı çıkması zaten beklenemez.

Yetkin bir ölçümleme yapısının amacı, panellerde “tek ve mutlak gerçeği” ilan etmek değildir. Asıl olgunluk, hangi yöntemin ürettiği verinin hangi stratejik kararı destekleyeceğini bilmekten geçer.

Günlük kampanya optimizasyonunda platform ve attribution (atıf) verisi çok değerli olabilir.

“Bu kampanya gerçekten ek satış yarattı mı?” sorusunda kontrollü deney daha güçlü kanıt sunabilir.

“Önümüzdeki yıl toplam medya bütçesini kanallar arasında nasıl dağıtmalıyız?” sorusunda iyi tasarlanmış ve mümkün olduğunda deneylerle kalibre edilmiş bir MMM daha uygun olabilir.

Ve bazen veri hiçbirinden güçlü bir sonuç çıkarmaya yetmez.

Bu da bir ölçüm sonucudur.

Bütçeyi büyütmeden önce pazarlama yöneticisinin sorması gereken soru bu nedenle “dashboard’da en yüksek ROAS hangi kanalda?” ile bitmemeli.

Daha zor olanı sormak gerekir:

Bu kanal satışa ne kadar kredi aldı ne kadar ek satış yarattığına dair hangi kanıtımız var ve buraya bir sonraki lirayı koyduğumuzda aynı getirinin devam edeceğini düşünmek için ne biliyoruz?

Bu üç sorunun cevabı aynı tabloda bulunmayabilir.

İyi pazarlama ölçümünün işi de zaten onları zorla tek sayıya çevirmek değil; aralarındaki farkı karar verilebilir hale getirmek.

Kaynaklar

• Blake, T., Nosko, C. & Tadelis, S. — Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment, Econometrica, 2015.
• Gordon, B. R., Zettelmeyer, F., Bhargava, N. & Chapsky, D. — A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook, Marketing Science, 2019.
• Lewis, R. A. & Rao, J. M. — The Unfavorable Economics of Measuring the Returns to Advertising, The Quarterly Journal of Economics, 2015.
• Lewis, R. A. & Reiley, D. H. — Online Ads and Offline Sales: Measuring the Effect of Retail Advertising via a Controlled Experiment on Yahoo!, Quantitative Marketing and Economics, 2014.
• Gordon, B. R., Moakler, R. & Zettelmeyer, F. — Close Enough? A Large-Scale Exploration of Non-Experimental Approaches to Advertising Measurement, 2022.
• Google Analytics — Attribution Models / Data-Driven Attribution.
• Google — Meridian Marketing Mix Modeling and Meridian GeoX documentation, 2026.