Marketing Mix Modeling (MMM) Mi, Son Tıklama Atribüsyonu Mu? Bütçelemede Doğru Model

Marketing Mix Modeling (MMM) Mi, Son Tıklama Atribüsyonu Mu? Bütçelemede Doğru Model

Marketing Mix Modeling (MMM) Mi, Son Tıklama Atribüsyonu Mu? Bütçelemede Doğru Model

Yayın Tarihi:

Okuma Süresi: 9 Dakika

Bir platformun yüksek ROAS göstermesi güzel. Ama bütçeyi artırmadan önce o satışın ne kadarının gerçekten reklam sayesinde geldiğini anlamak gerekiyor.

Örneğin bir e-ticaret markasının Google Ads panelinde 1 milyon TL, Meta Ads panelinde 500 bin TL satış raporlandığını düşünelim. Google daha fazla satış geliri raporluyor. Fakat aynı dönemin GA4 ve sipariş sistemi verilerini açtığımızda farklı rakamlarla karşılaşabiliyoruz. Ben böyle bir tabloda doğrudan bütçe aktarmam. Önce kanalların neyi, hangi kuralla ölçtüğünü anlamaya çalışırım.

Bir kullanıcı ürünü Instagram’da görüp YouTube’da araştırabilir, birkaç gün sonra Google’da marka adını aratarak satın alabilir. Son tıklama modeli bu siparişi son uygun tıklamaya yazar. Peki Instagram ve YouTube olmasaydı kullanıcı yine satın alır mıydı? Bunu son tıklama raporu söyleyemez.

 Şekil 1. Müşteri yolculuğu örneği; her temas noktası aynı metrikle değerlendirilemez.

Marketing Mix Modeling (MMM) burada farklı bir bakış açısı sunuyor. Kullanıcının tek tek tıklamalarını izlemek yerine reklam yatırımlarını, satışları, fiyatı ve dönemsel değişimleri birlikte değerlendirip medyanın tahmini ek katkısını hesaplamaya çalışıyor. Yazıda asıl üzerinde duracağım konu, bu iki yaklaşımı hangi bütçe kararında kullanmak gerektiği.

Pazarlama Bütçesi Neden Tek Bir Atribüsyon Modeline Göre Dağıtılmamalı?

Google Ads’te 8, Meta Ads’te 3 ROAS gördüğümüzü varsayalım. Sadece bu değerlere bakarsak bütçeyi Google’a aktarmak isteyebiliriz. Oysa arama reklamı satın almaya hazır kullanıcıyı yakalarken sosyal medya veya video reklamı kullanıcıya ürünü daha önce tanıtmış olabilir.

Burada görmek istediğim şey, reklam olmasa da gerçekleşecek satışların ne kadar olduğu. Yüksek ROAS bu soruyu tek başına yanıtlamıyor.

Burada önemli bir teknik ayrım var: Google Ads ve Meta Ads panelleri doğrudan son tıklama raporu değildir. Platformlar kendi atribüsyon modellerini ve dönüşüm pencerelerini kullanır; uygun olduğunda görüntüleme veya etkileşim verilerini de hesaba katabilir. Aynı sipariş farklı panellerde kredi alabilir. Bu nedenle iki platformun raporladığı geliri toplayıp markanın toplam cirosu olarak kullanmam.

Bir Örnek: Platform ROAS’ı ve GA4 Farkı

Yönettiğim e-ticaret hesaplarında Google Ads ve Meta Ads gelirlerinin GA4 ile uyuşmadığını sık görüyorum. Böyle bir raporda hangi platformun daha yüksek ROAS gösterdiğinden önce aynı siparişin hangi kurallarla sayıldığını araştırırım. Tarih aralığı, saat dilimi, satın alma etkinliği, dönüşüm penceresi ve sipariş paneli ilk kontrollerimdir. Fark her zaman ölçüm hatası değildir; ancak eksik veya çift tetiklenen purchase etkinliğini de yalnızca “atribüsyon farkı” diyerek geçiştirmem.

Son Tıklama Atribüsyonu Hangi Kanalları Olduğundan Daha Başarılı Gösterir?

Son tıklama modeli, satıştan önceki son uygun tıklamaya kredi verir. Bu yüzden marka aramaları, yeniden pazarlama ve satın alma niyeti yüksek sorgular raporda daha güçlü görünebilir.

Brand Search kampanyasının 12 ROAS getirdiğini düşünelim. Kullanıcıların bir kısmı reklamı görmeden de marka adını arayıp sipariş verecekti. Bir kısmı içinse reklam gerçekten fark yaratmış olabilir. Panel bu iki grubu tek başına ayıramaz.

Sepete ürün eklemiş bir kullanıcıya tekrar reklam göstermek satın almayı hızlandırabilir. Ancak kullanıcı zaten sipariş verecekse tüm satış gelirini reklamın ek katkısı sayamayız. Aynı mantıkla üst huni reklamlarının katkısı da son tıklamada olduğundan az görünebilir.

Marketing Mix Modeling Hangi Etkileri Ölçer?

MMM, haftalık veya günlük satışları reklam harcaması, gösterim, fiyat, kampanya dönemi gibi toplulaştırılmış verilerle birlikte analiz eder. Amaç tek bir siparişin son tıklamasını bulmak değil, kanalların toplam satış hareketine ne kadar katkı sağlamış olabileceğini tahmin etmektir.

Modelin sonucu kesin bir satış sayımı değildir; istatistiksel bir tahmindir. Veri kalitesi, değişkenlerin seçimi ve model varsayımları sonucu doğrudan etkiler. Ben bu yüzden MMM çıktısını da mümkün olduğunda kontrollü deneylerle karşılaştırılması gereken bir karar girdisi olarak görürüm.

İki teknik kavramı bilmek yeterli: Adstock, reklamın etkisinin yayınlandığı günle sınırlı kalmayıp sonraki günlere taşınabilmesini anlatır. Doygunluk (saturation) ise bütçeyi iki katına çıkardığımızda satışın da mutlaka iki katına çıkmayacağını gösterir. Grafikteki eğri bu ikinci durumu anlatıyor.

Şekil 2. Bütçe artışı ile ek gelir arasındaki ilişkinin doğrusal olmak zorunda olmadığını gösteren temsili eğri.

Dijital, Offline ve Marka Yatırımlarının Satışa Katkısı

MMM’nin güçlü tarafı dijital kanallarla sınırlı kalmaması. Google Ads, Meta Ads ve YouTube’un yanı sıra TV ve açık hava yatırımları da uygun verilerle modele alınabilir. Örneğin TV reklamından sonra marka aramaları yükseliyorsa son tıklama satışı Search’e yazabilir; MMM, TV’nin bu hareket üzerindeki olası katkısını da incelemeye çalışır.

Influencer çalışmalarında da benzer bir boşluk var. Kullanıcı paylaşımı görüp UTM linkine tıklamadan daha sonra siteye gelebilir. Bu satış Direct veya Organic Search altında göründüğünde yalnızca kupon ve bağlantı raporuna bakarak influencer etkisini tam okuyamayız.

Bir Örnek: Influencer Günlerinde Satış Hareketi

Kişisel bakım alanında çalıştığım bir e-ticaret hesabında influencer paylaşımlarının olduğu günlerde satışların yükseldiğini gördük. Ama bu artışı tek bir platformun ROAS’ı açıklamıyordu. Paylaşım saatlerini toplam satış grafiğiyle eşleştiriyor; GA4’te Direct, Organic Search ve ücretli kanalları, aynı dönemin reklam harcamasını ve indirimlerini birlikte kontrol ediyorum. “Influencer şu kadar ek satış getirdi” diyebilmek içinse ayrıca test veya uygun bir MMM çalışması gerekir.

Bir de marka algısı konusu var. MMM satış üzerindeki tahmini katkıyı inceleyebilir; bilinirlik ve hatırlanma gibi çıktılar için Brand Lift veya ayrı marka araştırmaları gerekir.

Sezonsallık, Fiyat, Kampanya ve Ekonomik Değişkenlerin Ayrıştırılması

Black Friday iyi bir örnek. O hafta reklam bütçesini artırırken indirim de yapıyoruz, alışveriş talebi zaten yükseliyor ve rakipler de kampanyaya giriyor. Satış artışının tamamını reklama yazmak bu yüzden yanlış olur. MMM, fiyatı, promosyonu, stok durumunu ve sezonsallığı birlikte ele almaya çalışır.

Search tarafında ise arama hacmini ayrıca takip etmek gerekiyor. Ürüne yönelik talep yükselince hem reklam tıklamaları hem satış artabilir. Google Meridian, uygun modellerde Google Query Volume verisini bu tür talep değişimlerini ayrıştırmak için kontrol değişkeni olarak kullanabiliyor.

Yine de her değişken modele otomatik eklenmemeli. Üst huni reklamı marka araması yaratıyorsa o aramayı yanlış biçimde kontrol etmek, üst huninin katkısının bir bölümünü gizleyebilir. Burada teknik kurulum kadar neden-sonuç ilişkisini doğru kurmak da önemli.

MMM ve Son Tıklama Atribüsyonu Hangi Kararlarda Kullanılmalı?

KARAR  |  ÖNERİLEN ÖLÇÜM

  • Günlük reklam ve anahtar kelime optimizasyonu → Platform performansı, GA4, kampanya metrikleri
  • Kreatif ve teklif stratejisi analizi → Operasyonel reklam verileri ve deneyler
  • Çeyreklik / yıllık kanal bütçesi → MMM ve artımsal etki analizleri
  • Marka yatırımlarının satışa katkısı → MMM ve satış artımsallığı deneyleri
  • Marka bilinirliği ve algısı → Brand Lift ve marka araştırmaları
  • Reklam olmasaydı kaç sipariş kaybolurdu? → Incrementality deneyleri
  • Ek bütçenin beklenen getirisi → MMM marjinal ROI / ROAS senaryoları

Günlük Kampanya Optimizasyonu ile Stratejik Bütçe Planlaması Arasındaki Fark

Günlük işte Search kampanyasının CPC’si yükselirse arama terimlerine, rekabete ve açılış sayfasına bakarım. Meta Ads’te kreatiflerin CTR, frekans ve dönüşüm performansını incelerim. Bu kararlar için MMM beklemeye gerek yok; kampanya verileri ve gerektiğinde küçük testler daha kullanışlıdır.

Yıllık bütçede ise soru değişir: “Sonraki 100.000 TL’yi hangi kanala ayırırsam daha fazla ek satış ve kâr elde ederim?” Geçmiş ortalama ROAS, ilave bütçenin sağlayacağı marjinal ROAS değildir. Kanal doygunluğa ulaştıysa yüksek geçmiş ROAS’ına rağmen yeni yatırımın getirisi düşebilir.

B2B ve endüstriyel reklam hesaplarında da yalnızca gösterim veya tıklamaya odaklanmam. Çok trafik getiren kampanya, mutlaka en fazla nitelikli talebi getiren kampanya değildir.

Bu yüzden teklif isteği, nitelikli form ve mümkünse CRM’deki satış aşamalarına bakmak gerekir. MMM yapılacaksa modelin hedef değişkeni de uzun B2B satış döngüsüne uygun seçilmelidir.

Marketing Mix Modeling İçin Ne Kadar Veri ve Ölçüm Olgunluğu Gerekir?

MMM için ilk koşul temiz ve karşılaştırılabilir geçmiş veri. Meta Robyn rehberi başlangıç için en az iki yıllık haftalık veri öneriyor; ancak bu her model için kesin bir alt sınır değil. Kanal sayısı, veri sıklığı, bölgesel kırılım ve değişkenlik ihtiyacı değiştirebilir.

MMM için önce doğrulanmış satış ve sipariş verisini, kanal bazında reklam harcaması ve gösterimleri, fiyat ve indirim değişimlerini, stok hareketlerini ve sezonsallığı aynı tarih aralığında toplarım. GA4 zorunlu değildir; e-ticaret veya ERP gelirini temel almak mümkündür. Ancak platform ile GA4 arasındaki ciro farklarında saat dilimini, iadeleri, kanal tanımlarını ve eksik veya çift purchase kayıtlarını kontrol etmeden modellemeye geçmem.

Bir Örnek: Satın Alma Hunisinde Ölçüm Sorunu

Bir e-ticaret projesinde ödeme adımlarını test ederken begin_checkout ve purchase etkinliklerinin her ödeme yönteminde aynı şekilde çalışmadığını gördüm. Bu durumda GA4’te eksik görünen satışı doğrudan “kullanıcı sepette vazgeçti” diye yorumlayamam. Önce test siparişlerini, GTM tetiklemelerini ve GA4 olaylarını kontrol edip sipariş paneliyle karşılaştırmak gerekir. Eksik veya çift tetiklenen event’ler düzeltilmeden bu verilerle daha gelişmiş bir ölçüm modeli kurmak sağlıklı olmaz.

Bu yüzden her marka için hemen MMM projesi önermiyorum. Veri geçmişi kısa veya ölçümü sorunlu bir hesapta önce dönüşüm takibini düzeltmek, ardından kontrollü testlerle ilerlemek daha verimli.

İki Model Farklı Sonuç Verdiğinde Bütçe Kararı Nasıl Alınmalı?

Son tıklama raporu ile MMM farklı sonuç veriyorsa önce bunların farklı şeyler ölçtüğünü hatırlamak gerekir. Biri satış kredisini dağıtır, diğeri toplam satışa tahmini ek katkıyı hesaplar. Aşağıdaki rakamlar gerçek müşteri verisi değil, farkı göstermek için oluşturulmuş varsayımsal bir senaryodur.

KARŞILAŞTIRMA  |  Tamamen varsayımsal örnek

  • Reklam harcaması: Google Brand Search 100.000 TL  |  Meta yeni müşteri kazanımı 120.000 TL
  • Son tıklama geliri: Google 800.000 TL  |  Meta 240.000 TL
  • Son tıklama ROAS: Google 8,00  |  Meta 2,00
  • MMM tahmini artımsal gelir: Google 200.000 TL  |  Meta 420.000 TL
  • MMM tahmini artımsal ROAS: Google 2,00  |  Meta 3,50

 Şekil 3. Son tıklama kredisi ile MMM kaynaklı tahmini ek katkı farklı metriklerdir; görsel tamamen varsayımsaldır.

Tablodaki Google Brand Search son tıklamada daha iyi, Meta yeni müşteri kazanımı ise tahmini artımsal ROAS’ta önde. Buradan “Google bütçesini hemen azaltalım” kararı çıkarmam. Önce modelin belirsizlik aralığını, kanalların doygunluğunu ve ek bütçenin tahmini getirisini kontrol eder; mümkünse küçük bir bölgesel veya kontrollü bütçe testi yaparım.

Bir de kâr tarafı var. Artımsal ROAS 3 ve reklam öncesi katkı marjı %25 ise 1 TL reklam harcaması 3 TL ek ciro, yaklaşık 0,75 TL katkı yaratır. Bu örnekte reklam maliyeti karşılanmıyor. Dolayısıyla bütçe dağıtırken yalnızca ek ciroya değil, ek katkı kârına ve gerekiyorsa müşteri yaşam boyu değerine bakmak gerekir.

MMM, Atribüsyon ve Incrementality Testleri Birlikte Nasıl Kullanılır?

Incrementality testlerinde, reklamın yayınlandığı grupları yayınlanmadığı veya daha düşük reklam yoğunluğu gördüğü karşılaştırılabilir gruplarla karşılaştırırız. Amaç, reklam olmasaydı ne kadar satışın gerçekleşeceğine dair bir karşılaştırma yapabilmek.

Örneğin uygun test ve kontrol bölgelerinde Brand Search yatırımını değiştirip toplam iş sonuçlarını ölçebiliriz. Meta Ads’te uygun lift deneyleri de kullanılabilir. Test tasarımında grupların karşılaştırılabilir olması kritik.

Benim için pratik kullanım şu: Atribüsyon verisiyle günlük optimizasyon yaparım; MMM ile orta ve uzun vadeli kanal bütçesini değerlendiririm; büyük bütçe kararlarını ise mümkün olduğunda incrementality testleriyle kontrol ederim.

Burada testin kapsamı da önemli. Belirli bir bölge, dönem veya bütçe için ölçülen etkiyi bütün yılın kesin sonucu gibi kullanamayız. Google Meridian, deney sonuçlarını modele kalibrasyon girdisi olarak alabilse de belirsizlikleri ayrıca değerlendirmek gerekir.

Peki, Bütçeyi Hangi Veriye Göre Dağıtmalıyız?

Benim yaklaşımım günlük kampanya optimizasyonuyla uzun vadeli bütçe planlamasını ayırmak. Google Ads kampanya yönetiminde ve Meta Ads’te günlük kararlar için platform ve GA4 verilerine bakarım. Ama gelecek dönemin bütçesini yalnızca en yüksek ROAS sıralamasına göre dağıtmam.

Asıl soru, ayıracağımız ek 100.000 TL’nin ne kadar yeni satış ve kâr yaratacağı. MMM ve incrementality bu noktada işe yarar. Her marka için hemen kapsamlı MMM kurmak şart değil; ancak büyük bütçe kararını tek bir platformun raporuna bırakmayı da doğru bulmuyorum.

Kaynakça & Notlar

Buradaki saha örnekleri, çalıştığım farklı hesaplarda karşılaştığım ölçüm ve performans problemlerinin anonim anlatımlarıdır. Gerçek müşteri adı veya finansal veri kullanılmamıştır, örnekler yapılmış bir MMM çalışması gibi sunulmamaktadır. ROAS senaryosu ile sayısal grafikler yalnızca yöntemi açıklamak için hazırlanmıştır.

Marketing Mix Modeling (MMM) Mi, Son Tıklama Atribüsyonu Mu? Bütçelemede Doğru Model
Marketing Mix Modeling (MMM) Mi, Son Tıklama Atribüsyonu Mu? Bütçelemede Doğru Model

SIKÇA SORULAN SORULAR

MMM, medya yatırımları ve fiyat, sezon gibi diğer değişkenleri birlikte analiz ederek toplam satışa tahmini katkıyı ölçmeye çalışan istatistiksel yöntemdir.

Dönüşüm kredisinin son uygun tıklamaya verilmesidir. Reklamın satışa ne kadar ek katkı yarattığını tek başına ölçmez.

Hayır. GA4’ün etkinlik kapsamlı atribüsyon raporlamasında varsayılan yaklaşım veri odaklı atribüsyondur. Etkinlik, oturum ve ilk kullanıcı kapsamlarını birbirinden ayırmak gerekir.

Hayır. Kampanya optimizasyonu için atribüsyon verileri kullanılmaya devam eder; MMM daha çok stratejik bütçe dağılımına yardımcı olur.

Meta Robyn iki yıllık haftalık veriyi önerir; bu evrensel bir zorunluluk değildir. İhtiyaç modelin yapısına ve verinin değişkenliğine göre değişir.

Hayır. Doğrulanmış satış verisi e-ticaret veya ERP altyapısından alınabilir. GA4 dijital kanalların operasyonel analizi için yine değerlidir.

Hayır. Yeni bütçenin beklenen marjinal getirisi, artımsal katkısı ve kârlılığı da değerlendirilmelidir.

Marketing Mix Modeling (MMM) Mi, Son Tıklama Atribüsyonu Mu? Bütçelemede Doğru Model
Marketing Mix Modeling (MMM) Mi, Son Tıklama Atribüsyonu Mu? Bütçelemede Doğru Model

Dijital pazarlama alanında 5 yılı aşkın deneyime sahip olan Durukan Çakır, Google, Meta ve TikTok gibi platformlarda uzmanlaşmıştır. Strateji geliştirme, kampanya optimizasyonu ve bütçe yönetimi konularında markaların hedeflerine ulaşmalarına yardımcı olmaktadır.

Diğer Yazılar

GEO Uzmanı Kimdir? Hangi Becerilere Sahip Olmalı?

02.11.2026 / 17:37

Bir ürün satın almadan veya hizmet sağlayıcı seçmeden önce yapılan araştırmalar artık

Görsel SEO Nedir? Alt Metin, Dosya Adı ve WebP Nasıl Optimize Edilir?

12.10.2026 / 13:44

Bir web sitesindeki görseller, sayfanın görsel bütünlüğünü desteklemenin ötesinde

Retail Media Networks: Türkiye'de Yükselen Kanalda Marka Bütçesi Nasıl Konumlanır?

09.10.2026 / 16:38

Son yıllarda dijital pazarlamada kartlar yeniden dağıtılıyor. Çerezlerin kademeli

Google'da 2. Sayfada Takılı Kalmak: Neden Olur, Nasıl Aşılır?

16.10.2026 / 16:32

Google’da ilk sayfaya çıkmak için önce sayfanın neden geride kaldığını anlamak gerek

Anahtar Kelime Kanibalizasyonu (Keyword Cannibalization) Nedir? Nasıl Tespit Edilir ve Çözülür?

26.10.2026 / 16:20

Anahtar kelime kanibalizasyonu, bir web sitesindeki birden fazla sayfanın aynı veya ç

Eğitim Sektöründe SEO: Öğrenci Kazanımını Destekleyen Organik Büyüme Stratejileri

30.10.2026 / 16:13

Bir veli çocuğu için okul araştırırken eğitim yaklaşımını, kampüsün konumunu ve ka