Günümüz pazarlama dünyasında tüketicilerin birçok kaynaktan çok fazla medya içeriğine maruz kalması, medya planlama sürecinde öne çıkmayı ve farklılaşmayı zorunlu kılıyor. Birçok marka ürünlerini “tüketicilere kişisel bir deneyim sunma” vaadiyle pazarlıyor. Bütçe planlamaları, dijital ve geneksel kanallardaki medya çalışmaları, tüketicilere gönderilen e-bültenler.. Bunların hepsinin tek bir amacı var: Tüketiciyi istenen davranışa teşvik etmek.
Peki hangi tüketiciye hitap edeceğimizi nereden bileceğiz? Hitap ettiğimiz tüketici, gerçekten dönüşüm almaya yakın mı? Medya bütçesini herkese eşit dağıtmak yerine kimlere öncelik vermeliyiz?
Bu soruları cevaplamamız için devreye Propensity Scoring (Eğilim Skorlama) yaklaşımı giriyor.
Propensity Scoring Nedir?
Propensity Scoring, geçmiş kullanıcı verilerini kullanarak, kullanıcıları istenen davranışa olan yakınlıklarına göre skorlayan bir makine öğrenmesi yöntemidir. Propensity modelleri, kullanıcıları belirli sınıflara ayırarak gelecekte hangi kullanıcıların nasıl aksiyon alacağını tahminlememizi sağlar. Bu yaklaşım, kullanıcıları “kim yaptı” bakış açısından “kim daha yatkın” bakış açısıyla değerlendirmemizi sağlar.
Pazarlamada Nasıl Kullanılır?
Pazarlama dünyasında kampanyalar hazırlanırken sınırlı bütçelerle çalışıldığından, aynı mesajla tüm tüketicilere hitap etmeye çalışmak markalar için verimsiz olacaktır. Propensity Scoring, hedef kitlenin tamamına eşit davranmak yerine, önceliklendirmeyi mümkün kılar.
Örnek vermek gerekirse, markanın hedefi öncelikli olarak dönüşüm oranıysa, kullanıcıların o ürünü satın alma ihtimali; abonelik başlatma gibi sadakat çalışmalarının artması ise kayıt olma gibi veriler üzerinde durulur. Bu çalışma ile hangi kullanıcının halihazırda hedefe daha yatkın olduğu, hangi kullanıcıların daha uzak olduğu ve farklı kullanıcı profillerine yönelik nasıl bir kampanya hazırlanacağı belirlenir.
Propensity modelleri, kullanıcıların geçmişteki davranış verileriyle hazırlanır. Bu veriler genellikle:
- Demografik bilgiler (Yaş, lokasyon vb.)
- Davranışsal veriler (Daha önceki satın alımlar, site ziyaretleri, sepet hareketleri ve diğer CRM verileri)
- Medya etkileşimleri (Reklam gösterimleri, tıklamalar vb.)
Bu veriler kullanılarak oluşturulan Propensity modeli, her kullanıcı için 0-1 arasında bir skor oluşturur. Skorun 1’e yaklaşması, ilgili aksiyonun gerçekleşme ihtimalinin yüksek olduğunu gösterir.
Gerçek senaryolarda bu skorlar tek başına kullanılmadığı için, skorlar belirli segmentlere ayrılır ve her segment için farklı kampanya kararları belirlenir. Örneğin, yüksek propensity grubundaki kullanıcılar, pazarlama hunisinin (marketing funnel) en alt aşamasında olduğundan dönüşüm odaklı ve doğrudan teklif içeren mesajlarla hedeflenirler. Orta seviyedeki kullanıcılar değerlendirme (consideration) aşamasında olduğundan daha ikna edici ve açıklayıcı iletişim alabilir. Henüz aksiyonla ilgili kararsız, ama ikna edilebilirlerdir. Düşük propensity grubundaki kullanıcıların kısa vadede aksiyon alma ihtimali düşüktür. Bu kullanıcılar huninin en üst kısmında yer aldığından (awareness), bu kullanıcılar için bütçe azaltılması ya da bilinirlik iletişiminin artırılması gibi kararlar alınabilir.
Propensity ve Uplift Arasındaki Fark
Propensity skoru, uplift ile karıştırılabilir. Buradaki en önemli fark, Propensity modeli kullanıcının doğal eğilimini ölçerken, Uplift modellerinin reklam gören kullanıcıları baz alarak kimlerin ikna edildiğini incelemesidir. Burada hangi modelin kullanılacağına dair karar alınırken, öncelikle markanın asıl hedefi, daha sonra ise veri granülaritesi, zaman kısıtlaması, bütçe gibi verimlilikle alakalı faktörlerin dikkate alınması faydalı olacaktır.
Propensity Modelleri Nasıl Oluşturulur?
Propensity modelleri çoğunlukla Python kullanılarak geliştirilir. Pazarlama tarafında en yaygın tercih, lojistik regresyon gibi sonuçları kolay yorumlanabilen modellerdir. Daha karmaşık algoritmalar da kullanılabilir; ancak pazarlama ekipleri için çoğu zaman önemli olan, skorun neden yükseldiğini veya düştüğünü anlayabilmektir. Bu yüzden açıklanabilirlik, model performansı kadar kritik bir faktördür.
Bu noktada Propensity Scoring metodunu, tek başına bir tahmin modeli ya da stratejik bir cevap olarak kullanmaktansa, doğru sorular sorabilmek için kullanılan bir başlangıç noktası, pazarlama kararlarının içine entegre edilen bir filtre gibi düşünmek daha doğru olacaktır. Doğru veri ve doğru beklentiyle tasarlandığında, kampanya içeriği ve bütçe dağılımı gibi kararları sezgisellikten çıkarıp, daha ölçülebilir sonuçlar üzerinden ilerlemizi sağlayan pratik bir araç haline gelir. Bu sayede, markaların stratejik ve operasyonel kararlarını daha bilinçli almasını ve verimliliğin artmasını sağlar.