MMM kurulumu için d-dat ile konuş.
veri toplama → model → 2 yıllık MMM yol haritası
// rehber · marketing mix modelling
Marketing Mix Modelling: Cookie Sonrası Dünyada Bütçe Dağıtımı Rehberi.
Üçüncü-parti cookie kayboldukça MTA tek başına yetmiyor. Marketing Mix Modelling — 1990'lardan beri kullanılan klasik bir istatistiksel yöntem — cookie kullanmadan, aggregate veriyle her kanalın gerçek katkısını ölçer. Bu rehber MMM'in ne olduğunu, MTA'dan farkını, hangi senaryoda kullanılacağını, kurulumu ve yorumlamayı sıfırdan anlatıyor.
// kısa cevap
MMM (Marketing Mix Modelling), aggregate satış ve harcama verisini istatistiksel modelle ilişkilendirerek her kanalın gerçek katkısını ve doygunluk noktasını ölçer. MTA'dan farkı: kullanıcı seviyesinde tıklama yolculuğu yerine haftalık/günlük toplam veriyle çalışır — cookie kaybından etkilenmez. Tipik faydaları: kanallar arası bütçe dağılımı, doygunluk noktası tespiti, halo etki ölçümü, "what-if" senaryoları. Maliyeti: 6-10 haftalık ilk kurulum + 2 yıllık veri ihtiyacı; aylık reklam bütçesi 2M TL+ markalar için ROI verir.
// 01MMM nedir, neden geri döndü?
Marketing Mix Modelling (MMM), 1990'larda P&G ve Unilever gibi FMCG devlerinin, TV reklamlarının satışa katkısını ölçmek için kullandığı klasik bir istatistiksel yöntem. Mantık basit: haftalık satış ile haftalık pazarlama harcaması arasındaki ilişkiyi modelle, dış faktörleri (sezonsallık, makroekonomi, rakip aktivite) kontrol et, her kanalın "gerçek" katkısını çıkar.
2010-2020 arası dijital reklam ekosistemi MTA (multi-touch attribution) ekseninde gelişirken MMM "eski moda" sayılıyordu. 2021'den sonra üç güç MMM'i geri getirdi:
- Üçüncü-parti cookie kaybı. Safari ITP, iOS 14.5+ ATT, Chrome'un (yıllarca süren) cookie kaldırma süreci → MTA'nın temeli olan kullanıcı seviyesinde tıklama izleme zayıfladı.
- Walled garden'lar. Meta, Google, TikTok kendi içlerinde tam veri verirken, kanallar arası karşılaştırma için tarafsız bir ölçüm gerekiyor — MMM tarafsız.
- AI hızlandırması. Google'ın Meridian, Meta'nın Robyn gibi açık kaynak araçlar Bayesian MMM'i bir ay süren bir akademik proje olmaktan çıkarıp 2 hafta süren bir mühendislik işine dönüştürdü.
// modern MMM ≠ klasik MMM
Eski MMM aylık doğrusal regresyon + manuel düzeltmeydi. Modern MMM Bayesian yaklaşımı (Robyn, Meridian, LightweightMMM), adstock (medya etkisinin zamanla azalması) ve saturation curves (doygunluk eğrisi) içerir. Daha güvenilir, daha aksiyon alınabilir.
// 02MMM vs. MTA: hangisi ne zaman?
MMM ile MTA rakip değil tamamlayıcıdır. İkisi farklı sorulara cevap verir; iyi pazarlama operasyonu ikisini birden kullanır.
| Özellik | MMM | MTA |
|---|---|---|
| Veri seviyesi | Aggregate (haftalık/günlük toplam) | Kullanıcı seviyesinde |
| Cookie ihtiyacı | Hiç | Tam bağımlı |
| Veri ihtiyacı | 2 yıl haftalık (~104 hafta) | 30-90 gün |
| Cevapladığı soru | "Bütçeyi kanallar arası nasıl dağıtmalı?" | "Bu dönüşüm hangi tıklamadan geldi?" |
| Karar süresi | Çeyreklik / yıllık stratejik | Günlük / haftalık operasyonel |
| Halo etki | Ölçer (TV → Search etkisi) | Sınırlı |
| Doygunluk noktası | Direkt çıktı | Çıkarılamaz |
| Kurulum maliyeti | Yüksek (6-10 hafta) | Düşük (GTM kurulumuyla) |
| Yenileme | Çeyreklik | Sürekli |
Hangi soruyu hangisine sor?
MMM'e sor: Yıllık 50M TL bütçeyi Google + Meta + TikTok + TV + OOH arasında nasıl bölmeliyim? TV reklamımın search dönüşümlerine halo etkisi var mı? Search'te şu anki seviye doygunlukta mı, %20 daha bütçe eklesem ne olur?
MTA'ya sor: Bu dünkü dönüşüm Google Ads kampanya A'dan mı geldi yoksa Meta retargeting'den mi? Kampanya X'in CPA'sı son 7 günde ne? Hangi anahtar kelime grubu en çok dönüştürüyor?
// pratik öneri
Aylık reklam bütçesi 500K TL altında markalar için MMM'in maliyeti çoğu zaman geri dönmez. Bu seviyede MTA + iyi conversion tracking + dikkatli incrementality testi (geo-lift) çoğu kararı verir. MMM'in ROI'si genellikle 2M TL+ aylık bütçede belirgin hale gelir.
// 03MMM matematiği — sezgisel anlatım
Matematiksel formalliğe boğmadan, modern MMM'in üç temel bileşenini sezgisel olarak açıklayayım.
1. Temel regresyon
İlk yaklaşım: haftalık satışı, haftalık reklam harcamasının fonksiyonu olarak modelle:
Satışt = β0 + β1·Googlet + β2·Metat + β3·TVt + ... + ε
Burada β'lar her kanalın "1 TL daha harcasam ne kadar satış olur?" katsayısı. Ama bu basit hali iki büyük problemi yansıtmıyor: (a) reklam etkisi aynı haftada bitmez, sonraki haftalara taşar; (b) reklam etkisi doğrusal artmaz, doygunluğa ulaşır.
2. Adstock — gecikmeli etki
Bu hafta gördüğün TV reklamı sadece bu hafta değil, belki 4 hafta boyunca etkili. Adstock bu etkiyi modeller:
Adstockt = Xt + λ · Adstockt-1
λ (decay rate) kanaldan kanala değişir. Performans search için λ ≈ 0.1 (etki çok hızlı söner). TV için λ ≈ 0.6 (etki haftalarca taşır). Doğru λ tahmini modelin en kritik adımıdır.
3. Saturation — doygunluk eğrisi
Search'e haftada 100K TL harcıyorsun ve haftalık 200 satış alıyorsun. 200K TL harcasan 400 satış mı alacaksın? Hayır — büyük ihtimalle 320 satış (doygunluk başlıyor). Bunu modelleyen Hill veya S-shape eğrisidir:
Etki = β · Xα / (Xα + γα)
α ve γ parametreleri doygunluğun hızını ve eşiğini belirler. Her kanal için ayrı tahmin edilir. Saturation curves bütçe optimizasyonunun kalbidir — "şu kanal doyduğu için fazlayı şuraya kaydırmalı" cevabını verir.
Bayesian yaklaşım
Modern MMM araçları (Robyn, Meridian, LightweightMMM) bu parametreleri klasik regresyon yerine Bayesian MCMC ile tahmin eder. Bunun pratik avantajı: tek bir nokta tahmin yerine güven aralığı çıkar. "TV'nin ROI'si tam 1.4x" yerine "TV'nin ROI'si %95 güven aralığında 1.1x — 1.7x". İş kararı için bu çok daha sağlıklı.
// 04Veri gereksinimleri ve toplama
MMM'in başarısı %70 oranında veri kalitesine bağlı. İhtiyacın olan üç tip veri:
1. Bağımlı değişken (KPI)
- E-ticaret: haftalık net gelir veya sipariş sayısı.
- SaaS: haftalık yeni MRR veya yeni paid signup.
- Lead-based B2B: haftalık SQL (sales-qualified lead).
- Marka: haftalık brand awareness puan (anketler) veya brand search hacmi.
2. Pazarlama harcaması (medya değişkenleri)
- Her kanal için haftalık harcama (TL veya impression).
- Mümkünse alt-kanal düzeyinde: Google Ads → Search vs. Performance Max vs. YouTube.
- Kreatif rotasyonu önemli: yeni kreatif geldiğinde aynı bütçenin etkisi farklı.
3. Kontrol değişkenleri
Satışı pazarlama-dışı sebepler de etkiler. Bunları modele eklemezsen, etkilerini yanlışlıkla pazarlama kanallarına atfeder.
- Sezonsallık: aylar, tatiller, Black Friday, Ramazan.
- Fiyat / promosyon: haftalık ortalama indirim oranı.
- Stok: stok dışı kalan SKU oranı (out-of-stock).
- Makro: döviz kuru, enflasyon, tüketici güveni.
- Rekabet: rakibin kampanya yoğunluğu (proxy: Google Trends).
- Mağaza ağı (omnichannel): aktif mağaza sayısı, açılış-kapanış.
// veri formatı
Tipik MMM veri seti: 1 satır = 1 hafta, sütunlar: tarih, KPI, her kanal için harcama, her kontrol değişkeni. ~104 hafta (2 yıl) için yaklaşık 30-50 sütunluk bir tablo. Excel, BigQuery ya da Snowflake'te durabilir.
// 05Açık kaynak araçlar: Robyn, Meridian
MMM'i sıfırdan kodlamak gerekmiyor. Üç önemli açık kaynak alternatif var, üçü de Bayesian yaklaşımı kullanır.
| Araç | Geliştiren | Dil | Güçlü yan |
|---|---|---|---|
| Robyn | Meta | R | Otomatize hyperparameter tuning, çok zengin görselleştirme, en olgun |
| Meridian | Python | Search vs. demand-generation karması, geo-level destek | |
| LightweightMMM | Python | Daha basit, daha az veri ihtiyacı, eğitimi kolay | |
| PyMC-Marketing | PyMC topluluğu | Python | Tam Bayesian framework, akademik esneklik |
Pratik tavsiye: R'a aşinaysan ve takımın istatistik ehli ise Robyn. Python ekosisteminde çalışıyorsan ve Google Ads ağırlıklı portföy varsa Meridian. İlk kez MMM kuruyorsan ve veri sınırlıysa (1.5 yıl) LightweightMMM.
Üçü de ücretsiz, ama çalıştırmak için bir data scientist ihtiyacın var. Sadece "Robyn'i indirip çalıştırdım" sonuçların yorumlanması, kontrol değişkenlerinin doğru seçimi, model doğrulaması için sektör deneyimi gerektirir. Tipik proje yapısı: 1 data scientist (model) + 1 marketing analyst (yorumlama) + 1 senior strategist (aksiyon).
// danışmanlık
İletişime geç →
// 0610 maddelik kurulum yol haritası
İlk kez MMM kuruyorsan, sıralı 10 adım:
MMM Kurulum Yol Haritası
- Hedef KPI'ı tek bir metriğe sabitle — net gelir mi, sipariş sayısı mı, lead mi? Tek metrik. başlangıç
- 2 yıllık haftalık veriyi topla — KPI + her kanal harcama + kontrol değişkenleri. 1 hafta
- Veri kalitesi audit — eksik haftalar, anomali, kanal taksonomi tutarlılığı (örn. "Google Ads Search" hep aynı mı yazılmış?). 3-5 gün
- Sezonsallık + tatil değişkenlerini ekle — Türkiye için Ramazan, Bayram, Black Friday, Cyber Monday, 11.11, 9 Eylül kampanyası, sömestr.
- Aracı seç — Robyn / Meridian / LightweightMMM. Ekibinin diline göre. 1 gün
- İlk model çalışmasını eğit — varsayılan hyperparameter'larla. Sonuçları sorgula: "TV'nin katsayısı negatif mi? Bu sezgisel mi?" 3-5 gün
- Hyperparameter tuning — adstock decay ve saturation parametrelerini grid search veya Bayesian optimization ile ayarla. 1 hafta
- Doğrulama: out-of-sample tahmin — son 4 haftayı modelden çıkar, modeli geri kalanla eğit, son 4 haftayı tahmin et. Gerçekle karşılaştır. R² 0.8+ ve MAPE %15- olmalı. 2-3 gün
- İncrementality test ile çapraz doğrula — bir kanalda geo-lift veya holdout deneyi yap; MMM'in tahmin ettiği lift ile gerçek lift uyumlu mu? 4 hafta
- Bütçe optimizasyon senaryoları çalıştır — "Mevcut bütçe" vs. "MMM önerdiği yeniden dağıtım" senaryolarını çalıştır, beklenen artışı raporla. 1 hafta
Tipik takvim: 6-10 hafta. Sonrasında çeyreklik yenileme (1-2 hafta) ile model güncel kalır.
// 07Yorumlama: katsayıdan aksiyona
Model çalışınca eline üç ana çıktı geliyor: kanal katkısı, ROI/mROI, doygunluk eğrileri. Bunların pratikte ne anlama geldiği:
1. Kanal katkısı (decomposition)
Toplam satışın yüzde kaçı her kanaldan? Tipik bir e-ticaret çıktısı: %30 organik (baseline), %22 Google Ads, %18 Meta, %12 e-posta, %8 TV, %6 affiliate, %4 OOH. Bu rakam kanalın "ne kadar satış üretti"sini gösterir, "bütçe başına ne kadar üretti"yi değil.
2. ROI ve mROI
ROI kanalın ortalama dönüşüdür: 100 TL Google Ads harcadım, 350 TL satış geldi → ROI 3.5x. mROI ise marjinal dönüş: bir TL daha harcasam ne olur? Doygunluk eğrisinden okunur. Asıl bütçe kararı mROI'ye dayanır:
- Kanal A: ROI 4.0x ama mROI 1.2x (doygunluk yakın) → ek bütçe verme.
- Kanal B: ROI 2.5x ama mROI 2.3x (doygunluğa uzak) → ek bütçe ver.
Ortalama ROI yüksek diye bütçe artırma — marjinal dönüşe bak.
3. Doygunluk eğrisi (saturation curves)
Her kanal için: harcama X-ekseninde, satış Y-ekseninde, S-shape eğri. Eğrinin dirseği doygunluğun başladığı noktadır. Mevcut harcaman dirseğin solundaysa "büyütülebilir"; sağındaysa "doygun, fazla bütçe israf".
// what-if analizi
Modelin asıl gücü senaryo simülasyonudur. "Yıllık 50M TL'yi şu şekilde dağıtsam ne olur?" — model dakikalar içinde tahmin eder. Yıl sonunda "şu olsaydı şu olurdu" tartışması yerine kararı modele soruyorsun.
// 08Yaygın 5 hata
Hata 1: Kontrol değişkenlerini atlamak
Promosyon haftalarını veya stok dışı kalmayı modele eklemezsen, model bu etkileri yanlışlıkla pazarlama kanallarına yükler. Çözüm: İş tarafında her hafta için fiyat, promosyon, stok metriği topla; modele kontrol olarak ekle.
Hata 2: Kanal taksonomisini bozuk bırakmak
"Google Ads" bazı haftalarda "Google", bazı haftalarda "Search Engine" olarak etiketlenmiş. Model bunu iki ayrı kanal sanır, katsayılar bozulur. Çözüm: Veri toplamadan önce kanal taksonomisini standardize et; tüm geçmiş veriyi tek bir konvansiyona çek.
Hata 3: Adstock'u görmezden gelmek
Düz lineer regresyon kullanmak (yani λ=0). TV gibi gecikmeli etkili kanalların katsayısı sıfır görünür. Çözüm: Robyn / Meridian gibi araçların varsayılan adstock yapısını kullan; manuel regresyon kuracaksan adstock dönüşümünü mutlaka uygula.
Hata 4: Out-of-sample doğrulamayı atlamak
Model in-sample'da çok iyi görünür (R²=0.95) ama "tahmin için" değil "açıklama için" overfit'tir. Çözüm: Verinin son %10'unu modelden çıkar; modeli geri kalanla eğit; çıkardığın veriyi tahmin et. Gerçekle karşılaştır.
Hata 5: Modeli "set and forget" yapmak
Model 3 ay önce eğitildi, hala onu kullanıyorsun. Pazar değişti, kreatif değişti, rekabet değişti — model güncel değil. Çözüm: Çeyreklik yenileme zorunlu. Önemli bir kampanya değişikliği veya pazar dalgalanması olduğunda ek yenileme.
// 09Sık sorulan sorular
MMM ve incrementality testi (geo-lift) arasındaki fark nedir?
İncrementality testi deneyseldir — bir bölgede reklamı kapatır, başka bölgede çalıştırırsın, satışları karşılaştırırsın. MMM gözlemseldir — geçmiş veriyle istatistiksel modelle yola çıkarsın. Best practice: MMM bütçe dağılımı için, incrementality testi MMM'in bulgularını çapraz doğrulamak için.
MMM Türkiye için spesifik zorluklar yaratır mı?
Evet, üç tane: (1) Yüksek enflasyon — TL bazında veri 2 yıl geriye gittiğinde reel değer çok değişmiş; reel TL'ye veya USD'ye çevirmek model kalitesini artırır. (2) Rekabet verisi azlığı — Türkiye'de Nielsen MediaWatch tarzı rakip TV harcaması verisi sınırlı. Proxy olarak Google Trends işe yarar. (3) Sezonsallık zenginliği — dini bayramlar, Cumhuriyet bayramı, yerel kampanyalar (11.11 yerine 9 Eylül vb.) ek değişken gerektirir.
MMM ve agentic AI nasıl bir arada çalışır?
MMM stratejik bütçe dağılımı verir (çeyreklik karar). Agentic AI bu dağılım içinde operasyonel optimizasyonu yapar (günlük). Örnek: MMM "Google Search'e yıllık 12M TL ayır" der; agent bu 12M TL'yi gün gün, kampanya kampanya optimize eder. Birbirini yer değil, birbirini tamamlar — biri pusula, diğeri direksiyon.
MMM kurmadan önce ne olmalı?
Üç ön gereksinim: (1) doğru kurulmuş conversion tracking — yoksa MMM'e besleyecek günlük KPI verisi tutarsız olur; (2) en az 18 ay haftalık veri; (3) iş tarafından "biz kanallar arası bütçe değiştirmeye hazırız" niyetli destek — model bütçe artırma/azaltma önerirse uygulanmayacaksa proje kapanır.
MMM bir kerelik proje mi, sürekli mi?
Sürekli. İlk kurulum 6-10 hafta, sonra çeyreklik yenileme 1-2 hafta. Yıl içinde 4 yenileme + ad-hoc what-if senaryoları. Sürekli ROI verir; ilk yıl sonrası maliyetinin 5-10 katı kazanım tipiktir.
Bu rehber agentic AI marketing platformu d-dat tarafından hazırlanmıştır. MMM kurulumu ve operasyonel agent danışmanlığı için iletişime geç; performans denetimi için d-lens'i incele.
// ilgiliİlgili sözlük terimleri.
Bu rehberde geçen kavramların kısa tanımları için sözlüğe bakabilirsin:
// son adım
Bütçeni kanıtla dağıt.
MMM kurulum yol haritası, conversion tracking sağlığı veya agent operasyonu — d-dat ile çalışmaya başlamak için 30 dakikalık bir ücretsiz görüşme planla.