Giriş: Öneri Sistemleri Neden Kritik?

Kişiselleştirme, modern e-ticaret sitelerinde dönüşüm oranı (CR) ve sepet tutarını (AOV) artıran ana faktördür. Bu rehber, sıfırdan üretim ortamına dayanıklı bir yapay zeka ürün öneri mimarisi kurma adımlarını içerir.

Adım 1: Veri Toplama ve Pipeline Kurulumu

Öneri motoru kaliteli veriye ihtiyaç duyar. İki temel veri tipi toplanmalıdır:

Açık (Explicit) Veri: Kullanıcı ürün puanlamaları, favori listeleri, anket yanıtları.
Örtük (Implicit) Veri: Tıklamalar, sayfa kalış süresi, arama sorguları, sepete ekleme ve satın alma geçmişi.

Implicit veri hacmi explicit veriye göre 10-100 kat fazladır. Matris seyreklik (sparsity) sorununu çözmek için implicit geri bildirimleri ağırlıklandırarak kullanın (Örn: Satın alma = 5 puan, Sepete ekleme = 3 puan, Tıklama = 1 puan).

Adım 2: Algoritma ve Mimari Seçimi

İş hedefine uygun model mimarisini belirleyin:

1. İşbirlikçi Filtreleme (Collaborative Filtering)

Benzer kullanıcı davranışlarını eşleştirir. Matris ayrıştırma (Matrix Factorization - SVD, ALS) veya K-En Yakın Komşu (k-NN) kullanılır. Yeni ürün/kullanıcılar için 'soğuk başlangıç' (cold-start) sorunu yaşar.

2. İçerik Tabanlı Filtreleme (Content-Based Filtering)

Ürün meta verilerini (kategori, metin, fiyat, marka) TF-IDF veya metin embedding modelleri ile vektörleştirir. Soğuk başlangıç sorununu çözer ancak keşif çeşitliliği düşüktür.

3. Hibrit ve Vektör Arama (Vector Search / Two-Tower Models)

Modern trendler arasında yer alan Two-Tower (Kullanıcı ve Ürün kuleleri) derin öğrenme modelleri ve pgvector / Qdrant gibi vektör veri tabanları ile milisaniyelik semantik eşleştirme sağlar.

Adım 3: Öneri Motoru Entegrasyonu ve API Tasarımı

Modeli eğitip üretim ortamına sunma aşaması:

Offline Hesaplama (Batch): Günlük/haftalık periyotlarla tüm kullanıcılar için ilk N öneriyi önceden hesaplayıp Redis'e yazın. Düşük gecikme, düşük maliyet sağlar.
Online Çıkarım (Real-Time): Oturum içi (session-based) hareketlere göre FastAPI/Triton Inference Server üzerinden anlık skorlama yapın.

Adım 4: A/B Testi ve Metrik Optimizasyonu

Model performansını hem çevrimdışı hem çevrimiçi metriklerle doğrulayın:

Teknik Metrikler: NDCG@K, MAP (Mean Average Precision), Recall@K.
İş Metrikleri: CTR (Tıklama Oranı), Conversion Rate (Dönüşüm Oranı), AOV (Ortalama Sipariş Değeri).

E-Ticaret İçin Dijital Strateji ve Modern Trendler

Başarılı bir dijital strateji için güncel trendler takip edilmelidir:

Oturum Tabanlı Öneriler (Session-based): Kullanıcı girişi gerektirmeden, mevcut oturumdaki son 5 tıklamayı GRU4Rec veya Transformer tabanlı modellerle analiz edin.
Çok Modlu (Multimodal) Vektörler: Ürün görseli (CLIP) ve metin açıklamasını tek bir embedding vektöründe birleştirin.
Kural Tabanlı Filtreler: Stokta olmayan ürünleri dinamik filtreleyin, marjı yüksek ürünlere ağırlık verin.