AI Personalization Engine 2026: E-Ticaret için Real-Time Kişiselleştirme Mimarisi

E-ticaret ve dijital ürünlerde kişiselleştirme, 2026’nın en kritik gelir motorlarından biri. Salesforce’un Connected Shopper raporuna göre kişiselleştirme deneyimi sunan e-ticaret sitelerinde conversion oranı %1,7 → %4,2’ye çıkıyor, sepet tutarı %18 artıyor, churn %26 azalıyor. Türkiye’de e-ticaretin %34’ü en az bir AI kişiselleştirme aracını kullanıyor ama sadece %12’si gerçek “real-time, multi-channel” personalization seviyesinde.

2024-2026 arasındaki en büyük dönüşüm contextual bandit + LLM rerank kombinasyonunun mainstream olması: artık tek bir öneri sistemi değil, kullanıcının lokasyonu + saati + sepet bağlamına göre dinamik karar veren stack’ler standart. Bu rehberde modern AI personalization engine mimarisini, kullanım kanallarını ve A/B test pratiklerini somut sayılarla aktarıyoruz.

Personalization Katmanları

Modern e-ticaret platformunda kişiselleştirme tek bir noktada değil; 8-10 farklı kanal/sayfada eş zamanlı çalışır. Her katmanın kendi engagement metric’i, kendi A/B test framework’ü ve kendi feature engineering ihtiyacı var. Doğru tasarım her katmanı bağımsız test edip lift’ini ölçebilmeyi gerektirir.

• Homepage: Banner, koleksiyon önerileri, son baktıkları.
• PLP (Product Listing Page): Sıralama (kullanıcıya özel).
• PDP (Product Detail Page): “Bunlarla beraber sıkça alınıyor”, “Benzer ürünler”.
• Cart: Üst-satış, sepet özel kampanyası.
• Search: Sıralama (kullanıcı geçmişine göre).
• Email: Sepeti terk eden, win-back, doğum günü.
• Push notifications: Mobile app özelinde.
• Onsite messaging: “Sıcak satış”, “Stokta son X adet”.
• Voice/chatbot: Sesli arama + kişisel ürün önerisi.

Mimari Bileşenler

• CDP (Customer Data Platform): Segment, RudderStack, Tealium — kullanıcı 360 görünümü.
• Feature store: Feast, Tecton — ML modelleri için.
• Recommendation engine: Two-tower model + vector search.
• Decision engine: “Hangi kullanıcıya hangi kampanya?” — bandit veya RL.
• Content management: Banner havuzu, kampanya kuralları.
• A/B test platform: Optimizely, VWO, GrowthBook, ConfigCat.
• Real-time stream: Kafka + Flink → real-time enrichment.
• Edge personalization: Cloudflare Workers + KV — düşük latency.

Kullanıcı Segmentasyonu (RFM)

• Recency: Son alışveriş ne zaman?
• Frequency: Aylık kaç kez?
• Monetary: Ortalama sepet tutarı?

RFM segmentleri (Champions, Loyal, Hibernating, At Risk, Churned) her kampanyanın hedef kitlesini belirler. Modern AI ile bu klasik RFM’i CLV (Customer Lifetime Value) tahminine + churn olasılığına genişletebiliyoruz. Recommendation systems rehberimizdeki two-tower mimarisi burada da temel bileşen.

Real-Time Personalization Akışı

1. Kullanıcı sayfaya geliyor → cookie + login bilgisi.
2. Edge layer (Cloudflare Workers) — gerçek zamanlı feature fetch.
3. Feature store: profil + son aksiyon + segment.
4. Personalization engine: hangi widget göstereceğine karar.
5. HTML response (SSR veya client-side hydrate).
6. Kullanıcı tıklarsa → event streaming (Kafka) → modeller güncellenir.

Tipik latency hedefi: ≤ 50 ms personalization decision’ı (sayfa açılışını yavaşlatmamak için). Edge personalization pattern’ı bu hedefi tutturmak için kritik — origin server’a gitmeden Cloudflare KV/Vercel Edge Config üzerinden segment + recommendation alınıyor.

Algoritma Yaklaşımları

1. Collaborative Filtering + Content-Based

• “Sana benzer kullanıcıların aldığı”.
• “Senin geçmişine benzer ürünler”.
• Klasik, baseline.
• LightFM açık kaynak yaygın başlangıç noktası.

2. Deep Learning (Two-Tower, SASRec)

• User tower: user feature → embedding.
• Item tower: item feature → embedding.
• Dot product → score.
• SASRec: session-bazlı, sıralı aksiyon.
• Transformer4Rec (NVIDIA) production-ready alternatif.

3. Multi-Armed Bandit

• “Hangi banner sana?” — exploration + exploitation.
• Thompson Sampling, UCB (Upper Confidence Bound).
• Klasik A/B teste göre %30 daha hızlı sonuç.
• Vowpal Wabbit, River açık kaynak kütüphaneler.

4. Reinforcement Learning (Contextual Bandit)

• User context (lokasyon, saat, sepet) verildiğinde optimal aksiyon.
• Long-term reward optimization (CLV).
• Üretimde nispeten az, ama büyük şirketlerde standart.
• Netflix, YouTube production-grade RL kullanıyor.

5. LLM-Rerank

• Classical retrieval → LLM ile top-50 → top-10.
• Context-aware ranking (“Bu kullanıcı son hafta hep koşu ürünleri görüntüledi”).
• Maliyet: token başına 0,0001-0,003 USD, sadece premium kullanıcılarda mantıklı.
• Anthropic prompt caching ile %50+ maliyet azalır.

A/B Test ve Lift Ölçümü

Personalization sistemlerinin değerini ölçmek için A/B test framework’ü olmadan ilerlemek tipik bir hata. Microsoft Experimentation Platform ve Booking.com’un experimentation framework’leri akademik referans niteliğinde. Aşağıdaki teknikler 2026 itibarıyla üretim standardı.

• Holdout group: Kişiselleştirme görmeyen %5-10 — gerçek lift’i ölçmek için.
• Stat sig: Yeterli sample size + power analysis.
• Multi-armed bandit: Otomatik trafik kayması.
• Sequential test: Erken stopping, hızlı karar.
• Customer journey analytics: Tek metric değil, conversion funnel.
• Geo-split testing: İl bazında trafik bölme, network effect kontrolü.
• Long-term holdout: Aylık retention etkisini ölçmek için 30+ gün hold-out grubu.

SaaS Çözümleri vs Custom Build

Çözüm	Best for	Maliyet
Dynamic Yield (McDonald’s)	Enterprise retail	$10K-100K+/ay
Bloomreach	E-ticaret odaklı	$5K-50K/ay
Insider	TR/global, multi-channel	$3K-30K/ay
Algolia AI	Search-driven	$1K-15K/ay
Adobe Target	Enterprise + AEM ekosistem	$20K-200K/ay
Custom build	Tam kontrol	200K-2M TL initial + ops

Türkiye Özelinde Personalization

• Yerli SaaS pazarı: Insider (Useinsider) global lider, Türk kökenli, multi-channel.
• KVKK uyumluluğu: Cookie consent, profiling rıza, hassas kategori filtreleme zorunlu.
• E-ticaret pazar dinamikleri: Trendyol, Hepsiburada, Getir, Yemeksepeti personalization stack’leri custom build + kısmi SaaS.
• Mobil-öncelikli: %70+ trafik mobil, push notification + in-app messaging kanalları kritik.
• Mevsim/tatil etkileri: Ramazan, bayram, okul tatili personalization pattern’ı tamamen değiştiriyor.
• Multi-language: Türkçe + İngilizce ürün isimleri karışık katalog için multilingual embedding gerekli.

Maliyet ve Süre

Kapsam	Süre	Maliyet (TL)
MVP: ürün önerisi + email kişisel	3-5 ay	450.000-850.000
Orta: çoklu kanal + segmentasyon	7-10 ay	1.300.000-2.400.000
Enterprise: RL + multi-channel + CLV	14-20 ay	3.000.000-6.500.000
Aylık SaaS (Insider tier)	—	100.000-800.000
Aylık custom build operasyon	—	60.000-300.000

Yaygın Anti-Patterns

• Tek model her şey: Homepage, PLP, PDP, email aynı modelle. Her katmanın kendi optimizasyonu gerekiyor.
• A/B test atlama: Lift ölçülmeden production’a deploy. 3 ay sonra “personalization işe yarıyor mu” sorusuna cevap yok.
• Cold-start ihmali: Yeni kullanıcı için fallback yok, %30 trafik kötü deneyim.
• Echo chamber: Sadece geçmişe göre öneri, kullanıcı yeni keşif yapmıyor.
• KVKK belirsizliği: Aydınlatma metninde profiling belirtilmemiş, audit risk.
• Latency ihmali: Personalization decision sayfa açılışını 200+ ms geciktiriyor, conversion düşüyor.

Sık Sorulan Sorular

Ömer Önal’dan pratik not: Türkiye’de e-ticaret müşterilerimle personalization projelerinde gözlemlediğim en kritik hata, A/B test framework’ü kurmadan personalization’a yatırım yapmak. Çünkü 6 ay sonra “personalization işe yarıyor mu?” sorusuna gerçek cevap veremiyorsanız, projeyi sürdürmek imkansız hale geliyor. İlk haftadan holdout grubu (%5-10 trafik) kurun ve revenue per visitor metriğini takip edin. Bir diğer kritik nokta: latency budget’ı çoğu ekip hafife alıyor — personalization decision 200ms+ aldığında conversion +%2-5 etkilenmek yerine -%3 oluyor. Edge personalization (Cloudflare Workers + KV) bu sorunu çözüyor; her segment hesabı server’a gitmeden döndürülüyor. Türkiye’de Insider gibi SaaS çözümler kısa vadede hızlı, ama yıllık GMV 50M+ üzerine çıkınca custom build TCO açısından kaçınılmaz. Sizin platformunuzda personalization lift’iniz ölçülüyor mu — yoksa “kullanıcılar memnun gibi” sezgisinde mi yaşıyorsunuz?

Sonuç

AI personalization, modern e-ticaretin temel gelir kolu. Doğru tasarım (CDP + two-tower + multi-armed bandit + A/B test) ile conversion oranı 2,5x artar, sepet tutarı %18 yükselir, churn %26 azalır. KVKK uyumluluğunu kaybetmeden, real-time, multi-channel bir sistem tasarlamak 2026’nın en yüksek ROI projelerinden biri. Personalization stack’inizi recommendation systems ile birleştirip product-level öneri kalitesini artırabilir, GenAI marketing rehberimizdeki email/banner üretim pipeline’ı ile multi-channel deneyimi entegre edebilir, DLP ve KVKK uyumluluk rehberimizdeki veri sınıflandırma prensiplerini uygulayabilirsiniz. İletişim formundan projeniz için kişiselleştirme mimari değerlendirme talep edebilirsiniz.

Dış otorite kaynaklar: Optimizely · Dynamic Yield · Microsoft Experimentation Platform · YouTube Recommendation Paper