KPI OKUMA YANILGILARINI ÖNLEMEK

Pazarlama yöneticisi raporu açıyor: "Reklam tıklama oranı %18 arttı, harika!" Bir saat sonra finans müdürü farklı bir veriye bakıyor: "Aynı dönemde ROAS %12 düştü, kötü." İkisi aynı kampanyanın metriklerini okuyor; biri başarı görüyor, diğeri başarısızlık. Hangisi doğru?

Cevap genelde her ikisi de değil; her ikisi yanılgıya düşüyor. KPI okuma görünüşte basit (sayı büyüdü, küçüldü) ama gerçekte verinin arkasındaki bağlamı görme becerisini gerektiren bir disiplin. Yanlış yorum yanlış karar getirir; yanlış karar gerçek paraya, gerçek pazara yansır.

Bu yazı KPI okuma yanılgılarının tipik kaynakları, bunlardan nasıl kaçınılır, doğru yorumlama disiplini ve karar verme aşamasında hangi soruları sormak gerektiği üzerine.

Yanılgı 1: Ortalama Tek Başına Yanıltır

"Bu ay ortalama sepet tutarı 480 TL." Bu cümle güzel görünür ama hiçbir şey anlatmaz. Çünkü ortalama uç değerlerden çok etkilenir:

A senaryosunda ortalama doğru bir resim verir; B'de tek bir uçuk değer ortalamayı yukarı çeker; gerçek kullanıcı davranışı 250 TL civarında. C'de varyasyon az, ortalama temsil edici.

Çözüm: tek sayıya bakmak yerine dağılıma bak. Medyan, çeyreklikler, max/min, varyasyon. Histogram veya box plot grafikler dağılımı görsel olarak gösterir.

Yanılgı 2: Korelasyon = Nedensellik Yanılgısı

"Sosyal medya bütçesi arttı, satışlar da arttı. Demek ki sosyal medya satışı artırdı." Bu cümle pazarlama dünyasında her gün söyleniyor ve sıklıkla yanlış. Korelasyon birlikte değişimdir; nedensellik birinin diğerini ürettiğidir.

Sosyal medya satışı artırdı mı, yoksa:

• Aynı zaman diliminde sezonsal etki başladı mı?
• Rakip stok bitirdi, müşterileri sana mı geldi?
• İndirim kampanyası mı vardı?
• Marka adı arama hacmi arttı (başka bir sebepten dolayı), o da sosyal medya artışıyla aynı anda mı oldu?

İki değişken arası nedensellik kanıtı için tek yol kontrollü deney: bir grup sosyal medya görüyor, bir grup görmüyor; sonuçları kıyasla. Bu olmadıkça "sosyal medya satışı arttırdı" değil "sosyal medya artışıyla satış birlikte arttı" denmeli.

Yanılgı 3: Mevsimsellik Görmemek

"Aralık 2025 satışları Kasım 2025'e göre %35 arttı, kampanya başarılı." Belki. Ama Aralık her yıl yılbaşı sezonu yüzünden %30-40 zaten artar. Asıl soru: bu Aralık'ın Aralık 2024'e göre nasıl olduğu.

Mevsim, gün, saat, hafta — her birinin döngüsü var:

• E-ticaret: Kara Cuma, yılbaşı, sevgililer günü, anneler günü dalgaları
• B2B: Q4 fiscal sonu, Ocak yeni bütçe
• Eğitim: Eylül başlangıç, Ocak ikinci dönem
• Mobil app: Hafta sonu kullanım piki, akşam saat piki

Doğru karşılaştırma year-over-year (YoY) — aynı dönemin geçen yıla göre değişimi. Month-over-month (MoM) çoğu zaman yanıltıcı, mevsimsel dalgayı içerir.

Yanılgı 4: Attribution Yanılgısı

"Google Ads bu ay 1200 dönüşüm yaptı." Bu cümle Google'ın attribution modeline göre doğru. Ama:

• 1200'ün kaç tanesi Google olmadan da olurdu (organik trafik, marka arama)?
• Kaç tanesi gerçekten Google'ın yarattığı kazanım (incremental)?
• Diğer kanalların asissted katkısı ne?

Her platformun kendi attribution'u kendine kredi verir. Aynı dönüşüm Google Ads'te 1, Meta'da 1, GA4'te toplam 1 olarak sayılabilir; ama platform raporları toplandığında "biz topluca 3 dönüşüm getirdik" der.

Doğru karar için tek bir merkezi attribution (GA4 gibi) ve incrementality testleri kullanmak gerekir; modellerin nasıl çalıştığını netleştirmek için analitik yardım kaynakları attribution mantığını ayrıntılı açıklar. Platform self-reported metrik yanıltıcıdır.

Yanılgı 5: Sample Bias

"Müşteri memnuniyet anketinde NPS 78. Çok yüksek!" Ama:

• Kim cevapladı? Memnun olanlar mı, hatırlananlar mı?
• Memnuniyetsiz müşteriler zaten aktif değil; ankete bile katılmıyor.
• Anket gönderildiği müşteri grubu rastgele mi yoksa son alışveriş yapanlar mı?

Sample bias verinin doğrudan yanlış olmadığı ama temsil etmediği durum. NPS 78 cevap verenler arasında doğru olabilir; tüm müşteri tabanı için doğru olmayabilir.

Çözüm: örneklem yöntemini sorgula. Rastgele mi, sistematik mi, fırsatçı mı? Cevap oranı ne (response rate düşükse bias yüksek)? Cevap vermeyen müşteri grubu ne diyor olabilir?

Yanılgı 6: Cherry-Picking

"Bu ay reels'lerimizin engagement rate'i %8.2 — sektör ortalamasının 3 katı!" Doğru bilgi; ama hangi reels? Eğer ekibin 5 başarısız reels'i hesaba katılmadan sadece en başarılı 3 reels alındıysa, bu cherry-picking.

Cherry-picking en sık yapılan yanılgılardan; özellikle pazarlama raporlarında. İyi sonuçlar öne çıkarılır, başarısızlıklar dışarı bırakılır. Bu raporu hazırlayan ekip için "iyi görünmek" işe yarar ama karar veren yönetici yanlış picture'a bakar.

Disipline doğru veri: tüm post'ları içeren toplu metrik. Top 10% ve bottom 10% birlikte gösterilir.

Yanılgı 7: Vanity Metric

"Bu ay 50.000 yeni takipçi kazandık!" Heyecanlı bir cümle ama:

• Bu takipçilerin kaç tanesi hedef kitle?
• Kaç tanesi gerçek (bot değil)?
• Kaç tanesi engaged (içeriği görüyor, etkileşim kuruyor)?
• Kaç tanesi satın aldı veya alacak?

Takipçi sayısı "vanity metric" tipik bir örneği. Görüntü iyi, iş kararına dönüşmez. Aynı şey impression, raw view count, beğeni sayısı için geçerli.

Gerçek değer metrikleri (engagement rate, dönüşüm, gelir, müşteri yaşam boyu değeri) tercih edilmeli. Vanity metric'ler "yan bilgi" olarak izlenir, ana KPI olarak değil.

Yanılgı 8: İstatistiksel Anlamlılık Olmadan Karar

"A/B test ettik, B versiyonu %3 daha iyi performans gösterdi. B'ye geçiyoruz." Ama:

• Test ne kadar sürdü? Tek hafta mı, üç hafta mı?
• Kaç kullanıcı katıldı? 100 mü, 10.000 mi?
• İstatistiksel anlamlılık seviyesi ne? %95 confidence sağlandı mı?
• Bu %3 fark gerçek mi yoksa istatistiksel gürültü mü?

Küçük örneklemde küçük farklar rastgele olabilir; bir sonraki ay aynı test yapılırsa farklı sonuç çıkabilir. İstatistiksel anlamlılığa ulaşmadan karar vermek "rastgele bir kazançı kalıcı sayma" tuzağı.

Çözüm: A/B test platformlarının (Optimizely, VWO, Google Optimize alternatifleri) confidence interval göstergelerini kullanmak; %95 altında olan testleri "sonuçsuz" saymak.

Yanılgı 9: Conversion Window Yanılgısı

"Tıklama-dönüşüm oranımız %2.5." Hangi conversion window'da? 1 gün mü, 7 gün mü, 30 gün mü?

Conversion window genişledikçe dönüşüm sayısı artar; ama bu dönüşümlerin gerçekten reklamla ilişkili olduğu tartışmalıdır. Kullanıcı reklama tıkladıktan 28 gün sonra alışveriş yaptıysa reklam asıl sebep mi yoksa onlarca başka faktör mi devreye girdi?

Tipik öneriler:

• Click-through conversion window: 7 gün
• View-through conversion window: 1 gün

Daha geniş window'lar daha fazla dönüşüm gösterir; bütçe kararını şişirir. Tutucu window seçimi gerçek etkiyi daha doğru yansıtır.

Yanılgı 10: Goal Setting Yanılgısı

"Bu ay hedef 1000 lead getirmek." Bu hedef nasıl konuldu? Geçen ayki 950'ye %5 ekleyerek mi? Yoksa "iş açısından 1000 lead nerede durur" diye analizle mi?

Yanlış konulmuş hedef yanlış kararlara yol açar. Tipik problemler:

• Geçmişe dayalı hedef: Geçen ay X yaptık, bu ay X+%10 yapalım. Strateji yok.
• Optimist hedef: "Hedef yüksek olsun, %150 büyüme isteyelim". Demoralizasyon ve manipülasyon riski.
• Tek metrik odaklı: Lead sayısını artırıyoruz ama lead kalitesi düşüyor.
• İş hedefiyle bağlantısız: "Engagement rate %5 olsun" ama satışla ne ilişkisi var?

Doğru hedefleme: iş hedefinden geriye doğru (Önümüzdeki yıl X TL ciro → Y dönüşüm gerekli → Z trafik gerekli → ...). Her metrik gerçek iş sonucuyla ilişkili olmalı.

Yanılgı 11: Survivorship Bias

"Başarılı dropshipper'lar şu 3 ilkeyi uyguluyor." Doğru olabilir. Ama başarısız olan 100 dropshipper aynı 3 ilkeyi uyguluyor olabilir mi? Cevap genelde "evet". Sadece başarılıları inceleyerek nedensellik tespit etmek survivorship bias'tır.

Doğru analiz için başarısızları da incelemek gerekiyor. "Hangi ilkeler başarılılarda var, başarısızlarda yok?" — bu ayırt edici özellikleri bulur.

Survivorship bias pazarlama vaka çalışmalarında her yerde. "Bu marka şöyle yaptı, başarılı oldu" tek hikayesinin altı boş olabilir.

Doğru Yorumlama Disiplini

Bu yanılgılardan kaçınmak için her KPI değerlendirmesinde sorulacak sorular:

1. Ne sayıyorum: Bu metrik tam olarak neyi ölçüyor? Tanımı net mi?
2. Hangi örneklem: Bu veri kimden geldi? Temsil edici mi?
3. Hangi dönem: Zaman aralığı doğru mu? Mevsimsel etki var mı?
4. Karşılaştırma: Önceki dönem mi, hedef mi, benchmark mı?
5. Nedensellik: Bu değişimin nedeni gerçekten X mi, yoksa başka faktörler mi?
6. İstatistiksel anlamlılık: Bu fark gerçek mi, rastgele mi?
7. Aksiyon: Bu veriden ne karar çıkacak? Karar bu veriyle gerçekten alınabilir mi?

Bu 7 soru her dashboard'da otomatik geçirilirse yanlış karar oranı belirgin düşer.

Veri Okuma Kültürü

Yanılgılardan kaçınmak için bireysel disiplin yetmez; ekip kültürü gerekli:

• Senior'ların ısrarcı sorgulaması: "Bu sayı neden artmış olabilir?" sorusu her toplantıda sorulur.
• Veri sözlüğü: Tüm metriklerin nasıl tanımlandığı, nasıl hesaplandığı yazılı.
• Yanılgı listesi: Şirkette yaşanan yanılgıların kayıt altında tutulması; tekrar etmemek için.
• Hipotez yazma alışkanlığı: Karar öncesi "B yaparsak X olur çünkü Y" yapısı; sonradan doğrulanıp test edilir.
• Post-mortem disipline: Karar sonuçları geriye dönük incelenir; doğru karar mıydı, yanlış yorum muydu öğrenilir.

Bu disiplini sistemli kurmak isteyenlere dijital pazarlama eğitimi içinde veri analizi, KPI yorumlama ve karar verme metodolojisi uygulamalı olarak işlenir.

Çıkarımlar

KPI okuma görünüşte sayılarla uğraşmak; gerçekte iş anlama becerisidir. İyi analist sayının arkasındaki sürecin, davranışın, dönemin nasıl etkilediğini sorgular. Her sayı bir hikaye anlatır; o hikayenin tam ve doğru versiyonunu bulmak yanılgılardan kaçınmakla başlar.

Bu disipline sahip ekipler pazarlama bütçesini doğru yere akıtır; çalışmayan kanalı kapatma zamanını anlarlar; gerçek başarıyı şanstan ayırt ederler. Karar kalitesinde fark, uzun vadede şirketin başarısında belirleyici unsur.