PERFORMANS ÖLÇÜMLEME MODELİ KURMAK VE SÜRDÜRÜLEBİLİR YAPMAK
“Kampanya iyi gidiyor mu?” sorusu tek bir metrikle yanıtlanamaz. Bir kanalda tıklama artarken başka bir kanalda dönüşüm kalitesi düşebilir; gelir yükselirken iade oranı da yükselebilir. Performansı gerçekten yönetmek için, veriyi sadece toplamak yetmez: performans ölçümleme modeli kurmak ve bu modeli herkesin aynı şekilde yorumlayacağı hale getirmek gerekir.
İyi bir ölçüm modeli; hedefleri metriklere çevirir, metrikleri veri kaynaklarına bağlar, raporlama ritmini tanımlar ve karar anlarında “hangi veri doğru?” tartışmasını bitirir. Dahası, ekip değişse bile modelin ayakta kalmasını sağlar. Bu yazıda, sıfırdan kurulabilir ve zamanla olgunlaşabilir bir çerçeveyi adım adım anlatacağız.
Yaklaşım basit: önce hedefleri netleştir, sonra KPI hiyerarşisini kur, veri kaynaklarını tek gerçeğe bağla, attribution beklentisini yönet, raporlamayı düzenli hale getir ve en sonunda sürdürülebilirliği güvenceye al. Böylece ölçüm “rapor üretmek” olmaktan çıkıp “operasyonel karar sistemi” haline gelir.
Ölçüm hedeflerini iş hedefleriyle eşleştirmek
Ölçüm modelinin başlangıç noktası araçlar değil, hedeflerdir. “Büyüme” tek başına hedef değildir; büyümenin hangi boyutta ve hangi sınırlar içinde istendiği tanımlanmalıdır. Örneğin gelir artışı hedefleniyorsa, bunun kârlılık, iade oranı, müşteri hizmetleri kapasitesi ve stok yönetimiyle uyumlu olması gerekir. Aksi halde raporlar “iyi görünüyor” diye yanlış kararlar alınabilir.
North Star metriğini seçmek ve sahiplenmek
Birçok ekip, aynı anda çok sayıda metriğe bakarak odak kaybı yaşar. North Star metrik, stratejiyi tek cümleye indirger: “başarımızı en iyi hangi metrik temsil ediyor?” Bu metrik genellikle “aktif müşteri sayısı”, “satın alan kullanıcı”, “abonelik yenileme” veya “nitelikli lead” gibi iş sonucuna yakın bir göstergedir. North Star seçildiğinde, alt metrikler onun sürücüleri olarak konumlanır.
Başarı tanımını ölçülebilir hale getirmek
“Kaliteli trafik”, “iyi dönüşüm”, “yüksek etkileşim” gibi ifadeler ölçülebilir kriterlere çevrilmelidir. Örneğin “kaliteli lead” için; formu doldurmak değil, belirli alanları doldurmak, belirli sayfaları ziyaret etmek veya belirli skor eşiğini geçmek gibi koşullar tanımlanabilir. Bu sayede ekipler aynı kelimeleri kullanırken farklı şeyler kastetmez.
KPI hiyerarşisini kurmak ve sadeleştirmek
KPI sayısı arttıkça ölçüm modelinin yönetimi zorlaşır. Bu yüzden metrikleri katmanlı bir yapıda toplamak en iyi pratiktir: üst katmanda sonuç metrikleri, orta katmanda sürücü metrikler, alt katmanda operasyonel metrikler yer alır. Böylece raporlar hem üst yönetime “özet” verir hem de uygulayıcı ekipler için “aksiyon” üretir.
Sonuç metriklerini iş çıktısına bağlamak
Sonuç metrikleri; gelir, kâr, nitelikli lead, abonelik yenileme gibi çıktılara dayanır. Burada kritik olan, metrik tanımının net olmasıdır. Örneğin “gelir” deniyorsa; brüt mü net mi, vergi dahil mi, iade sonrası mı, hangi para birimiyle ve hangi zaman diliminde hesaplanıyor gibi sorular cevaplanmalıdır. Tanımsız metrik, tartışma üretir.
Sürücü metrikleri kanallara göre ayrıştırmak
Sürücü metrikler, sonucu etkileyen nedenleri gösterir: oturum sayısı, yeni kullanıcı, sepete ekleme oranı, ödeme adımı tamamlama gibi. Bu metrikleri kanal, kampanya, içerik türü ve cihaz kırılımında izlemek; “sonuç neden değişti?” sorusunu yanıtlamayı kolaylaştırır. Sürücü metrikler olmadan sonuç metriği sadece alarm üretir, çözüm üretmez.
Operasyonel metrikleri ekip sorumluluğuna bağlamak
Operasyonel metrikler, günlük iyileştirmeyi mümkün kılar: sayfa hız metrikleri, reklam uygunluk durumu, ürün feed hataları, event tetiklenme oranı gibi. Bu metrikler kimin sorumluluğundaysa, raporda da o kişinin takip edeceği şekilde yer almalıdır. Aksi halde raporlar “herkesin baktığı ama kimsenin sahiplenmediği” dokümanlara dönüşür.
- North Star metriğini tek cümleyle yazmak
- Sonuç metriklerini 3–7 aralığında tutmak
- Sürücü metrikleri kanallara ve hunilere bağlamak
- Operasyonel metrikleri sorumlulara eşlemek
- Her metriğe net bir tanım ve formül eklemek
Veri kaynaklarını birleştirerek tek gerçek yaratmak
Ölçüm modeli; GA4, reklam platformları, CRM, e-posta, ödeme altyapısı ve ürün verisi gibi farklı kaynaklardan beslenir. Sorun şu: Bu kaynakların her biri farklı isimlendirme, farklı zaman dilimi ve farklı kullanıcı kimliği kullanır. Bu nedenle “tek gerçek” (single source of truth) yaklaşımı gerekir. Tek gerçek; mutlaka tek araç demek değildir, tek tanım ve tek dönüşüm mantığı demektir.
Veri sözlüğünü tasarlamak ve paylaşmak
Veri sözlüğü; “event nedir?”, “dönüşüm hangi koşulda sayılır?”, “kampanya adı nasıl yazılır?” gibi kuralları tek yerde toplar. Bu doküman; pazarlama, ürün ve veri ekipleri arasında ortak dil kurar. Veri sözlüğü yoksa; aynı dönüşüm farklı raporlarda farklı sayılabilir ve karar süreçleri zarar görür.
Kimlik çözümlemesini planlamak ve uygulamak
Kullanıcıyı farklı sistemlerde eşlemek her zaman mümkün değildir; fakat eşleşme stratejisi planlanabilir. Örneğin kullanıcı oturum bazında izleniyorsa, CRM tarafında lead ID ile bağlanabilir. E-ticarette sipariş ID, ürün bazında SKU gibi alanlar ortak anahtar olabilir. Burada amaç, “mükemmel eşleşme” değil, iş kararını destekleyen tutarlı eşleşmedir.
// Örnek: KPI veri sözlüğü şablonu (JSON)
// Bu yapı, metrik tanımı, hesaplama ve sahipliği tek yerde toplar.
{
"metric_name": "qualified_lead",
"definition": "Satış ekibinin kabul ettiği ve bütçe eşiğini geçen lead",
"source_systems": ["crm", "ga4"],
"calculation": "crm.status = 'accepted' AND crm.budget >= 50000",
"reporting_granularity": ["daily", "weekly"],
"owner": "Growth Lead",
"notes": "Dönemsel kampanya değişimlerinde tanım güncellenir."
}Attribution yaklaşımını seçmek ve beklenti yönetmek
Attribution, “başarıyı kime yazacağız?” sorusunun cevabıdır. Burada en büyük risk, tek bir modele %100 gerçek muamelesi yapmaktır. Gerçekte attribution, bir yaklaşımtır; her yaklaşımın kör noktası vardır. Bu yüzden ekiplerin, seçilen modelin neyi iyi anlattığını ve neyi eksik anlattığını bilmesi gerekir.
Model türlerini kıyaslamak ve karar vermek
Last-click modelleri hızlıdır ama üst huni etkisini küçümser; data-driven modeller daha dengeli olabilir ama veri hacmi ve izne bağlı sinyallerle değişebilir. İyi pratik; tek bir modele “doğru” demek yerine, iki farklı bakışı birlikte kullanmaktır: bir model bütçe dağıtımına, başka bir model kanal rolüne rehber olabilir.
Deney mantığını ölçüme entegre etmek
Attribution tartışmalarını azaltmanın en net yolu, deney mantığıdır: belirli kanalları kontrollü artırıp azaltarak etkiyi gözlemlemek. Her ekip tam kontrollü deney kuramaz; ancak küçük ölçekli testler bile büyük tartışmaları azaltır. Ölçüm modeli, deney sonuçlarını kaydedecek şekilde tasarlanırsa zamanla çok daha güvenilir hale gelir.
Raporlama ritmini tasarlamak ve otomatikleştirmek
Bir ölçüm modeli, raporlama ritmi olmadan yaşayamaz. “Aylık rapor” tek başına yeterli değildir; günlük kontrol, haftalık optimizasyon ve aylık strateji döngüsü birlikte çalışmalıdır. Ayrıca raporun amacı net olmalıdır: rapor, sadece “ne oldu?”yu değil, “ne yapacağız?”ı da tetiklemelidir.
Günlük kontrol metriklerini hızlı izlemek
Günlük rapor, operasyonel riskleri yakalamak içindir: dönüşüm takibi koptu mu, bütçe aniden tükendi mi, ödeme adımı hata veriyor mu, trafik bir kanalda anormal arttı mı? Günlük raporda çok metrik olmaz; alarm metrikleri olur. Bu yaklaşım, “rapora bakmayı” değil, “sorun yakalamayı” hedefler.
Haftalık karar toplantılarını veriyle beslemek
Haftalık ritimde sürücü metrikler, kanal kırılımları ve huni adımları öne çıkar. Amaç; bütçe, içerik ve ürün iyileştirmelerine karar vermektir. Bu toplantılarda “rapor sunmak” yerine, raporu karar ajandasına çevirmek gerekir: hangi hipotez test edildi, ne öğrendik, gelecek hafta ne değişecek?
Dashboard kurgusunu rol bazında kurgulamak
Aynı dashboard herkes için doğru değildir. Yönetici özet görmek ister, uygulayıcı ekip kırılım ister, analist veri kalitesi ister. Bu nedenle dashboard’ları rol bazında tasarlamak; hem yalınlık sağlar hem de raporun sahipliğini artırır. Bu yaklaşımı kapsamlı bir çerçeveye oturtmak için dijital pazarlama uzmanlığı eğitimi içinde hedef-kpi-raporlama üçlüsünü birlikte ele almak iyi bir hız kazandırır.
# Örnek: Haftalık performans özeti için basit SQL mantığı (BigQuery benzeri)
# Amaç: Kanal bazında gelir, dönüşüm ve dönüşüm oranını tek tabloda görmek
SELECT
channel_grouping,
DATE(event_date) AS day,
COUNTIF(event_name = 'purchase') AS purchases,
SUM(IF(event_name = 'purchase', ecommerce_purchase_revenue, 0)) AS revenue,
COUNT(DISTINCT user_pseudo_id) AS users,
SAFE_DIVIDE(COUNTIF(event_name = 'purchase'), COUNT(DISTINCT user_pseudo_id)) AS purchase_rate
FROM analytics_events
WHERE event_date BETWEEN '2026-01-15' AND '2026-02-14'
GROUP BY channel_grouping, day
ORDER BY day DESC, revenue DESC;Sürdürülebilirliği güvenceye almak ve devretmek
Ölçüm modeli kurmak kadar, modelin bozulmasını önlemek de önemlidir. En sık yaşanan sorun; isimlendirme dağılması, yeni kampanya yapılarının kuralsız eklenmesi ve event tasarımının parçalanmasıdır. Sürdürülebilirlik; standart, sahiplik ve kontrol üçlüsüyle sağlanır.
Standartlaştırma kurallarını yazmak ve uygulamak
UTM standardı, kampanya isim şeması, event isimleri ve parametre sözlüğü gibi kurallar yazılı olmalıdır. Yazılı olmayan kural, kural değildir. Üstelik bu kurallar; “bir kere yazıp bırakmak” için değil, yeni ihtiyaçlarda güncellemek için vardır. Bu yüzden kural setinin sürüm mantığıyla yönetilmesi (değişiklik tarihi, neden, etkilediği raporlar) çok faydalıdır.
Veri kalitesi kontrollerini otomatikleştirmek
Ölçüm, sessizce bozulabilir: bir event tetiklenmesi düşer, bir kampanya parametresi boş gelir, dönüşüm sayımı değişir. Bu yüzden veri kalitesi kontrollerini otomatik hale getirmek gerekir. Basit bir kontrol; günlük dönüşüm sayısı belirli eşiğin altına düşerse uyarı üretmek olabilir. Daha gelişmişi; event hacmini, parametre doluluk oranını ve kanal dağılımını düzenli izlemektir.
Sahiplik modelini belirlemek ve devretmek
“Bu metrik kimin?” sorusunun cevabı yoksa model yaşlanır. Her metriğin sahibi, güncelleme sorumlusu ve karar bağlamı olmalıdır. Ayrıca bir ekip üyesi ayrıldığında bilgi kaybolmamalıdır; dokümantasyon ve süreç, devredilebilir şekilde tasarlanmalıdır. Böylece model bir kişiye değil, sisteme bağlı kalır.
Sonuç: Performans ölçümleme modeli; hedefleri metriklere çeviren, metrikleri veri kaynaklarına bağlayan ve raporlamayı karar ritmine dönüştüren bir sistemdir. North Star metriğiyle odaklanmak, KPI hiyerarşisiyle sadeleşmek, veri sözlüğüyle ortak dil kurmak ve veri kalitesi kontrolleriyle süreklilik sağlamak; modelin uzun ömürlü olmasını sağlar.
