Yükleniyor...
İçeriğinizi en doğru zamanda paylaştığınızı düşünüyorsunuz çünkü genel geçer istatistikler 'Salı günü saat 10:00' diyor. Oysa HubSpot, her bir abonenin gelen kutusu davranışını yapay zekayla analiz ederek gönderim zamanını milisaniyelerle kişiselleştiriyor.
İçerik pazarlaması ekiplerinin yıllardır uyguladığı bir ezber var: "Salı günü saat 10:00'da bülten gönderilir." Ancak bu statik yaklaşım, modern e-posta sunucularının ve spam filtrelerinin çalışma mantığıyla doğrudan çatışıyor. Aynı anda milyonlarca kullanıcıya gönderilen toplu e-postalar, alıcı sunucularda ani trafik dalgalanmalarına (spike) yol açar. Gmail veya Outlook gibi e-posta istemcileri, bu ani yüklenmeleri şüpheli etkinlik olarak işaretleyerek iletileri doğrudan tanıtımlar sekmesine ya da spam klasörüne yönlendirir.
Daha da önemlisi, kullanıcı davranışı homojen değildir. Bir yazılım mühendisi sabah 08:30'da metroda e-postalarını okurken, bir finans yöneticisi öğleden sonra 14:00'teki toplantı arasında gelen kutusuna bakabilir. Herkese aynı saatte gönderim yapmak, içeriğinizin alıcının gelen kutusunda hızla aşağılara düşmesine ve dikkat eşiğinin dışında kalmasına neden olur. Çözüm, her bir abonenin geçmiş etkileşim verilerini analiz ederek gönderim zamanını milisaniyelerle kişiselleştiren kestirimci gönderim zamanı optimizasyonunda (Predictive Send-Time Optimization - PSTO) yatıyor.
HubSpot'un PSTO altyapısı, her bir kişi (contact) kartının arkasında çalışan dinamik bir regresyon ve sınıflandırma modelidir. Sistem, statik bir veritabanı sorgusu çalıştırmak yerine, sürekli öğrenen bir döngü üzerinde yükselir.
Süreç şu şekilde işler:
Bir yapay zeka modeli, ancak onu beslediğiniz veri kadar akıllıdır. HubSpot, gönderim zamanını belirlerken kullanıcıların geçmiş etkileşimlerini ağırlıklı bir puanlama sistemine tabi tutar. Bu puanlama sisteminde kullanılan temel sinyaller şunlardır:
Apple'ın iOS 15 ile hayatımıza soktuğu Mail Privacy Protection (MPP) güncellemesi, e-posta pazarlamasında yapay zeka modellerini kökten değiştirdi. Apple MPP, gelen e-postaları arka planda otomatik olarak yükleyerek açılma oranlarını (open-time) yapay olarak %100'e yakın gösterir. Bu durum, eski nesil açılma odaklı STO algoritmalarını işlevsiz hale getirdi.
Bu kısıtlamayı aşmak için HubSpot'un modern yapay zeka algoritmaları, güvenilmez hale gelen açılma verileri yerine doğrudan tıklama zamanı (click-time) ve web sitesi aktiflik sinyallerini önceliklendirmektedir. Etkileşim skorlamasında RFM (Recency, Frequency, Monetary) benzeri bir yaklaşım kullanılır. Bu yaklaşıma göre, yakın zamandaki tıklamalar (Recency) ve etkileşim sıklığı (Frequency), eski tarihli açılma verilerine kıyasla gönderim zamanı tahminlemesinde çok daha yüksek bir ağırlığa sahiptir.
Sistem her kullanıcı için tekil tahminleme yaparken, veri tabanındaki "soğuk veri" (cold start) problemini de çözmek zorundadır. Peki HubSpot'un makine öğrenimi modeli, geçmiş etkileşim verisi olmayan yeni kullanıcılar için gönderim zamanını nasıl tahmin ediyor?
Burada hibrit bir kohort modeli devreye girer:
HubSpot altyapısını ve dinamik zamanlama algoritmalarını B2B segmentinde kullanan bir SaaS markasının verilerini inceleyelim. Şirket, haftalık sektörel analiz bültenini statik olarak Perşembe günleri saat 14:00'te gönderirken, PSTO modeline geçiş yaptı.
Metrik Karşılaştırması:
HubSpot Research verilerine göre de, yapay zeka ve makine öğrenimi tabanlı dinamik zamanlama algoritmaları kullanan e-posta kampanyaları, statik zamanlamalı gönderimlere kıyasla ortalama %22.7 tıklama oranı (CTR) artışı sağlamaktadır. Bu artış, içeriğin kalitesinden bağımsız olarak, sadece doğru zamanda doğru kutuda bulunmanın doğrudan bir sonucudur.
HubSpot gibi kurumsal bir altyapıya bütçe ayırmadan da kendi dağıtım kanallarınızda benzer bir mantığı kurgulamanız mümkündür. İşte adım adım uygulayabileceğiniz öğretmen-mühendis yaklaşımı:
Kullanıcılarınızın tıklama verilerini ham olarak kaydedin. Segment.io veya Google Analytics 4 (GA4) kullanarak, kullanıcıların e-postadan sitenize geldiği anları (UTM parametreleri ile) ve sitede aktif oldukları saat dilimlerini kaydedin.
Tıklama verilerini her ay analiz edin. Aşağıdaki mantıkla basit bir SQL veya Python sorgusu çalıştırarak her kullanıcının aktif saat aralığını bulun:
# Örnek mantıksal sorgu
# Kullanıcının son 30 gündeki tıklama saatlerinin modunu (en sık tekrarlanan saatini) bulun
user_active_hour = email_clicks.filter(user_id=123, date__gte=last_30_days).mode(columns=['click_hour'])
E-posta gönderim aracınızda (örn. Mailchimp, ActiveCampaign veya kendi SMTP sunucunuz) kullanıcıları aktif oldukları saat dilimlerine göre (Sabahçılar, Öğleciler, Akşamcılar) 3 veya 4 ana kohorta bölün. Gönderimlerinizi tek bir toplu gönderim yerine, bu kohortların yerel saatlerine göre tetikleyin.
Dikkat Edilmesi Gereken Risk: Sadece tıklama (click-time) verilerine odaklanmak, veri hacmini ciddi oranda daraltabilir; bu durum küçük veri kümelerine sahip şirketlerde makine öğrenimi modellerinin yetersiz beslenmesine ve hatalı zamanlama tahminlerine yol açabilir. Bu nedenle, veri hacminiz düşükse bireysel tahminleme yerine portal/site genelindeki en aktif saat ortalamalarını baz alan kohort modelini tercih etmelisiniz.
Hafta 22 · Öğrenen Makinelerle Kişiselleştirilmiş İçerik
Netflix'in Algoritması: Her Bir İzleyiciye Özel Hikayeler Nasıl Keşfediliyor?
Netflix'in 'Sadece Sizin İçin' önerileri, rastgele bir seçki değil. Peki, bu dev eğlence platformu, milyonlarca kullanıcının bireysel zevklerini ve tercihlerini öğrenerek onlara özel içerikleri nasıl 'keşfediyor' ve sunuyor?