Mersin E-Ticaret Sitelerinde AI Ürün Öneri Sistemi — 3 Uygulama Örneği

Mersin'deki bir e-ticaret firması olarak sitenizdeki ürün sayfalarına baktığınızda muhtemelen şunu görüyorsunuz: Müşteri ürünü sepete atıyor, ödemeyi tamamlıyor, çıkıyor. Oysa Amazon veya Trendyol'da aynı müşteri sepet değerini ikiye, bazen üçe katlıyor. Fark ne?

AI destekli ürün öneri sistemi.

"Sen de beğenebilirsin", "Bu ürünü alanlar bunları da aldı", "Sana özel seçtiklerimiz" — bu basit görünen bloklar aslında makine öğrenmesi algoritmalarıyla çalışan, müşteri davranışını analiz eden karmaşık sistemler. Mersin'de MIP Liman üzerinden ihracat yapan bir gıda firmasıysanız veya Tarsus OSB'de ürettiğiniz tekstil ürünlerini online satıyorsanız, bu teknoloji artık sadece dev oyuncular için değil.

Gerçek şu: Mersin'deki orta ölçekli bir e-ticaret sitesi bile doğru kurulmuş bir AI öneri sistemiyle sepet değerini kayda değer şekilde artırabiliyor. Ancak işin püf noktası, hangi modeli ne zaman kullanacağınızı bilmek. Bu yazıda üç farklı AI öneri yaklaşımını, Mersin'den somut senaryolarla ele alacağız.

AI Ürün Öneri Sisteminin Üç Temel Yaklaşımı

Collaborative Filtering (İşbirlikçi Filtreleme)

Colaborative filtering, kullanıcıların geçmiş davranışlarına bakarak benzer profillerdeki müşterilerin beğendiği ürünleri öneriyor. Mesela Mersin Serbest Bölge'deki bir organik gıda e-ticaret firmasını düşünün.

Müşteri A zeytinyağı, badem ezmesi ve hurma satın aldı. Müşteri B de zeytinyağı ve badem ezmesi aldı ama hurma almadı. Sistem, B'ye hurma önerir. Basit mantık, güçlü sonuç.

Avantajları:

• Sıfır ürün bilgisine ihtiyaç duymuyor
• Beklenmedik ama isabetli öneriler yapabiliyor
• Müşteri sayısı arttıkça doğruluğu artıyor

Dezavantajları:

• Yeni ürünler için "cold start" problemi (henüz kimse almamışsa öneremez)
• Az veri = zayıf öneri
• Hesaplama maliyeti kullanıcı sayısıyla katlanarak artıyor

Mersin'deki e-ticaret firmaları için collaborative filtering özellikle aylık minimum 500+ aktif müşterisi olan, ürün portföyü sabit olan firmalar için mantıklı. Tarsus OSB'deki bir ev tekstili üreticisi için örneğin: nevresim takımı alan müşteri, genelde yastık kılıfı da alıyor. Sistem bunu 200-300 siparişten sonra öğreniyor ve otomatik öneriyor.

Content-Based Filtering (İçerik Bazlı Öneri)

Bu yaklaşım ürün özelliklerine odaklanıyor. Müşterinin geçmişte beğendiği ürünlerin özelliklerini analiz edip benzer özelliklere sahip ürünleri öneriyor.

Örneğin İskenderun'dan Mersin limanı üzerinden ihracat yapan bir baharat firmasının e-ticaret sitesini ele alalım. Müşteri "organik", "cam kavanozlu", "250gr" kırmızı pul biber aldı. Sistem, aynı özelliklere sahip sumak veya kimyon önerebilir.

Teknik detay: Ürün özelliklerini vektörize ediyorsunuz (TF-IDF veya word embeddings kullanarak), sonra cosine similarity ile benzer ürünleri buluyorsunuz. Python'da scikit-learn ile 200 satır kod.

Ne zaman işe yarar:

• Yeni ürünleriniz sürekli ekleniyor
• Ürün özellikleri zengin ve yapılandırılmış (kategori, renk, beden, malzeme vb.)
• Müşteri sayınız henüz büyük değil ama ürün kataloğunuz geniş

Mersin senaryosu: Mersin Forum AVM yakınlarında showroom'u olan bir mobilya firması. 2000+ ürün, ancak aylık sadece 150-200 online sipariş. Collaborative filtering için veri yetersiz, ama her ürünün rengi, stili, ölçüleri, malzemesi kayıtlı. Content-based model burada daha mantıklı başlangıç.

Hybrid Model (Hibrit Yaklaşım)

İkisinin gücünü birleştiren yaklaşım. Netflix'in kullandığı model bu. Hem kullanıcı davranışına hem ürün özelliklerine bakıyor.

Mersin'de faaliyet gösteren orta-büyük ölçekli e-ticaret siteleri için en dengeli çözüm genelde bu. Özellikle hem B2C hem B2B satış yapıyorsanız.

Gerçek örnek senaryosu: Tarsus OSB'deki bir tekstil üreticisi hem perakende hem toptan satış yapıyor. B2B müşteriler genelde renk/kalite/fiyat odaklı, tekrar sipariş veriyor. B2C müşteriler trend odaklı, çeşitlilik arıyor. Hibrit model her iki segmenti de doğru okuyabiliyor.

Uygulama Örneği 1: Tarsus Gıda Firması — Sepet Analizi Bazlı Öneri

Tarsus'ta faaliyet gösteren, Avrupa'ya ihracat yapan bir kuruyemiş firması düşünün. E-ticaret sitelerinde hem B2C (bireysel müşteri) hem B2B (kurumsal toptan) satış var.

Sorun: Müşteriler tek ürün alıp çıkıyor. Ortalama sepet değeri düşük.

Çözüm: Market basket analysis + collaborative filtering kombinasyonu.

Uygulama adımları:

1. Veri toplama: Son 12 aydaki tüm siparişleri analiz ediyorsunuz. PostgreSQL veya MongoDB'de sipariş tablosundan ürün kombinasyonlarını çıkarıyorsunuz.

2. Apriori algoritması: Hangi ürünler birlikte satın alınıyor? "Badem + kaju" birlikteliği %65, "antep fıstığı + badem" %48.

3. Gerçek zamanlı öneri: Müşteri badem sepete ekledi, 2 saniye sonra "Müşteriler bunları birlikte aldı" bloğunda kaju ve antep fıstığı gösteriliyor. Sadece göstermek yetmiyor, "3 al 2 öde" gibi dinamik kampanyalarla tetikliyorsunuz.

4. A/B test: Sistem olmadan 100 siparişe karşı sistemle 100 sipariş test ediyorsunuz. Sepet değeri farkını ölçüyorsunuz.

Teknik stack: Python (pandas, mlxtend), Redis (cache için), REST API. Mevcut e-ticaret sitenize JavaScript widget olarak entegre ediyorsunuz.

Süre: 3-4 hafta. Veri temizliği 1 hafta, model geliştirme 1 hafta, entegrasyon ve test 1-2 hafta.

Uygulama Örneği 2: Mersin Tekstil Sitesi — Görsel Benzerlik Öneri

Mersin merkezde faaliyet gösteren bir ev tekstili e-ticaret firması. 3000+ ürün, çoğu görsel odaklı (desenler, renkler önemli).

Sorun: Müşteri bir nevresim beğeniyor ama renk uymuyor, siteden çıkıyor. Arama fonksiyonu "benzer ürün" için yetersiz.

Çözüm: Computer vision bazlı görsel benzerlik öneri sistemi.

Nasıl çalışıyor:

• Her ürün görseli bir CNN (Convolutional Neural Network) modelinden geçiriliyor — genelde ResNet veya EfficientNet kullanılır, son katman çıkarılır, ürün 512 boyutlu bir vektörle temsil edilir.

• Müşteri bir ürün sayfasında, sistem o ürünün vektörüne en yakın diğer ürünleri "Benzer ürünler" olarak gösteriyor.

• Renk paleti analizi de eklenirse "Aynı renk tonlarında diğer ürünler" diye ayrı bir blok oluşturabilirsiniz.

Mersin'e özgü avantaj: Tekstil sektöründe trend hızlı değişiyor. Yeni koleksiyon eklediğinizde, sistem otomatik olarak görsel benzerliği tespit edip ilişkilendiriyor. Manuel "ilgili ürünler" ekleme derdinden kurtuluyorsunuz.

Teknik detay: TensorFlow veya PyTorch ile model, AWS S3'te görseller, Pinecone veya Milvus gibi vector database öneri için. Alternatif olarak Elasticsearch'ün vector search özelliği.

Maliyet gerçekliği: Model eğitimi için cloud GPU kullanırsanız saatlik maliyetler var, ancak transfer learning kullanırsanız (hazır ResNet modelini fine-tune) maliyet çok düşük. Sürekli maliyet, aylık vector database ve API call sayısına bağlı.

Uygulama Örneği 3: B2B E-Ticaret — Sipariş Geçmişi Bazlı Akıllı Hatırlatma

Mersin Serbest Bölge'de faaliyet gösteren bir endüstriyel kimyasal tedarikçisi düşünün. Müşteriler aylık/3 aylık periyotlarla aynı ürünleri sipariş ediyor.

Sorun: Müşteri unutuyor, geç sipariş veriyor, üretim aksaması yaşıyor, rakibe gidiyor.

Çözüm: Time-series analysis + öneri sistemi.

Uygulama:

1. Her müşterinin her ürün için sipariş geçmişini analiz ediyorsunuz.
2. Periyodik kalıpları tespit ediyorsunuz (örneğin X müşterisi her 45 günde bir Y ürününden 50kg alıyor).
3. Son siparişten 35 gün sonra otomatik e-posta/WhatsApp: "Genelde şu tarihlerde sipariş veriyorsunuz, stok durumu nasıl?"
4. Dashboard'da "Sipariş vermesi beklenen müşteriler" listesi.

Fark: Bu klasik CRM otomasyonundan farklı çünkü her müşterinin kendi dinamik periyodunu öğreniyor. Sabit "30 günde hatırlat" kuralı değil.

Teknik: Python (statsmodels, prophet), PostgreSQL time-series extension (TimescaleDB), cron job veya Celery ile scheduled task.

ROI: B2B'de müşteriyi kaybetmenin maliyeti çok yüksek. Sistemin tek bir müşteri kaybını önlemesi bile kendini amorti ediyor.

Mersin E-Ticaret AI Öneri Sistemi Kurulum Süreci

Sıfırdan başlıyorsanız gerçekçi adımlar şunlar:

1. Veri Altyapısı Kontrolü

• E-ticaret siteniz sipariş, ürün, müşteri verilerini düzenli kaydediyor mu?
• API erişimi var mı? (WooCommerce, Shopify, özel yazılım fark etmez, veri çıkarabilmeli)
• Görseller yapılandırılmış mı, yoksa karmaşık klasör sisteminde mi?

2. İhtiyaç Analizi ve Model Seçimi

• Aylık sipariş sayınız ne kadar? (500'ün altındaysa collaborative filtering zayıf kalır)
• Ürün kataloğunuz ne kadar dinamik? (Sürekli yeni ürün ekliyorsanız content-based mantıklı)
• B2C mi B2B mi, yoksa ikisi birden mi?

Bu soruların cevabı model seçimini belirliyor. D'Cloud Software olarak ilk keşif görüşmesinde bunu netleştiriyoruz — çünkü yanlış model seçimi hem zaman hem bütçe kaybı.

3. MVP (Minimum Viable Product) ile Başlama

Tüm siteyi bir anda AI'laştırmaya çalışmayın. Şöyle başlayın:

• Sadece ürün detay sayfasında "benzer ürünler" bloğu
• İlk ay A/B test: trafiğin %50'si öneri görüyor, %50'si görüyor
• Sepet değeri, tıklama oranı, satın alma oranı metriklerini karşılaştırın

Gerçekçi beklenti: İyi kurulmuş bir sistem sepet değerini %15-25 aralığında artırır. %100 artış beklerseniz hayal kırıklığına uğrarsınız.

4. Sürekli Öğrenme ve İyileştirme

AI öneri sistemi "kur-unut" teknoloji değil. Model zamanla performans kaybediyor çünkü:

• Trendler değişiyor
• Yeni ürünler ekleniyor
• Müşteri davranışı evrim geçiriyor

Aylık model yeniden eğitimi şart. Otomatikleştirilebilir.

Mersin'de AI Öneri Sistemi Kurulumu: Maliyet ve Süre Gerçekliği

Sayısal vaat vermek doğru değil çünkü her proje farklı. Ancak parametreleri paylaşalım:

Süreyi etkileyen faktörler:

• Mevcut altyapınızın API hazırlığı (hazırsa 2 hafta, yoksa +3 hafta)
• Veri kalitesi (temiz veri varsa 1 hafta, kaotik veri varsa +2-3 hafta temizlik)
• Model karmaşıklığı (basit collaborative 2 hafta, computer vision bazlı 4-5 hafta)
• Test ve entegrasyon süreci (genelde 1-2 hafta)

Ortalama: 6-10 hafta arasında canlıya alınabilir bir sistem.

Maliyet bileşenleri:

• Yazılım geliştirme (model + API + entegrasyon)
• Cloud altyapı (sunucu, database, storage — aylık devam eden maliyet)
• Bakım ve güncelleme (aylık model eğitimi, monitoring)

D'Cloud Software olarak sabit fiyat sözleşme yapıyoruz. Keşif görüşmesinde projenizi dinliyor, teknik altyapınızı analiz ediyor, size özel teklif sunuyoruz. "Başladık ama bütçe patladı" senaryosu yaşamıyorsunuz.

15 gün ücretsiz hata düzeltme garantimiz var — sistem canlıya alındıktan sonra tespit edilen bug'lar için ek ücret yok.

Mersin E-Ticaret Firmaları İçin AI Öneri Sistemi Gerekli mi?

Dürüst cevap: Her zaman değil.

Şu durumlarda gereksiz:

• Aylık 50-100 siparişiniz var, henüz temel e-ticaret süreçleri oturtulmamış
• Ürün sayınız 50'nin altında
• Müşteri davranış verisi eksik veya kalitesiz
• Bütçe önceliğiniz performans marketing ve satış hunisi optimizasyonu

Önce temel işlemleri oturtun, trafik artırın, sonra AI gelsin.

Şu durumlarda değerli:

• Aylık 500+ sipariş, ancak sepet değeri düşük
• Geniş ürün kataloğu (500+ ürün) ve müşteri "kaybolma" sorunu var
• B2B tekrarlayan siparişler var, otomasyon ile verimliliği artırabilirsiniz
• Rakipleriniz AI kullanıyor, müşteri deneyiminde geride kalıyorsunuz

Mersin'deki e-ticaret ekosisteminde henüz AI öneri sistemleri yaygın değil. Bu, erken hareket edenler için fırsat demek. Tarsus OSB'de, Mersin Serbest Bölge'de veya şehir merkezinde faaliyet gösteren firmaların rekabet avantajı kazanması için tam zamanı.

Sık Sorulan Sorular

Mevcut e-ticaret altyapımız AI öneri sistemi için uygun mu?

Çoğu modern e-ticaret platformu (WooCommerce, Shopify, Magento, özel yazılımlar) API desteği sunduğu için teknik olarak uygun. Ancak uygunluk sadece platform değil, veri kalitesiyle de ilgili. Sipariş geçmişiniz, ürün bilgileriniz, müşteri etkileşim verileriniz yapılandırılmış ve erişilebilir olmalı. Keşif görüşmesinde mevcut altyapınızı inceliyor, eksiklikleri tespit ediyoruz. Bazı durumlarda önce veri toplama altyapısını güçlendirmek, sonra AI'ya geçmek daha mantıklı oluyor.

AI öneri sistemi ne kadar sürede sonuç verir?

Sistem canlıya alındıktan sonra ilk 2-4 hafta "öğrenme" dönemi. Bu sürede müşteri etkileşimlerini topluyoruz ve modeli ince ayar yapıyoruz. Anlamlı sonuçlar (sepet değeri artışı, tıklama oranları) genelde 1-2 ay sonra net görülüyor. Ancak bu, zaten yeterli veri birikiminiz varsa geçerli. Sıfır veriden başlıyorsanız, 3-6 ay sabır gerekiyor. B2B firmalarda sipariş sıklığı düşük olduğu için bu süre daha uzun olabilir. Beklentiyi gerçekçi tutmak önemli — AI sihirli değnek değil, öğrenen bir sistem.

Fiyatı ne kadar, sabit paket var mı?

Her projenin kapsamı farklı olduğu için sabit paket fiyatı vermiyoruz. Basit bir collaborative filtering modeli ile computer vision bazlı karmaşık bir hibrit sistem arasında maliyet farkı çok büyük. Keşif görüşmesinde ihtiyaçlarınızı, mevcut altyapınızı, ürün kataloğunuzu, sipariş hacminizi analiz edip size özel teklif hazırlıyoruz. Teklif sonrası fiyat sabit, sözleşmede yazılı. "Proje ilerledikçe fiyat arttı" durumu yaşamıyorsunuz. Ödeme genelde 3 aşamalı: Başlangıç, geliştirme tamamlandı, canlıya alındı. Detayları keşif görüşmesinde netleştiriyoruz.

Sistem kurulduktan sonra biz mi yönetiyoruz, sizden destek devam ediyor mu?

İki seçenek sunuyoruz. Birinci seçenek: Sistemi kuruyoruz, ekibinize eğitim veriyoruz, yönetimi size bırakıyoruz. İkinci seçenek: Kurulum sonrası aylık destek ve bakım sözleşmesi yapıyoruz — model güncellemeleri, performans izleme, yeni özellik eklemeleri dahil. Hangi seçenek daha mantıklı, ekibinizin teknik kapasitesine bağlı. Çoğu Mersin'deki KOBİ'nin bünyesinde AI/ML uzmanı yok, dolayısıyla devam eden destek paketi tercih ediliyor. 15 gün ücretsiz hata düzeltme garantisi her iki seçenekte de geçerli.

Rakiplerimiz AI kullanıyor mu, geride mi kaldık?

Türkiye e-ticaret pazarında AI öneri sistemleri henüz olgunlaşma aşamasında. Büyük oyuncular (Trendyol, Hepsiburada, n11) kullanıyor, ancak KOBİ segmentinde yaygınlık düşük. Mersin özelinde ise, şu an erken dönem diyebiliriz. Yani geride kalmadınız, aksine erken hareket etme fırsatınız var. Ancak beklenti yönetimi önemli: Rakibinizin AI kullanması, onun otomatik kazanması anlamına gelmez. Modelin kalitesi, veri kalitesi, genel müşteri deneyimi, fiyatlandırma, lojistik — hepsi birlikte işe yarıyor. AI sadece araçlardan biri.

Verilerimizin güvenliği nasıl sağlanıyor?

Müşteri ve sipariş verileri hassas. Sistemde kişisel verileri KVKK uyumlu şekilde işliyoruz — gereksiz kişisel bilgi toplamıyoruz, sadece öneri algoritması için gerekli davranışsal veri kullanılıyor. Veriler kendi sunucunuzda veya tercih ederseniz bizim yönettiğimiz cloud altyapıda (AWS veya Google Cloud, Türkiye bölgesi) saklanıyor. Üçüncü taraflarla veri paylaşımı yok. Sözleşmede gizlilik maddeleri detaylı yazılıyor. Ayrıca proje sonunda tüm kaynak kodu size teslim ediliyor, tam kontrolü alıyorsunuz.

Sonuç: Mersin E-Ticarette AI Öneri Sistemi ile Bir Sonraki Adım

AI ürün öneri sistemi artık sadece Amazon'un tekelinde değil. Mersin'de faaliyet gösteren, yerel veya uluslararası pazara satış yapan orta ölçekli e-ticaret firmaları için erişilebilir, ölçülebilir, somut getirisi olan bir teknoloji.

Ancak başarı için şu üç şart kritik:

1. Doğru model seçimi: İşinizin yapısına, müşteri davranışına, ürün kataloğuna uygun yaklaşım. Collaborative, content-based veya hibrit — hepsinin kullanım senaryosu farklı.

2. Kaliteli veri: AI'nın hammaddesi veri. Eksik, hatalı, dağınık veriyle kurduğunuz sistem, yanlış önerilerde bulunur ve müşteri deneyimini bozar.

3. Gerçekçi beklenti ve sabır: İlk ay %300 satış artışı beklemek hayal. Sistem öğreniyor, versiyon versiyon iyileştiriliyor. 3-6 aylık perspektifle bakmalısınız.

Tarsus OSB'deki bir üretici, Mersin Serbest Bölge'deki bir tedarikçi veya şehir merkezindeki bir perakende e-ticaret firması olun — doğru kurgulanmış bir AI öneri sistemi, hem müşteri deneyimini hem de sepet değerini iyileştiriyor.

D'Cloud Software olarak Mersin merkezliyiz ve 3 kıtada projeler yürütüyoruz. Yerel işletmelerin dijital dönüşümünde gerçekçi, uygulanabilir, sonuç odaklı çözümler sunuyoruz. AI öneri sistemi, e-ticaret siteniz için bir sonraki adım olabilir mi? Bunu birlikte keşfedelim.

Ücretsiz online keşif görüşmesi için bizimle iletişime geçin. Mevcut altyapınızı, hedeflerinizi, bütçenizi dinliyor, size özel yol haritası çıkarıyoruz. WhatsApp hattımızdan veya web sitemizdeki iletişim formundan ulaşabilirsiniz.

Sabit fiyat, sözleşmede yazılı. 15 gün ücretsiz hata düzeltme garantisi. Mersin'deki e-ticaret firmaları için AI öneri sistemleri artık bir lüks değil, rekabette fark yaratmanın yolu.

Yazar: Doğuhan Bulut