E-Ticaret için AI Referral Attribution: GA4, Server-Side ve BigQuery Rehberi

AI trafiğini neden bugün ölçemiyorsunuz?

Yapay zekâ kaynaklı görünürlük artık birçok marka için gerçek bir trafik ve gelir fırsatı yaratıyor. Ancak çoğu ekip için önemli bir sorun var: AI yanıtlarında görünür olmak ile bu görünürlüğü analytics içinde doğru şekilde ölçmek aynı şey değil.

AI referral attribution; AI modelleri, LLM’ler ve bu kaynaklardaki alıntılar üzerinden oluşan görünürlüğün, web oturumları, etkileşimler ve gelirle doğru biçimde ilişkilendirilmesidir. Özellikle e-ticaret ekiplerinde, AI yanıtlarında yer almak ile bu görünürlüğün gerçekten site trafiğine, ürün keşfine ve dönüşüme nasıl katkı verdiğini görmek arasında ciddi bir kopukluk bulunur.

Bunun temel nedeni, AI kaynaklarının çoğu zaman klasik referral URL mantığıyla çalışmamasıdır. Kullanıcılar bir bağlantıya tıklamak yerine metin içindeki yönlendirmelerle hareket eder, alıntılar doğrudan referer alanına düşmez ve sonuçta birçok oturum yanlış kanal altında sınıflanır ya da tamamen görünmez hale gelir.

Bu kopukluk özellikle sezon kampanyaları, indirim dönemleri ve kargo yoğunluğu gibi kritik zamanlarda daha büyük bir probleme dönüşür. Çünkü görünürlük artarken ölçüm zayıf kalırsa, ürün stok planlamasından kampanya bütçesine kadar birçok operasyonel karar eksik veriyle alınır.

Kısa cevap: AI referral attribution nasıl kurulur?

AI kaynaklı trafiği ölçebilmek için temel olarak şu yapıyı kurmanız gerekir:

• AI kaynağını standartlaştırın. Tüm AI kaynaklarını source=ai ve platform=llm gibi ortak alanlarla tanımlayın. Bu yaklaşım tüm veri katmanlarında tek tip sinyal oluşturur.
• Landing page ve event yapısını netleştirin. Her AI yönlendirmesi için querystring ya da server-side header üzerinden citation_flag=true benzeri bir işaret gönderin.
• Eksik sinyalleri server-side ile tamamlayın. Tarayıcı tarafında kaybolan ya da manipüle edilebilen verileri server-side endpoint üzerinden yakalayın ve güvenli şekilde GA4 Measurement Protocol ile ilişkilendirin.
• Verileri BigQuery’de birleştirin. GA4 ham event verilerini, server-side kayıtlarını ve görünürlük raporlarını aynı veri modelinde toplayın.
• Görünürlük ile iş sonuçlarını birlikte okuyun. AI kaynaklı oturumlar, alıntılanan ürün oranı ve assisted conversion gibi metrikleri satış, teslimat ve operasyon metrikleriyle yan yana değerlendirin.

Hangi entegrasyon modeli size uygun?

Aşağıdaki tablo, ekibinizin ihtiyaçlarına göre hangi ölçüm modelinin daha uygun olabileceğini gösterir:

Model	Uygun ekip tipi	Kurulum hızı	Veri derinliği	Bakım ihtiyacı	Örnek görülebilecek metrikler
GA4-only	Pazarlama ekipleri, küçük e-ticaretler	Hızlı, 1-2 hafta	Temel kanal ataması	Düşük	Toplam oturum, dönüşüm oranı, kampanya etiketleri
GA4 + server-side	Orta ve büyük perakendeciler, operasyon ekipleri	Orta, 3-6 hafta	Orta-yüksek, session-level doğruluk	Orta	AI kaynaklı oturumlar, citation_flag etkin oturumlar, session_quality
GA4 + server-side + BigQuery	Büyük perakende, veri ekipleri, CRM entegrasyonları	Daha uzun, 6-12 hafta	Tam derinlik, birleşik analiz	Yüksek	Prompt bazlı görünürlük, product_cited oranı, son kullanıcı dönüşüm gecikmeleri

4 adımda ölçüm mimarisini kurun

1. Kanal ve alan standardı oluşturun

İlk adım, tüm ekiplerin aynı veri dilini kullanmasını sağlamaktır.

Kaydedilmesi önerilen alanlar:

• source/platform
• citation_flag
• prompt_topic
• product_sku
• product_category
• landing_page
• session_quality
• campaign_period

Bu standardizasyon sayesinde pazarlama, veri, CRM ve operasyon ekipleri aynı kavramlar üzerinden konuşabilir. Ayrıca çapraz raporlama çok daha sağlıklı hale gelir.

2. Event adlandırma ve landing page mantığını netleştirin

AI kaynaklı etkileşimler için event isimlerinin açık ve tutarlı olması gerekir.

Örnek event isimleri:

• ai_referral
• product_cited
• prompt_interaction
• session_quality_score
• shipping_delay_bucket

Landing page stratejisi:
AI kaynaklarında belirli bir URL, ürün sayfası ya da slug geçiyorsa, bunu query parametreleriyle yakalayın.

Örnek querystring: ?source=ai&platform=llm&citation_flag=1&prompt=promoX

Bu yapı, AI kaynaklı oturumların daha sonra kolayca ayrıştırılmasını sağlar.

3. Server-side yakalama katmanı ekleyin

Tarayıcı tarafında görünmeyen, eksik gelen veya kullanıcı tarafından değiştirilebilen sinyalleri server-side katmanla doğrulamak gerekir.

Server-side yaklaşımın faydaları:

• Veri kaybını azaltır
• Güvenilirliği artırır
• Session eşleşmelerini daha doğru hale getirir
• GA4’e Measurement Protocol ile kontrollü veri aktarımı sağlar
• Aynı veriyi BigQuery’ye ham olarak taşıyabilir

Bu modelden farklı ekipler farklı şekillerde fayda görür:

• Backend ekipleri veri güvenliğini güçlendirir
• Analytics ekipleri daha güvenilir sinyallerle çalışır
• Pazarlama ekipleri daha doğru kanal ve performans analizi yapar

4. BigQuery’de birleştirme ve raporlama kurun

Ölçüm olgunluğunu artırmak için verileri tek bir analiz katmanında birleştirmek gerekir.

Temel yaklaşım:

• GA4 ham event tablosu
• Server-side yakalama tablosu
• Görünürlük veya alıntı verisi

Bu tabloları session_id veya client_id üzerinden eşleştirebilir, görünürlük verisini de citation_flag ve prompt_topic gibi alanlarla ilişkilendirebilirsiniz.

Başlangıç için en pratik yöntem, önce haftalık cohort sorguları oluşturmaktır. Daha sonra ihtiyaç arttıkça gerçek zamanlı dashboard’lara geçebilirsiniz.

Sezon öncesi hangi metriklere bakılmalı?

Sezon kampanyaları ve kargo yoğunluğu dönemlerinde yalnızca trafik değil, görünürlük ve operasyon etkisi birlikte izlenmelidir. Özellikle şu metrikler kritik önem taşır:

• AI kaynaklı oturumlar (ai_sessions)
  Haftalık ve saatlik kırılımlar üzerinden AI kaynaklı trafik artışını gösterir.

• AI destekli dönüşümler (ai_assisted_conversions)
  Çok kanallı yolculuklarda AI kaynaklarının dönüşüme ne kadar katkı sağladığını ortaya koyar.

• Alıntılanan ürün oranı (product_cited_rate)
  AI yanıtlarında geçen ürünlerin site içi etkileşim performansını ölçer.

• Prompt bazlı görünürlük değişimi (prompt_topic)
  Hangi konu, sorgu ya da kampanya başlığının daha fazla trafik ve dönüşüm getirdiğini anlamayı sağlar.

• Session quality ve dönüşüm gecikmesi (session_quality_score, conversion_lag)
  Özellikle sevkiyat yoğunluğunda, yüksek ilginin neden aynı hızda satışa dönüşmediğini anlamaya yardımcı olur.

Benchmark ne demek?

Benchmark, performansınızı geçmiş dönemler ya da benzer operasyon yapılarıyla karşılaştırma yöntemidir. AI görünürlüğü özelinde benchmark kullanmak, belirli bir dönemde artan alıntı yoğunluğunun gerçekten güçlü bir performansa mı işaret ettiğini yoksa sadece dönemsel bir dalgalanma mı olduğunu anlamanızı sağlar.

Kargo yoğunluğu için örnek ölçüm senaryosu

Diyelim ki sezon öncesinde AI kaynaklı trafik yüzde 40 arttı. Aynı dönemde kargo gecikmeleri nedeniyle dönüşüm süresi uzadı.

Bu durumda takip edilmesi gereken başlıca metrikler şunlar olur:

• ai_sessions
• product_cited_rate
• ai_assisted_conversions
• conversion_lag
• shipping_delay_bucket

Olası yorum:
AI görünürlüğünüz yükseliyor olabilir; yani markanız veya ürünleriniz AI yanıtlarında daha sık yer alıyordur. Ancak sevkiyat tarafındaki gecikmeler nedeniyle kullanıcılar hemen satın alma yapmıyor olabilir. Böyle bir senaryoda içgörü, pazarlama bütçesini agresif şekilde artırmak yerine operasyon kapasitesine göre daha kontrollü yönetmeniz gerektiğini gösterebilir.

Örnek alanlar ve beklenen metrik çıktıları

Kaydedilmesi önerilen örnek alanlar

• source/platform
  Örnek değerler: ai, organic, cpc

• citation_flag
  Örnek değerler: 0, 1

• prompt_topic
  Örnek değerler: kategori adı, kampanya kodu

• product_sku ve product_category
  Örnek değerler: SKU12345, Ev Elektroniği

• landing_page
  Örnek değerler: /urun/sku12345

• session_quality
  Örnek değerler: 0-100 arası skor

• campaign_period
  Örnek değerler: Q4-2026, Kasim-Kampanya

Beklenen metrik çıktıları

• AI kaynaklı oturumlar
  AI etiketiyle işaretlenen tüm oturumların toplam sayısı

• AI destekli dönüşümler
  AI kaynağının assist veya last-click etkisiyle ilişkilendirilen dönüşümler

• Alıntılanan ürün oranı
  AI yanıtlarında geçen ürünlerin site içi tıklanma veya ziyaret oranı

• Prompt bazlı görünürlük değişimi
  Her prompt_topic için oturum, etkileşim ve dönüşüm değişimi

• Kaynak bazlı katkı
  Kanal performans raporlarında AI kaynaklarının toplam katkı payı

Quadrant’ın rolü

Quadrant, AI görünürlüğü, alıntı takibi ve optimizasyon içgörülerini analytics altyapısına bağlayan bir katman olarak düşünülmelidir. Sağladığı alıntı sinyalleri; citation_flag ve prompt_topic gibi alanlarla eşleştirildiğinde, GA4 ve BigQuery tarafında anlamlı iş sonuçlarına dönüşebilir.

Buradaki önemli nokta, Quadrant verisini tek başına nihai çözüm gibi konumlandırmamak; mevcut analytics yapınızla birlikte çalışan bir görünürlük katmanı olarak değerlendirmektir. En verimli sonuç, görünürlük verisinin mevcut ölçüm altyapınıza entegre edilmesiyle elde edilir.

Uygulamada dikkat edilmesi gereken operasyonel ipuçları

Kampanya öncesi test yapın

Sezon başlamadan en az iki hafta önce AI yönlendirmeleri için bir test cohort’u oluşturun. Bu sayede citation_flag doğruluğunu ve veri akışının tutarlılığını önceden kontrol edebilirsiniz.

Veriyi düzenli doğrulayın

Server-side yakalama, tarayıcı tarafındaki kayıpları azaltır; ancak düzenli kalite kontrol yine de şarttır. Measurement Protocol ile gönderilen event’lerin timestamp ve session eşleşmelerini periyodik olarak kontrol edin.

Sevkiyat verisini dahil edin

Kargo ve fulfillment verisini BigQuery tablolarına eklemek büyük fark yaratır. Özellikle shipping_delay_bucket alanı, operasyonel aksaklıkların dönüşüm üzerindeki etkisini net biçimde görünür kılar.

Raporları tek ekranda toplayın

Haftalık dashboard’larda yalnızca AI görünürlük metriklerini değil, satış, stok ve fulfillment metriklerini de birlikte gösterin. Böylece ekipler aynı tablo üzerinden karar verebilir.

Sonuç

AI görünürlüğünü ölçmek artık sadece pazarlama ekiplerinin değil, tüm işletmenin konusu haline geldi. AI yanıtlarında yer almak önemli; ancak asıl değer, bu görünürlüğün oturumlara, ürün keşfine, dönüşümlere ve operasyonel sonuçlara nasıl yansıdığını görebilmektir.

Doğru kurulan bir yapı sayesinde AI alıntı sinyalleri analytics içinde kaybolmaz. GA4, server-side ve BigQuery katmanlarıyla kademeli biçimde kurulan bu mimari; hem pazarlama hem de operasyon ekiplerine daha güvenilir, daha bütünlüklü ve karar almaya uygun bir performans görünümü sunar.