Bir müşteri yapay zekâya “Kabin boyuna uygun, 15 inç laptop bölmeli ve yağmura dayanıklı bir sırt çantası öner” diye sorduğunda mağazanızın adı geçiyor mu? Yanıt, doğru ürünü ve doğru varyantı mı gösteriyor? Kullanıcı bağlantıya tıkladığında aradığı ürünü bulup sepete ekliyor mu?
DeepMineAI’da bu soruları yanıtlamak için görünürlüğü, siteye gelen trafiği ve alışveriş davranışını ayrı ayrı ölçüyoruz. Ardından veriyi kategori sayfalarına, ürün açıklamalarına ve ürün gamıyla ilgili kararlara taşıyoruz.
Hangi verileri günlük ve haftalık takip ediyoruz?
| Kaynak | Neye bakıyoruz? | Hangi kararı besliyor? |
|---|---|---|
| Google Search Console | Web aramalarında sorgu ve sayfa bazında gösterim, tıklama ve konum. Üretken yapay zekâ raporunda AI Overviews ve AI Mode gösterimleri. | Hangi kategori ve ürün sayfalarının görünürlük kazandığını, hangilerinin daha ayrıntılı incelenmesi gerektiğini belirliyoruz. |
| GA4 | Kaynağı belirlenebilen yapay zekâ asistanı oturumları, açılış sayfaları, ürün görüntüleme, sepete ekleme ve satın alma. | Ziyaretçinin hangi sayfadan girdiğini ve alışverişin hangi adımına kadar ilerlediğini görüyoruz. |
| Google Ads | Reklamları tetikleyen arama terimleri, maliyet ve dönüşüm. | Hangi ifadelerin satın alma niyeti taşıdığını ve hangi taleplerin mevcut ürünlerle karşılanabildiğini araştırıyoruz. |
| Bing Webmaster Tools | Arama performansı ve AI Performance raporunda mevcutsa atıflar, kaynak gösterilen URL’ler ve yanıt hazırlanırken kullanılan arama ifadelerinden örnekler. | Hangi sayfaların Microsoft’un yapay zekâ deneyimlerinde kaynak olarak kullanıldığını inceliyoruz. |
Google AI gösterimi, Bing atfı, GA4 oturumu ve Ads dönüşümü farklı olayları sayar. Her birini kendi raporunda ve karşılaştırılabilir dönemlerde değerlendiriyoruz. Search Console üretken yapay zekâ raporu · GA4 trafik edinme raporu · Google Ads arama terimleri raporu · Bing AI Performance
Günlük takipte stok ve fiyat tutarsızlıklarına, ürün verisi hatalarına ve önemli sayfalardaki olağan dışı değişimlere bakıyoruz. Örneğin bir ürün reklamdan ziyaret almaya devam ederken en çok aranan varyantı tükenmişse ürün sayfasını, reklam hedefini ve ürün verisini birlikte kontrol ediyoruz.
Haftalık incelemede tekrar eden müşteri taleplerini grupluyoruz. Search Console sorgularını, Ads arama terimlerini ve varsa site içi arama ile müşteri destek kayıtlarını birlikte inceliyoruz. Sonra bu talepleri ilgili kategori, ürün veya rehberle eşleştiriyoruz. Hacim düşük olduğunda haftalık dalgalanmalar üzerinden karar vermek yerine daha uzun bir döneme bakıyoruz.
Arama niyetini ürün sayfasına nasıl çeviriyoruz?
Sırt çantası örneğinde üç soru, alışverişin üç farklı aşamasına işaret eder.
- Keşif: “Hafta sonu seyahati için kaç litrelik çanta gerekir?” Kullanıcının kapasite seçmesine yardım eden bir rehber veya kategori açıklaması gerekir.
- Karşılaştırma: “Kabin boyu sırt çantasında 20 ve 30 litre arasında ne fark var?” Ölçü, ağırlık, laptop bölmesi ve taşıma kapasitesini yan yana gösteren bir tablo işe yarar.
- Satın alma: “15 inç laptop sığan, 2.500 TL altı kabin çantası hangisi?” Kullanıcı uygun varyantı, güncel fiyatı, stok durumunu ve teslimat bilgisini görmek ister.
Bu talepler tekrar ediyorsa önce katalogda karşılığına bakıyoruz. Uygun ürün varsa ölçü ve uyumluluk bilgisini ürün sayfasında görünür kılıyor, ilgili kategoriden ürüne ulaşmayı kolaylaştırıyoruz. Aynı özellik birden fazla üründe aranıyorsa kategori filtresini iyileştiriyoruz. Talep stokta olmayan bir varyantta yoğunlaşıyorsa, tekrar stoklama veya ürün gamını genişletme kararını talep, satış ve stok verileriyle birlikte değerlendiriyoruz.
Ürün başlığı, açıklama, görseller, fiyat, stok ve varyant bilgilerini sayfa ile ürün veri akışında karşılaştırıyoruz. Örneğin siyah 20 litrelik varyantın bağlantısı açıldığında ziyaretçi o varyantın görselini, fiyatını ve stok durumunu görmeli. Google da ürün varyantlarının ayırt edilebilir olmasını, yapılandırılmış verinin sayfadaki görünür bilgilerle eşleşmesini ve Merchant Center bilgilerinin güncel tutulmasını öneriyor. Google ürün varyantı kılavuzu · Google AI özellikleri ve web siteniz
Yapay zekâ yanıtlarını nasıl test ediyoruz?
Önce gerçek müşteri sorularından bir test seti oluşturuyoruz. Platformu, dili, pazarı, test tarihini ve kullanılan soru metnini kaydediyoruz. Her yanıtta dört şeyi işaretliyoruz: markanın adı geçti mi, ürün uygun bir seçenek olarak önerildi mi, hangi bağlantı kaynak gösterildi ve ürün bilgileri doğru muydu?
Önerilme oranını markanın veya ürünün uygun seçenek olarak sunulduğu yanıt sayısını, test edilen yanıt sayısına bölerek hesaplıyoruz. Örneğin 40 yanıttan 8’inde ürün önerildiyse o test setindeki oran %20’dir. Aynı soruları sonraki turda tekrar çalıştırmak karşılaştırmayı mümkün kılar. GA4’te ise kaynağı belirlenebilen ziyaretçilerin hangi sayfaya geldiğini ve sepete ya da satın almaya ilerleyip ilerlemediğini inceliyoruz.
Aggarwal ve çalışma arkadaşlarının GEO: Generative Engine Optimization araştırması, üretken arama yanıtlarında kaynak görünürlüğünü ölçmek için bir deney çerçevesi önerdi. Çalışmada optimizasyon yöntemlerinin etkisi konu alanına göre değişti. Bu yüzden test sorularını mağazanın kendi kategorilerine ve müşterinin karar verirken kullandığı ölçütlere göre hazırlıyoruz. Aggarwal ve diğerleri, GEO araştırması
Bu yaklaşımı kendi çalışmalarımızda nasıl kullandık?
Yunus Makas’ın beş yapay zekâ sistemiyle yaptığı giyim üreticileri araştırmasında, alıcının adet, numune, kumaş ve etiket gibi koşullar belirttiği yüksek satın alma niyeti senaryolarında 50 üreticinin 14’ü en az bir kez uygun aday olarak önerildi. Sonuç, araştırmanın örneklemini ve tek ölçüm turunu kapsıyor. E-ticarette aynı yöntemi uygularken “iyi sırt çantası” gibi genel bir soruyla yetinmeyip müşterinin seçim yaptığı fiyat, ölçü, kullanım ve teslimat koşullarını teste dahil ediyoruz. Giyim üreticilerinde yapay zekâ görünürlüğü araştırmamız
Ayrı bir giyim üreticisi projesinde düşük sipariş adedi, numune, üretim süresi ve gönderim bilgilerini sayfalarda daha açık hale getirdik. İç bağlantıları satın alma niyetine göre düzenledik ve iletişim adımlarını sadeleştirdik. 22 Mayıs–22 Ekim 2026 döneminde GA4’te kaydedilen 3.080 oturumun 1.876’sı (%60,9) yapay zekâ asistanlarına atfedildi. Bu, ilgili müşterinin o dönemdeki trafik dağılımıydı. Giyim üreticisi SEO ve GEO vaka çalışması
Bir e-ticaret projesinde başlangıç için tek kategori seçiyoruz. Alıcı sorularını çıkarıyor, ürün sayfası ve katalog verisini kontrol ediyor, ilk ölçümü kaydediyoruz. Değişiklikten sonra aynı soruları yeniden test ediyor ve görünürlükteki değişimi ürün görüntüleme, sepete ekleme ve satın alma verileriyle birlikte değerlendiriyoruz. DeepMineAI GEO danışmanlığı
Yazar hakkında
Yunus Makas, DeepMineAI’ın kurucusu ve yapay zekâ görünürlüğü danışmanıdır. Teknik SEO, veri analizi ve GEO çalışmalarını bir araya getirerek markaların yapay zekâ yanıtlarında nasıl bulunduğunu ve kaynak olarak gösterildiğini inceler.
GEO Rehberi — Markanızı Yapay Zekâ Aramalarında Görünür Kılın adlı kitabında, sahadaki örneklerle yapay zekâ görünürlüğünün nasıl ölçüldüğünü ve teknik SEO ile GEO’nun birlikte nasıl uygulandığını anlatır. Kitabı inceleyin.
