Tarihsel Bağlam
Tekli Satın Alma (One-Click Purchase) kavramı, 1999 yılında Amazon tarafından patentlenmiş ve e-ticaretin gelişiminde bir dönüm noktası olmuştur. Veri girişi gereksinimini ortadan kaldırarak dönüşüm hunisinde kilit bir sürtünmeyi gidermektedir. Mobil ortamda, her ek ekran dönüşümü %20-30 oranında düşürmektedir, bu nedenle bu işlev ani satın almalarda kritik öneme sahiptir. Ancak uygulamanın kendisi metodolojik bir tuzak yaratmaktadır: Ödeme bilgilerini saklayan kullanıcılar, platforma olan güvenleri ve önceki satın alma geçmişleri ile diğer kitlelerden sistematik olarak farklılık göstermektedir; bu da grupların basit karşılaştırmasını anlamsız hale getirmektedir.
Sorun Tanımı
Aşamalı bir rollout sürecinde (örneğin, önce iOS, sonra Android), çift yönlülük (endojenite) ile karşılaşmaktayız. Öncelikle, ödeme tokenlarının varlığı nedeniyle kendi kendine seçim, sadakat ve ödeme gücü ile ilişkilidir. Ayrıca, platformlar arasındaki kullanıcı tabanlarının büyüme dinamiğindeki farklılıklar zaman trendlerini saptırmaktadır. "Tekli" kullanıcılar ile normal kullanıcılar arasındaki dönüşüm karşılaştırması %2-3 puanlık bir fark göstermektedir, ancak bu, kitle kalitesini yansıtmaktadır, işlevin etkisini değil. Gerçek artı etkisini kendi kendine seçim kaymasından ayırmak gerekmektedir.
Detaylı Çözüm
Optimum yöntem, Difference-in-Differences (DiD) ile Propensity Score Matching (PSM) veya Synthetic Control Method kombinasyonudur. Uygulama adımları aşağıdaki gibidir.
İlk olarak, "muamele gören" kohortunu (roller zamanı geldiğinde bu işleve erişim sağlayan kullanıcıları) oluşturuyoruz. Kontrol grubu olarak, işlevin mevcut olmadığı platformda (örneğin, iOS denemesi sırasında Android kullanıcıları) saklanmış kartları olan kullanıcıları PSM aracılığıyla önceden belirlenmiş özelliklerle eşleştiriyoruz: satın alma sıklığı, ortalama sepet tutarı, oturum derinliği ve tenure.
Ardından, DiD uyguluyoruz: test grubunda dönüşümdeki değişimi (önce ve sonra) kontrol grubundaki benzer değişimle karşılaştırıyoruz. Bu, kullanıcıların ve platformların zaman değişmez özelliklerini ortadan kaldırır. Nedensellik gücünü artırmak için Instrumental Variables (IV) kullanıyoruz: işlevin mevcut olma durumu (kullanıcının seçimi değil, işletim sisteminin güncelleme tarihi ile tanımlanır) One-Click kullanımının gerçek aracı olarak hareket etmektedir.
Ayrıca, kartın saklanma süresinin (son 14 gün içinde kart ekleyen kullanıcıları hariç tutarak) zaman eşiği etrafında Regression Discontinuity Design (RDD) uyguluyoruz, böylece büyük satın almalar öncesi öngörücü davranışı dışarıda bırakıyoruz. Sonuç olarak, fırfıksız bir satın alma için hareket etmeye hazır kullanıcılar için Local Average Treatment Effect (LATE) tahmin ediliyor.
Tekli Satın Alma etkisini izole etmek için, Difference-in-Differences ve Propensity Score Matching kombinasyonu ile bir kısmi deney tasarımı kullanılmalıdır. Anahtar adım, platformlardaki aşamalı rollout'u doğal bir deney olarak kullanmaktır; burada işlevin zamanlaması bir enstrüman değişkeni olarak hareket etmektedir.
İlk olarak, tarihsel metriklere göre (LTV, oturum sıklığı, kategori tercihleri) platformlar arasında saklanmış kart kullanıcılarının eşleştirilmesi işlemi gerçekleştirilir. Daha sonra, işlevin etkinleşmesinden önce ve sonra dönüşümdeki farklılık hesaplanır. Kullanımı esnek hale getirmek için iki aşamalı en küçük kareler yöntemi (2SLS) kullanılır; ilk denklem, işlevin erişilebilirliğinden yola çıkarak kullanım olasılığını tahmin ederken, ikinci denklem, dönüşümü tahmin edilen kullanımdan hesaplar.
Analizi ürün kategorilerine göre katmanlamak önemlidir: anlık ürünlerde (aksesuvarlar, kozmetik) sepet bırakma oranlarının düşmesinde yüksek bir etki beklenirken, düşünülen satın almalarda (elektronik) etki en aza inmektedir. Nihai metrik, yalnızca checkout süresinin kısaltılması nedeniyle artan dönüşüm oranıdır; kitle seçim etkisi değil.
"Hız" pazaryerinde, mobil cihazlar üzerindeki sepet bırakma oranını azaltmak için One-Click Purchase işlevini uygulama planları yapılmıştır. İşlev, kart ve adresin önceden saklanmasını gerektirmektedir. Ürün yöneticisi, önce iOS (audience'ın %65'i), ardından 6 hafta sonra Android uygulamasının aşamalı bir rollout'unda ısrar etmiştir çünkü Apple Pay ile entegre olmak teknik olarak daha kolaydır.
Değerlendirilen Seçenek 1: Dönüşüm Direkt Karşılaştırması Analist, basitçe One-Click işlevi olan ve olmayan kullanıcılar arasındaki dönüşümü kıyaslamayı önerdi. Artıları: anında sonuç, iş için anlaşılır bir metrik. Eksileri: trajik kendi kendine seçim kayması — saklanmış kartlara sahip kullanıcılar önceden 3+ satın alma yapmış ve %4.2 dönüşüm oranı ile diğerlerinin %1.8 olması. 2.4 puanlık bir fark, sadakati yansıtmaktadır, işlevin etkisini değil. Geçersizliği nedeniyle bu seçenek reddedildi.
Değerlendirilen Seçenek 2: Klasik A/B testi zorlu bir kesinti ile Teknik lider, yine de temiz bir deney yapmayı önerdi: uygun kullanıcıların yarısında One-Click'i rastgele devre dışı bırakmak. Artıları: neden-sonuç sonuçları için altın standart. Eksileri: hukuksal riskler (saklanmış verileri olan kullanıcıların beklentilerini ihlal etmek), etik sorunlar (sadık müşteriler için UX’i kasıtlı olarak kötüleştirmek) ve ön uçta saklanmış tokenların “unutulması” ile ilgili teknik zorluklar. Ürün komitesi bu seçeneği iş için kabul edilemez olarak reddetti.
Seçilen Çözüm: Coğrafi Katmanlama ile Kvázi Deney DiD Analitik ekip, Propensity Score Matching ve Difference-in-Differences yaklaşımını seçti. İlk hafta işlevi kullanma erişimi olan her iOS kullanıcısı için, benzer bir geçmişe sahip Android kullanıcılarından (LTV'ye göre ±%10, son 90 günde sipariş sayısına göre ±1) "ikiz" eşleştirildiği bir yöntem kullanıldı. Dört haftalık pencereler, yayımdan önce ve sonra analiz edildi.
Sonuç: Saf bir karşılaştırma dönüşümde +2.1 puanlık bir artış gösterdi, ancak temizlenmiş DiD tahmini, toplam dönüşüm için gerçek etkinin +0.7 puan ve "aksesuvarlar ve ev eşyaları" kategorisi için +1.4 puan olduğunu ortaya koydu (ani satın almalar). Ortalama sepet tutarında istatistiksel olarak anlamlı bir değişiklik olmadı. Verilere dayanarak, Android'e genişletme kararı alındı ve yeni kullanıcılar için kart saklamayı teşvik eden bir kampanya başlatıldı; bu, uygun kullanıcı oranını %30'dan %55'e çıkardı.
Kullanıcılar, büyük bir alışveriş planlaması öncesinde kart saklarken, zaman aktifleştirme ile endojenite Yüklemesini nasıl ele alırsınız?
Cevap: Bu, perakendedeki Ashenfelter's dip etkisini göstermektedir. Kullanıcılar genellikle bilinen etkinliklerin (kara cuma, doğum günü) öncesinde ödeme yöntemlerini eklemektedir. Bu nedenle, "kart saklama" sonrası gözlemlenen yüksek dönüşüm, mevcut niyetli talebi yansıtmaktadır, kolaylık etkisini değil. Nötrleştirmek için narrow window design kullanmak gerekmektedir: analizden, alışverişten ±7 gün içinde kart saklayan kullanıcıların hariç tutulması veya kart saklama için minimum sepet tutarı eşiği etrafında Regression Discontinuity uygulanması. Alternatif olarak, yalnızca kartları tarihsel olarak 30 günden fazla saklayan kullanıcıları (deneme süresi) uygun grup olarak kullanmak mümkündür; "taze" saklayanlar hariç tutulur.
ITT (Intention-to-Treat) ile ToT (Treatment-on-the-Treated) arasında ne fark vardır ve neden uyum önemlidir?
Cevap: ITT, tüm uygun kullanıcılar için işlevin mevcut olma durumunun etkisini ölçerken, ToT sadece "şimdi satın al" butonuna tıklayan kullanıcılar üzerindeki etkiyi ölçmektedir. Adaylar bu ölçümleri genellikle karıştırmakta ve sadece gerçek kullanıcıları analiz etme teklifinde bulunmakta, bu da selection bias ile sonuçlanmaktadır — aktif kullanıcılar zaten satın alma eğilimindedir. Doğru yaklaşım, işlevin mevcut olma durumu (platformdaki rollout) ile etkili kullanımı enstrümante eden LATE (Local Average Treatment Effect) değerlendirmesidir. Bu, One-Click işlevinin mevcut olmasından ötürü kullanan kullanıcılar için bir etki sağlamaktadır; özel tercihlerden değil. Öncelikle anlamak önemlidir ki LATE, bir popülasyona genelleme yapmamaktadır; uyum özelliklerle ilişkili ise (örneğin, genç kullanıcılar daha sık tekli alımları kullanmaktadır) uyum farkları bulunmaktadır.
Neden Tekli Satın Alma uygulaması, son tıklama atıflarında organik kanalın etkinliğini yapay olarak düşürebilir ve bunu nasıl tespit edersiniz?
Cevap: One-Click, ihtiyaç bilinci ile satın alma arasında zaman penceresini daraltmaktadır. Sürtünmesiz bir ortamda, kullanıcı, Instagram'da bir ürün gördüğünde hemen satın almakta, ertesi gün arama motoruna geri dönmemektedir. Son tıklama modelinde bu sipariş, ücretli kanala (social) atfedilirken, önceden organik (search) olarak sayılabilirdi. Adaylar, organik payın düşmesini genellikle negatif olarak yorumlamakta; ancak bu ölçümün bir artefaktıdır. Tespit için, Marketing Mix Modeling (MMM)'yi coğrafi segmentler düzeyinde (rollout'un farklı zamanlarda gerçekleştiği yerlerde) uygulamak veya blended CAC ve toplam LTV/CAC oranı üzerinden analiz yapmak gerekmektedir; kanal parçalanması değil. Ayrıca, time-to-purchase ölçümü yapmak da faydalıdır — bunun kısalması, kanalların değiştirilme mekanizmasını doğrulamaktadır, organik talebin kaybı değil.