Tarihsel Bağlam: Hesap ayırma (split payment) fonksiyonu, seyahat ve B2B hizmetleri dikeylerinde geleneksel olarak baskın bir rol oynamaktadır, ancak bu fonksiyonun klasik e-ticarette (elektronik, moda) kitlesel olarak uygulanması, mobil ödemelerin artmasıyla ilgili olarak oldukça yeni bir gelişmedir. Temel analitik zorluk, kullanıcıların sosyal kümelere (genç gruplar, aileler) kendiliğinden seçilmeleri ve burada satın alma kararının kolektif olarak alınmasıdır; bu durum test ve kontrol grupları arasında interference yaratmakta ve standart A/B testlerini geçersiz kılmaktadır.
Sorunun Tanımı: Split payment'in birim ekonomisi metrikleri üzerindeki saf nedensel etkisini izole etmek gerekmekte, bunu (1) pahalı ürünler üzerindeki mevsimsel talep dalgalanmaları, (2) genç kohortlar içindeki ortalama sepet tutarının doğal artış eğilimi, (3) sosyal bağların içsel durumu (zengin arkadaşların zengin arkadaşları davet etmesi) ve (4) kategorilere göre kademeli yayılma etkilerinden ayırmak gerekmektedir.
Detaylı Çözüm: En optimal yaklaşım, sosyal grafik düzeyinde (kullanıcı değil) küme randomizasyonu ile birlikte Difference-in-Differences (DiD) kombinasyonudur ve fonksiyonun etkinleştirilme eşiğine (örneğin, 30.000 ₽) dayanan Fuzzy Regression Discontinuity Design (RDD) ile tamamlanır. Sosyal bağların içselliği için IV (Instrumental Variables) yaklaşımı uygulanmakta; burada rol oynayan alet, yayılma planında kategori sıralama numarasıdır (dışsal varyasyon), bu da fonksiyonun gerçek kullanımdan önceki durumudur. Segmentler arası etki heterojenliğini değerlendirmek için Causal Forest kullanılmakta, bu yöntem farklı kullanıcı kümeleri için koşullu ortalama etkileri (CATE) ortaya çıkarır. Metrikler iki modda değerlendirilmektedir: Intent-to-Treat (ITT) — butonun varlığıyla ilgili etki ve Treatment-on-the-Treated (TOT) — gerçek kullanım etkisi, bu da Two-Stage Least Squares (2SLS) aracılığıyla uyumdan sapmanın düzgün bir şekilde işlenmesini gerektirir.
Bağlam: Büyük bir elektronik pazar yeri, 50.000 ₽ üzerindeki alışverişlerde iki kullanıcının ödemeyi eşit şekilde paylaşmasına izin veren “Sepeti Paylaş” fonksiyonunu başlatmaktadır. Pilot uygulama akıllı telefonlar kategorisinde başlatılmıştır ve “Dizüstü Bilgisayarlar” genişlemesi planlanmaktadır. İlk ayın ardından ticaret, test kategorisinde ortalama sepet tutarında %25’lik bir artış kaydederken, analist, fonksiyonu kullanan kullanıcıların %70'inin 18-22 yaş arası öğrenciler olduğunu ve tarihsel olarak düşük ARPU'ya sahip olduklarını, ancak pilot uygulamada birlikte iPhone satın alarak “bir araya toplanma” etkisi yarattıklarını şüphe etmektedir.
Çözüm Seçeneği 1: Basit Before/After karşılaştırması (ortalama üzerinde t-testi). Artıları: Hızlı uygulama, karmaşık bir altyapı gerektirmemektedir. Eksileri: Mevsimselliği tamamen göz ardı eder (okul yılının başlangıcı ağ gadgetlarına olan talebi artırabilir), mobil ticaretteki genel artış eğilimlerini ve yüksek fiyatlı siparişlerin 50.000 ₽ eşiğine doğru kendiliğinden seçimini dikkate almaz. Sonuç %15-18 puan yukarı kaydırılmıştır.
Çözüm Seçeneği 2: Aksesuar kategorisi kontrol olarak kullanılarak Difference-in-Differences. Artıları: Genel zaman eğilimlerini ortadan kaldırır, basit yorumlama. Eksileri: Paralel eğilimler varsayımını ihlal etme — akıllı telefon kategorisi, aksesuarlar ile farklı talep elastikiyetine ve fiyat dinamiklerine sahiptir. Ayrıca, bir spillover effect vardır: kullanıcılar akıllı telefonları ortaklaşa satın alabilir, ancak kılıfı kontrol grubundaki split payment olmadan satın alabilir, bu da kontrol grubunu kirletebilir.
Çözüm Seçeneği 3: Kesme Noktası 50.000 ₽ olan Regression Discontinuity Design (RDD). Artıları: Kıyas deneyci için dışsal eşik kullanarak, eşik üzerinde yerel etkilerin (LATE) değerlendirilmesine olanak sağlar. Eksileri: Tüm fiyat aralıklarında ölçeklenmez, 80.000 ₽'lik siparişleri göz ardı eder (etki farklı olabilir). Ayrıca, bulanık bir özellik vardır — kullanıcılar şartları karşılamak için fiyatı manipüle edebilir (aksesuari eklemek).
Seçilen Çözüm ve Gerekçe: Uygulanan hibrit yaklaşım: 45.000–55.000 ₽’lik siparişler için Fuzzy RDD (saf kimliklendirme eşiği) + genel eğilim için DiD ile birlikte Synthetic Control Method (SCM) — akıllı telefonların öncesinde dinamikler taklit eden diğer kategorilerden tartılmış yapay bir kontrol oluşturulması. Sosyal etkiler için, sosyal bağların bir proxy'si olarak device ID (kullanılan cihazların tanımları) üzerinden kümeleme uygulanmıştır.
Sonuç: Gerçek ek etki %8,4'lük bir artış oldu (gözlemlenen %25'in yerine), bu arada 18-25 yaş grubundaki dönüşüm %12 arttı, ancak satın alma sıklığı bir sonraki çeyrekte %5 düştü (alımın toplama yapılmasını bekleme etkisi). Fonksiyon sadece 40.000–70.000 ₽ arasında, etkisi istatistiksel olarak anlamlı olan kategorilerde uygulanmıştır.
1. Sosyal grafikler yoluyla etkileşim sorunu (kirlilik): kontrol grubundaki bir kullanıcı, test grubundaki bir arkadaş tarafından ortak bir satın alma için davet edilebilir.
Cevap: Klasik A/B testinde Stable Unit Treatment Value Assumption (SUTVA) varsayılmakta — birimlerin bağımsızlığı. Split payment durumunda bu bozulmakta, çünkü bir kullanıcının tedavisi (butonun varlığı) diğerinin davranışını (daveti) etkilemektedir. Doğru çözüm, sosyal bileşenler (arkadaşlık grafikleri) düzeyinde kümeli rastgelelik (cluster randomization) veya exposure mapping aracılığıyla ağ etkilerinin analizidir, burada maruz kalma, fonksiyona erişimi olan arkadaşların oranı olarak tanımlanmaktadır. Alternatif olarak — deney öncesi grafi ayrıştırmayı sağlamak için bipartite graph clustering kullanımı.
2. Düşük penetrasyon koşullarında ITT (Intent-to-Treat) ve TOT (Treatment-on-the-Treated) etkileri arasındaki fark.
Cevap: Birçok analist, butonu gören herkes için etkiyi (ITT), bunu kullananlar için etki gibi (TOT) yanlış bir şekilde değerlendirmektedir. Eğer butonu görenlerin sadece %10'u “Ayırmak” için tıklıyorsa, ITT, gerçek etkiyi 10 kat azaltmaktadır. TOT'u değerlendirmek için IV-approach gereklidir; burada alet $Z$ — butonun gösterimi (rastgele), içsel değişken $D$ — kullanım gerçeğidir. 2SLS değerlendirmesi, sadece mevcut olduğunda bu fonksiyondan yararlanacak olanlar için Yerel Ortalama Tedavi Etkisi (LATE) verecektir. Bu, iş durumu için kritik bir noktadır: “birlikte satın alma eğiliminde olanlar” için etki, ortalama etkiden 3-4 kat daha fazladır.
3. Uzun vadeli kanibalizasyon ve ileriye dönük yanlılık: split payment, yeni talep yaratmak yerine yalnızca gelecekteki bireysel satın alımları toplu olarak yeniden dağıtıyor olabilir.
Cevap: Adayların çoğu, yalnızca anlık işlem metriklerine odaklanmaktadır. Split payment'i kullananların alışveriş sıklığını (purchase frequency) eşleşen kontrol grubu ile karşılaştıran 90+ günlük bir kohort analizi gereklidir. Bu, öncesi davranış özelliklerine (faturaların geçmişi, mevsimsellik) dayalı propensity score matching (PSM) oluşturmayı gerektirir. Ayrıca, compositional shift kontrol edilmesi önemlidir — yüksek marjinalitede ancak düşük tekrarlamalı satın alma ile ilgili ürün potansiyelinin kayıp olup olmadığını kontrol etmek, bu durum bir illüzyon yaratmakta ve LTV'yi düşürmektedir.