Tahmine Dayalı Yapay Zeka ile Sepet Terk Kurtarma: Temel E-posta Hatırlatmalarının Ötesinde

Ortalama e-ticaret sepet terk oranı yaklaşık %70 civarındadır. Yıllık 10 milyon dolar gelir elde eden bir perakendeci için bu, yaklaşık 23 milyon dolar değerinde ürünün sepete eklendiği ancak hiç satın alınmadığı anlamına gelir. Standart kurtarma taktikleri — terk işleminden 1 saat, 24 saat ve 72 saat sonra gönderilen üç hatırlatma e-postası serisi — genellikle bu sepetlerin %3-5'ini kurtarır. Bu hiç yoktan iyidir, ancak yüzeyi zar zor çizer.

Yaklaşık 18 milyon dolar çevrimiçi satış yapan bir ev mobilyası perakendecisi, standart e-posta dizisiyle terk edilen sepetlerin %3,8'ini kurtarıyordu. Her terk eden kullanıcı için zamanlama, kanal, mesaj içeriği ve teşviki kişiselleştiren yapay zeka destekli bir kurtarma sistemine geçtikten sonra kurtarma oranları %14,2'ye yükseldi. Mevcut hacimleri üzerinden bu, yıllık yaklaşık 1,4 milyon dolar ek kurtarılmış gelire karşılık geliyordu.

Standart E-posta Dizisi Neden Düşük Performans Gösterir

Tipik terk e-posta dizisi, her terk eden kullanıcıya aynı şekilde davranır. Aynı zamanlama, aynı mesaj, aynı teklif. Ancak sepet terk işlemi çok farklı nedenlerle gerçekleşir ve en uygun kurtarma yaklaşımı nedene bağlıdır.

Bazı terk edenler hiçbir zaman ciddi alıcılar değildi. Göz atıyor, fiyat karşılaştırıyor veya sepeti istek listesi olarak kullanıyorlardı. Bu kişilerin kurtarma çabalarınız ne olursa olsun dönüşüm sağlaması pek olası değildir ve onlara agresif indirim e-postaları göndermek, indirim arama stratejisi olarak sepet terk etmeyi öğretir.

Bazı terk edenler belirli bir sürtünme noktasına takıldı: beklenmedik kargo maliyetleri, karmaşık bir ödeme süreci, reddedilen bir ödeme yöntemi veya hesap oluşturma gerekliliği. Bu kişiler satın almak istiyordu ve pratik bir engel tarafından durduruldu. Onlar için doğru kurtarma yaklaşımı, indirim sunmak değil sürtünme noktasını ele almaktır.

Bazı terk edenler dikkatlerini dağıttı. Satın almak niyetindeydiler, bölündüler ve unuttular. Bunlar kurtarılması en kolay olanlardır ve birkaç saat içinde gönderilen basit bir hatırlatma genellikle herhangi bir teşvik olmadan işe yarar.

Bazı terk edenler karşılaştırmalı alışveriş yapıyordur. Aynı ürünü birden fazla perakendecinin sepetinde tutuyorlar ve en iyi teklifi veya en uygun deneyimi sunan yerden satın alacaklar. Bunlar için zamanlama son derece önemlidir, çünkü bir rakip onları önce kurtarırsa, kaybedersiniz.

Tahmine Dayalı Model Ne Farklı Yapar

Yapay zeka modeli, her terk eden kullanıcıyı davranış sinyallerine dayanarak olası bir neden kategorisine sınıflandırır. 45 dakika göz gezdiren, üç kategoride beş ürün ekleyen ve kargo ücretini gördükten sonra ödeme sırasında terk eden bir müşteri, Google Shopping reklamından tek bir ürün sayfasına gelen, ürünü ekleyen ve 90 saniye içinde ayrılan bir müşteriden çok farklı görünür.

Sınıflandırma; oturum süresi ve derinliği (görüntülenen sayfa sayısı, sitede geçirilen süre), sepet bileşimi (tek ürün vs. birden fazla ürün, toplam sepet değeri, ürün kategorileri), terk noktası (göz atma, sepet inceleme, kargo hesaplama, ödeme girişi), müşteri geçmişi (yeni vs. geri dönen, önceki satın almalar, önceki terk işlemleri ve yanıtlar) ve trafik kaynağı (organik, ücretli arama, sosyal medya, e-posta, doğrudan) gibi özellikleri kullanır.

Sınıflandırmaya dayanarak model, dört boyutta en uygun kurtarma stratejisini seçer. Zamanlama birincisidir. Dikkati dağılan alışverişçiler için 1-2 saat içinde gönderilen bir hatırlatma en yüksek dönüşüm oranına sahiptir. Karşılaştırmalı alışveriş yapanlar için hız daha da kritiktir ve 30 dakika içinde gönderilen bir kurtarma mesajı satışı kazanmak ile kaybetmek arasındaki fark olabilir. Ciddi olmayan göz atıcılar için 24-48 saat bekleyip sepet hatırlatması yerine ürün önerileriyle yeniden etkileşim kurmak daha iyi performans gösterir.

Kanal seçimi ikinci boyuttur. E-posta, geçmişte e-posta ile etkileşim kurmuş müşteriler için en iyi sonucu verir. SMS daha yüksek açılma oranlarına sahiptir ancak tıklama oranları daha düşüktür ve sadece bir dürtmeye ihtiyaç duyan yüksek niyetli terk edenler için en iyi şekilde çalışır. Push bildirimleri (uygulamanıza sahip müşteriler için) zamana duyarlı teklifler için etkilidir. Sosyal medya veya görüntülü reklam ağlarındaki yeniden hedefleme reklamları, hâlâ araştırma modunda olan ve dönüşüm sağlamadan önce birden fazla temas noktasına ihtiyaç duyan müşteriler için işe yarar.

Mesaj içeriği üçüncü boyuttur. Kargo maliyetleri nedeniyle terk eden bir müşteri, ücretsiz kargo seçeneklerini veya kargo indirimini vurgulayan bir mesaj görmelidir. Yüksek değerli bir sepeti terk eden bir müşteri, taksit seçeneğine daha iyi yanıt verebilir. Belirli bir markayı her zaman satın alan geri dönen bir müşteri, genel bir indirim yerine marka değerini pekiştiren mesajlar görmelidir.

Teşvik düzeyi dördüncü boyuttur ve modelin en çok para tasarruf ettiği boyuttur. Her terk eden kullanıcının indirime ihtiyacı yoktur. Model, her teşvik düzeyinde (indirimsiz, %5, %10, %15, ücretsiz kargo) dönüşüm olasılığını tahmin eder ve hedef dönüşüm olasılığını sağlayan en düşük teşviki seçer. Bir müşterinin indirimsiz %40 tahmini dönüşüm olasılığı varsa, ona %15 indirim sunmak saf kâr marjı yıkımıdır. Başka bir müşterinin indirimsiz %5 tahmini dönüşüm olasılığı varsa ancak %10 indirimle %25'e çıkıyorsa, teşvik artan gelirle haklı çıkarılır.

Artımlılık Sorunu

Sepet terk kurtarmada kritik bir hata, kurtarılan tüm geliri artımlı olarak saymaktır. Bir müşteri zaten geri dönüp satın almasını tamamlayacak idiyse, kurtarma e-postası (özellikle indirimli olanı) gelir üretmedi; sadece kâr marjını verdi. Araştırmalar, kurtarılan sepetlerin %30-40'ının herhangi bir müdahale olmadan dönüşüm sağlayacağını göstermektedir.

Yapay zeka modeli, kontrol grupları tutarak ve gerçek artımlılığı ölçerek bunu ele alır. Her müşteri segmenti için belirli bir yüzde hiçbir kurtarma iletişimi almaz. İletişim grubunun dönüşüm oranını kontrol grubuyla karşılaştırmak gerçek artımlı yükselişi verir. İletişim grubu %14 oranında dönüşüm sağlıyor ve kontrol grubu %9 oranında dönüşüm sağlıyorsa, gerçek artımlı kurtarma oranı %14 değil %5'tir.

Bu artımlılık ölçümü aynı zamanda teşvik optimizasyonunu da bilgilendirir. Bir müşteri segmenti indirimsiz %12 ve %10 indirimle %15 oranında dönüşüm sağlıyorsa, indirim yalnızca 3 yüzde puanlık artımlı dönüşüm üretmektedir. Kâr marjı yapısına bağlı olarak, bu 3 puan dönüşüm sağlayan tüm %15'e uygulanan %10 indirimi haklı çıkarmayabilir.

Uygulama Adımları

Birinci aşama, sınıflandırma için gereken davranış sinyallerini yakalamak üzere sitenizi enstrümante etmeyi içerir. Tam oturum yolculuğunu (görüntülenen sayfalar, her birinde geçirilen süre, etkileşimler), ödeme akışındaki tam terk noktasını ve terk anındaki sepet içeriğini izlemeniz gerekir. Çoğu analitik platformu (GA4, Segment, Mixpanel) uygun olay izleme kurulumu ile bu verileri yakalayabilir.

İkinci aşama, geçmiş terk verilerini kullanarak sınıflandırma modelini oluşturur. Sonuç verileriyle birlikte en az 6 aylık terk olayına ihtiyacınız vardır (sonunda dönüşüm sağladılar mı, ne kadar sürdü, dönüşümü ne tetikledi). Gradyan artırma modeli (XGBoost veya LightGBM) bu sınıflandırma görevi için iyi çalışır ve standart bir dizüstü bilgisayarda eğitilebilir.

Üçüncü aşama, model çıktılarına dayalı kişiselleştirilmiş kurtarma dizilerini tetiklemek için modeli pazarlama otomasyon platformunuzla (Klaviyo, Braze, Iterable veya benzeri) entegre eder. Çoğu platform, müşteri başına zamanlama, kanal, mesaj ve teklifi değiştirmek için ihtiyacınız olan dinamik içerikli API tetiklemeli akışları destekler.

Hâlâ standart üç e-postalık terk dizisini kullanan e-ticaret perakendecileri için tahmine dayalı kurtarmaya geçiş, en basit yapay zeka uygulamalarından biridir çünkü veriler zaten toplanmaktadır (sadece kullanmanız gerekir), model oluşturması nispeten basittir ve etkisi kurtarılan gelirle doğrudan ölçülebilir. Terk edilen sepetlerin %4'ünü kurtarmak ile %14'ünü kurtarmak arasındaki fark, satış hacminize bağlı olarak genellikle yıllık altı veya yedi haneli rakamlara ulaşır.