Problem → Çözüm
Problem
Kupon bütçesinin büyük kısmı zaten sipariş verecek olan sadık kullanıcılara gidiyor; ölçülen “kupon kullanım oranı” yüksek ama gerçek artımsal etki belirsiz. Finans ekibi kampanya bütçesinin ROI’sini sorguluyor.
Çözüm
Her kullanıcı dört gruba ayrılır: ikna edilebilir, kesin alıcı, kayıp vaka ve “rahatsız edilmemeli”. Uplift modeli kuponu sadece ikna edilebilirlere, en düşük etkili indirim derinliğiyle verir. Panel, holdout gruplarına karşı gerçek artımsal ciroyu canlı gösterir.
Temel özellikler
Yapay zeka nerede devreye giriyor?
Meta-learner tabanlı uplift modelleri her kullanıcı × teklif çifti için artımsal etkiyi tahmin eder, optimizasyon katmanı bütçeyi dağıtır.
- X-learner / DR-learner (EconML) ile teklif tipi başına CATE tahmini; LightGBM base learner
- Qini/AUUC ile offline değerlendirme, haftalık randomize keşif trafiği ile model tazeleme
- Kısıtlı atama (OR-Tools): toplam bütçe, kategori marjı ve kullanıcı başına frekans sınırı
Nasıl çalışır?
Stack
Arayüz
Backend
AI / ML
Veri
Altyapı & DevOps
Pazarlama & lansman
Başarı metrikleri (hedef)
MVP yol haritası
Bir fikri production’a taşırken ilk sorum şu: ölçülebilir mi ve mevcut sistemi bozmadan nasıl açılır? Yaklaşık 4 yıl, ayda yüz milyonlarca CDN isteği alan bir embed script üzerinde çalıştım. Kademeli geçiş ve gerçek test kapsamı benim için vazgeçilmez. Remote çalışmaya hazırım.