# AI, CRO araştırmasının hangi bölümünü üstlenebilir?

> Clarity kayıtlarını AI'a izletip hazır iyileştirme raporu almak mümkün mü? CRO araştırmasında veri erişimi, otomasyon ve insan yargısının sınırları.

Şirketimizde ortaya çıkan ihtiyaç oldukça somuttu: Clarity'deki kullanıcı oturum kayıtlarını bir insan tek tek izlemesin. Yapay zekâ hepsini incelesin, ziyaretçilerin nerede zorlandığını bulsun ve hangi sayfaları iyileştirmemiz gerektiğini söylesin.

Kayıt izlemek zaman alıyor. Üstelik çok sayıda oturum olduğunda hepsine aynı dikkatle bakmak mümkün değil. Bu yükü azaltmak, ekibin sorunları çözmeye daha fazla zaman ayırması demek olabilir. Dolayısıyla yapay zekâdan yardım beklemek makul.

Fakat bu beklentide birkaç farklı iş bir araya geliyor. Kayıtlara erişmek var. Davranışları karşılaştırmak var. Bir davranışın gerçekten sorun olup olmadığını anlamak var. Son olarak, yapılacak değişikliğin işe yarayıp yaramadığını sınamak var.

Dönüşüm oranı optimizasyonu, yani CRO, ziyaretçinin satın alma veya başvuru gibi hedeflenen işlemi tamamlamasını kolaylaştırmaya çalışır. Önümüze bir sayfa listesi gelmesi bu işin bittiğini göstermez. Hangi sorunu, kimin için ve neden çözmeye çalıştığımızı hâlâ bilmemiz gerekir.

[CXL'in CRO araştırmasında AI kullanımını ele alan yazısı](https://cxl.com/blog/ai-cro-research/){.dofollow target="_blank" rel="noopener"} bu ayrımı iyi kuruyor. Anlattığı atölyede AI, kullanıcı yolculuklarını kullanılabilirlik ilkeleriyle değerlendirmede, araştırma bulgularını temalara ayırmada ve test fikirleri üretmede kullanılıyor. Amaç bütün araştırmayı tek bir modele bırakmak değil. İnsanlar ara çıktıları inceliyor, eksik bağlamı ekliyor ve önceliklere karar veriyor.

Bu, bir atölye uygulamasının anlatımı. Her şirkette dönüşüm artışı sağlayacak bir yöntemin kanıtı olarak okunmamalı. Yazının değerli uyarılarından biri de AI'ın verdiği ayrıntılı puanların ölçülmüş sonuç gibi görünmesi. Bir sayfaya düşük puan vermesi, o sayfanın gerçekten satış kaybettirdiğini göstermez.

## Clarity'ye bağlanmak, kayıtlara erişmek değil

Bizim ihtiyacımızda ilk engel, modelin bir sayfayı yorumlama becerisinden önce geliyor. İncelemesini istediğimiz veriye hangi biçimde ulaşabiliyor?

Microsoft'un [Clarity Data Export API belgesi](https://learn.microsoft.com/en-us/clarity/setup-and-installation/clarity-data-export-api){.dofollow target="_blank" rel="noopener"}, dışarıya açılan veriyi dashboard verisi olarak tanımlıyor. Ziyaret sayısı, kaydırma derinliği ve tekrar tekrar tıklama gibi toplu göstergeler alınabiliyor. Bu API, ham oturum kayıtlarını dışarıdaki bir yapay zekânın topluca işlemesine açmıyor.

Ekranda izlediğimiz kayıtların ne olduğu da önemli. [Clarity'nin resmî açıklamasına göre](https://learn.microsoft.com/en-us/clarity/faq){.dofollow target="_blank" rel="noopener"} sayfanın DOM denen yapısı ile tıklama ve kaydırma gibi kullanıcı etkileşimleri kaydediliyor. Clarity bunlardan kendi oynatıcısında oturumu yeniden oluşturuyor. Bu replay, dışarıdaki AI'a verebileceğimiz bir video dosyası değil. Resmî FAQ, belirli kayıtların indirilemediğini de söylüyor.

Kayıt listesinin [CSV olarak indirilebilmesi](https://learn.microsoft.com/en-us/clarity/session-recordings/download-recordings){.dofollow target="_blank" rel="noopener"} bu sınırı kaldırmıyor. Dosya her kaydın özetini ve bağlantısını içeriyor. Kayıtta olup bitenlerin tamamını dışarıdaki bir modele vermiş olmuyoruz.

Oynatıcının kullandığı iç veri akışlarını çözerek ham kaydı çekmeye çalışmak da uygun bir çıkış yolu değil. [Microsoft Clarity kullanım koşulları](https://clarity.microsoft.com/terms){.dofollow target="_blank" rel="noopener"} tersine mühendisliği ve teknik sınırlamaları aşmayı yasaklıyor. Resmî olmayan böyle bir veri çekme yöntemi bu hükümlerle çatışabilir.

Ayrıca resmî bir veri arayüzüne dayanmayan bu bağlantı kırılgandır. Clarity'nin iç servis adresi veya veri biçimi değiştiğinde akış bozulabilir. Bu ihtiyacı iç veri akışlarını zorlayarak çözmek, kullanım koşulları ve işletim güvenilirliği açısından kabul edilebilir bir çözüm değil.

Bu nedenle bir bağlantı kurup dashboard verilerini almakla, bütün ziyaretçilerin davranışını incelemek arasında ciddi bir mesafe var. Özetler araştırılacak sayfaları işaret edebilir. Ziyaretçinin o sayfada tam olarak ne yaşadığını ve neden vazgeçtiğini tek başına açıklayamazlar.

![CRO sorumlusu toplu göstergeleri incelerken, oturum kayıtları ayrı ve erişilemeyen bir arşivde kalıyor](/images/inline-cro-research/dashboard-is-not-recording-access.avif)

## Computer Use bu boşluğu kapatmıyor

Computer Use, yapay zekânın ekranı görüp fare ve klavye üzerinden işlem yapabilmesini ifade ediyor. Bir kayıt listesini açmak, Clarity oynatıcısında replay'i başlatmak ve görünen hareketleri yorumlamak bu tür bir kullanımın parçası olabilir.

Ancak oynatıcıyı kullanabilmesi modele ham replay verisine erişim sağlamaz. Binlerce oturumu karşılaştırılabilir kayıtlar hâlinde alıp topluca analiz etmiş de olmaz. Yine sırayla açılması, incelenmesi ve not tutulması gereken oturumlar var.

Varsayımsal olarak 100.000 kaydı böyle izletmek istediğimizi düşünelim. İnsan yerine ekranın başına bir agent koymuş oluruz. Kayıt açma, oynatma ve inceleme işi ortadan kalkmaz. Modelin gördüğü bütün ayrıntıları tek bir konuşmanın bağlamında tutup sonunda güvenilir biçimde karşılaştırmasını da bekleyemeyiz.

Bunun için bulguları ayrı kaydetmek, aynı ölçütlerle sınıflandırmak ve sonra birleştirmek gerekir. Atlanan anları ve yanlış yorumları kontrol edecek bir düzen de gerekir. Bunlar ayrıca tasarlanacak bir analiz sistemidir. Computer Use yeteneğini açmak, bu sistemi kendiliğinden kurmaz.

Seçilmiş birkaç oturumu incelemekle bütün trafiği analiz etmek farklı büyüklükte işler. İlkinde ekran üzerinden çalışan bir yardımcı kullanılabilir. İkincisinde önce hangi verinin gerçekten erişilebilir olduğunu ve nasıl işleneceğini çözmek gerekir. Burada anlatılan da uygulanmış bir kayıt izleme deneyi değil, bu yaklaşımın sınırlarına ilişkin değerlendirme.

## İki özeti karşılaştırmak, aradığımız tasarruf olmayabilir

Geriye Clarity ve GA4 özetlerini yan yana koyup yorumlamak kalıyorsa otomasyonun değeri de değişir. Bizim aradığımız kazanç, tek tek kayıt inceleme yükünün azalmasıydı. İki dashboard özetini karşılaştırmak ise bir insanın kolayca yapabileceği, daha seyrek bir iş.

AI bu özetlerden düzgün bir rapor çıkarabilir. Ancak aynı tarih aralığının ve aynı ziyaretçi grubunun karşılaştırıldığını yine kontrol etmek gerekir. Raporun ikna edici bir açıklama sunması, açıklamanın doğru olduğunu göstermez.

Bu dar kullanımda büyük bir verimlilik kazanımı beklemiyorum. Hazırlama süresi biraz kısalırken kontrol işi kalıyor. Üstelik asıl zaman alan kayıt incelemesini çözmüş olmuyoruz. Bir otomasyonun değerini, başlangıçta azaltmak istediğimiz yük üzerinden değerlendirmek gerekir.

## Daha yararlı iş, bulguları sınanabilir bir fikre dönüştürmek

AI'a verilecek araştırma malzemesi gerçekten erişilebilir ve işlenebilir olduğunda başka seçenekler açılıyor. Anket yanıtları ve görüşme notları incelenebilir. Model benzer gözlemleri gruplayabilir, birbirini destekleyen bulguları bir araya getirebilir ve araştırılacak konular önerebilir. Kullanıcı davranışlarını sayısal olarak incelemek içinse gereken verinin nasıl oluşacağını ayrıca tasarlamak gerekir.

Örneğin bir başvuru formunu iyileştirmek istediğimizi düşünelim. Önce CRO'dan sorumlu kişi veya formun sahibi iş sorusunu belirler: Hangi form hataları başvurunun yarım kalmasıyla ilişkili? Ardından hangi kullanıcı olaylarının, yani event'lerin, ne zaman ve nasıl kaydedileceğini planlar. Hatanın görülmesi, kullanıcının düzeltme yapması ve başvuruyu tamamlaması bu planın parçaları olabilir.

![CRO sorumlusu ve yazılım mühendisi form hatalarını, ölçüm planını ve sınanacak hipotezi birlikte değerlendiriyor](/images/inline-cro-research/hypothesis-needs-measurement.avif)

Yazılım ekibi ölçüm planını uygular ve bu olayları analiz sistemine gönderir. Kayıtların beklenen davranışı doğru yansıttığı kontrol edilir. Sorumluluk ise sayfanın veya akışın asıl sahibinde kalır. Hangi kararı verebilmek için neyi ölçeceğini yazılım ekibine ya da AI'a bırakmış olmaz.

Ancak bundan sonra hangi hataların ardından başvurunun yarım kalma oranının yükseldiği hesaplanabilir. Bunun için bütün oturumları ekranda oynatmak gerekmez. Ama ölçüm yapılmadan bu ayrıntılı verinin elimizde olduğunu da varsayamayız.

AI, bu sonuçları form hakkındaki kullanıcı yorumlarıyla birlikte değerlendirmeye yardım edebilir. Aynı alanda hata görülmesi ile talimatın anlaşılmadığına ilişkin yorumları bir araya getirip bir hipotez önerebilir. Yine de yorumların ilgili kullanıcı grubuna ait olduğunu ve olayların doğru kaydedildiğini birinin kontrol etmesi gerekir.

Bu örnekte hesaplamayı yazılım yapar. Model, araştırma malzemesini düzenler ve olası açıklamalar geliştirir. Ekip ise önerilen açıklamayı sayfanın gerçek davranışıyla karşılaştırır. Sorun bir metin belirsizliği de olabilir, hatalı bir doğrulama kuralı da. Aynı terk sinyali ikisini birbirinden ayırmaya yetmez.

Hipotez makulse sayfanın veya akışın sahibi yapılacak değişikliği ve başarı ölçütünü belirler. Ekip uygun testi yürütür, sonucu değerlendirir. AI'ın önerdiği değişiklik, sonuç daha iyiyse iyileştirme adını hak eder. Öncesinde elimizde bir aday vardır.

“AI'ı bağlayalım, CRO ile kimsenin uğraşmasına gerek kalmasın, önümüze hazır iyileştirme raporu gelsin” beklentisi bu işleri atlıyor. Araştırmanın bazı parçalarını hızlandırabiliriz. Hatta erişilebilir veriyle belirli analizleri düzenli çalıştırabiliriz. Fakat hangi sonucun anlamlı olduğuna karar vermek ve öneriyi sınamak için sorumluluk hâlâ ekipte kalır.

Bu ihtiyaçta işe yarar başlangıç, bütün kayıtları izletecek bir agent aramak değil. Ziyaretçinin hangi noktada zorlandığını anlamak için gereken veriyi belirlemek. Sonra AI'ın o veriden hangi inceleme yükünü gerçekten alabileceğini görmek. Ekibin eline daha uzun bir rapor değil, daha az uğraşla doğrulayabileceği daha iyi bir hipotez geçiyorsa yapılan işin karşılığı vardır.

---

Language: Turkish
License: CC BY 4.0
License URL: https://creativecommons.org/licenses/by/4.0/
Scope: Evren Bal-authored text, unless this article expressly states otherwise.
Excluded: Third-party material, quoted excerpts, logos, and separately marked images retain their own rights.
Attribution: Credit Evren Bal, link to the canonical source and license, and indicate changes.
Source: https://evrenbal.com/tr/ai-cro-arastirmasinda-neyi-otomatiklestirebilir