Mobil Uygulamalarda AI Destekli Tavsiye Sistemleri

Mobil uygulamalarda ai destekli tavsiye sistemleri, kullanıcıların ilgisini yakalayan, kişiselleştirilmiş deneyimler sunan ve dönüşümü artıran en güçlü büyüme kaldıraçlarından biridir. Doğru tasarlanan bir öneri motoru, yalnızca ürün keşfini hızlandırmakla kalmaz; elde tutma, oturum süresi ve sepet değerini artırır. Bu kapsamlı rehberde, içerik tabanlı, işbirlikçi filtreleme, hibrit yaklaşımlar, dil modelleri (LLM), vektör arama, bandit algoritmaları ve gerçek zamanlı sinyaller gibi bileşenleri mobil bağlamda nasıl ölçekleyebileceğinizi; KVKK/GDPR uyumluluğu, on-device ML, edge senaryoları, telemetri, A/B testleri ve ASO/SEO etkileriyle birlikte ele alıyoruz.

1) Değer Önerisi: Neden AI Destekli Tavsiyeler?

Özelleştirilmiş içerik ve ürün önerileri, mobil kullanıcıların dikkatini saniyeler içinde yakalamak için kritik öneme sahiptir. Bir tavsiye sistemi, kullanıcıların geçmiş davranışları, bağlamsal sinyaller (konum, zaman, cihaz), etkileşim olayları (görüntüleme, kaydırma, tıklama, favori) ve metaveri üzerinden gerçek zamanlı olarak ilgili sonuçlar üretir. Sonuç olarak CTR, CVR, ARPU ve retention gibi kilit metriklerde kalıcı artış elde edilir.

İş Etkisi & Ölçümler

• Üst huni: kişiselleştirilmiş açılış, akış sıralaması, push derlemeleri.
• Orta huni: benzer içerikler, tamamlama/bundle önerileri, arama iyileştirmeleri.
• Alt huni: sepete ekleme, yeniden satın alma, churn engelleme tetikleri.

2) Veri Temelleri: Toplama, Kalite ve Yönetişim

Başarılı önerilerin yakıtı veri kalitesidir. Olay şemasını yalın ve genişletilebilir tasarlayın: viewed, clicked, added_to_cart, purchased, liked, shared vb. için zorunlu alanlar (kullanıcı, içerik/ürün kimliği, zaman damgası, bağlam) belirleyin. Anonim kimlik ve cihaz eşleme (IDFA/GAID politikaları gözetilerek) ile tekil kullanıcı görünümünü inşa edin. KVKK/GDPR çerçevesinde veri minimizasyonu, rıza ve silinme (right to be forgotten) süreçlerini işletecek otomasyon kurgulayın.

Kalite & Güvenlik Kontrolleri

• Şema versiyonlama, null ve aralık testleri, anomaliler.
• RBAC/ABAC erişim, masking ve anonimleştirme.
• Gerçek zamanlı telemetry ile event drop/gecikme izleme.

3) Mimari: Mobil İçin Modern Öneri Yığını

Mobil gereksinimler (ağ kısıtları, pil/CPU, çevrimdışı kullanım) mimari kararları etkiler. Veri toplama SDK’ları → stream (Kafka/PubSub) → feature store → model servisleri → ranking/serving → telemetri şeklinde uçtan uca bir pipeline kurun. On-device ML ile edge tarafında kişiselleştirme ve gecikme optimizasyonu sağlayın; sunucu tarafı modellerle soğuk başlangıç ve küresel kaliteyi destekleyin.

Önerilen Bileşenler

• Feature store: Özelliklerin sürümlenmesi ve çevrim içi/çevrim dışı tutarlılık.
• Retrieval: vektör arama (ANN), BM25, kategori/etiket filtreleri.
• Ranking: GBDT, derin öğrenme, LLM rerank katmanı.
• Exploration: bandit stratejileri, epsilon-greedy, UCB.

4) Algoritmalar: İçerik Tabanlı, İşbirlikçi, Hibrit

İçerik tabanlı yöntemler (anahtar sözcük, etiket, embedding) kullanıcı ile öğe benzerliğine odaklanır. İşbirlikçi filtreleme (kullanıcı-kullanıcı, öğe-öğe, matris faktörizasyonu) kalabalık bilgeliğinden yararlanır. Hibrit mimariler, retrieval aşamasında içerik tabanlı ve kollaboratif adayları bir araya getirip öğren-ile-sırala (learning-to-rank) ile nihai sıralama yapar.

Dizisel ve Bağlama Duyarlı Modeller

• Oturuşsal (session-based) öneriler için RNN/Transformer.
• Zaman, konum, cihaz ve hava gibi bağlamsal özellikler.
• Graf tabanlı yakınlık (kullanıcı-içerik etkileşim grafı, metapath).

5) LLM Çağı: Anlamsal Arama, RAG ve Rerank

LLM ve embedding’lerle anlamsal eşleştirme güçlenir. İçerikleri/ürünleri vektör uzayında temsil edip ANN ile hızlı retrieval yapın. RAG şablonları ile metin tabanlı koleksiyonlarda sorgu→retrieval→LLM özet akışını kullanın. Son adımda LLM rerank ile bağlam uyumunu iyileştirin. Gizlilik açısından hassas metinleri redaction ve pseudonymization ile koruyun.

Uygulama İpuçları

• Embedding sürümleme ve drift izleme.
• Çok dilli vektör alanları; yerelleştirme için bağlam.
• On-device küçük modellerle çevrim dışı öneri.

6) Soğuk Başlangıç: Yeni Kullanıcı/Öğe Sorunu

Yeni kullanıcılar için bağlamsal (konum, saat, cihaz) ve popülerlik-kalite dengeli kurallar ile ısınma sağlayın. Yeni öğeler için içerik embedding’i ve benzerlik eşleme kullanın. Çok kollu bandit yaklaşımıyla explore/exploit dengesi kurun; hızlı öğrenme için aktif öğrenme tetikleyin.

Soğuk Başlangıç Çeklistesi

• Kısa anket veya seçim ekranı ile başlangıç sinyali.
• Popüler x kişiselleştirilmiş karması.
• Uyarı: Aşırı keşif kullanıcıyı yormasın.

7) Sıralama (Ranking) ve Öğren-İle-Sırala

Retrieval sonrası yüzlerce adayı kalite ve ilgili olma skorlarına göre sıralayın. GBDT (XGBoost/LightGBM), derin ikili/kademe (pairwise/listwise) kayıplar ve çok görevli hedefler (CTR, CVR, dwell time) birlikte optimize edilebilir. Kalibrasyon ve ek açıklanabilirlik (SHAP/feature önem) gözden geçirme süreçlerine dahil edilmelidir.

Servis & Gecikme

• Önbellek, delta güncellemeler, batched istekler.
• gRPC/HTTP/2 ve CDN edge.
• P95/P99 gecikme bütçeleri ve fallback akışları.

8) Kullanıcı Deneyimi: Tasarım Kalıpları

Önerilerin sunumu, UX başarısının yarısıdır. Akış içi (in-feed) kartlar, “benzerleri” bölümleri, kişisel raflar, arama önerileri, boş durum önerileri ve bildirim kişiselleştirmesi dönüşümde belirleyicidir. Öneriye güven için mikro açıklamalar (“Bunu, şunları izlediğiniz için gösteriyoruz”).

Bildirim & E-posta

• Davranış temelli tetikler, zamanlama ve frekans limitleri.
• Dinamik konu ve kitle segmentasyonu.
• Çapraz cihaz uyumu (mobil → web → TV).

9) A/B Testleri, Guardrail Metrikleri ve Kaizen

Hipotez → deney → ölçüm → öğrenme döngüsünü kurumsallaştırın. Guardrail metrikler (çökme oranı, gecikme, şikayetler) zarar görmesin. Kohort analiziyle uzun vadeli retention etkisini ölçün. Bayesyen veya sekansel testlerle karar süresini kısaltın.

Deney Pratiği

• Örneklem gücü ve yanlılık kontrolleri.
• Holdout kullanıcı grupları ve uzun dönem takip.
• Öğrenme havuzu (exploration bucket) ile sürekli yenilik.

10) Performans, Pil ve Ağ Optimizasyonu

Mobilde öneri hızı esastır. Önbellekleme, prefetch, delta veri ve sıkıştırma politikaları belirleyin. TTI, jank, GPU ve pil tüketimi limitleri koyun. On-device çıkarım yapılan modellerde model boyutu ve kuantizasyon kullanın.

KPI Panosu

• P95 gecikme, cache hit oranı, timeout payı.
• TTFB, payload boyutu, retry oranı.
• Battery drain ve ısı metrikleri.

11) Dürüstlük, Tarafsızlık ve Güvenlik

Bias ve filter bubble risklerini azaltın: çeşitlendirme (diversification), serendipity ve kapsayıcı veri politikaları uygulayın. KVKK/GDPR uyumlu açık rıza, saklama, anonimleştirme ve erişim talepleri için kullanıcıya kontrol verin. Güvenlik’te OWASP Mobile ilkeleri, şifreleme, sertifika pinning ve SBOM taramalarını ihmal etmeyin.

Şeffaflık & Açıklanabilirlik

• Açıklayıcı etiketler (“Sizin için”, “Trend”, “Yakınınızdaki”).
• Model kartları ve veri sözlüğü.
• Geri çağırma ve itiraz mekanizmaları.

12) Ödeme, Gelir ve İş Hedefleriyle Hizalama

Monetizasyon stratejisine göre öneri hedeflerini hizalayın: abonelik, reklam, satın alma. Attribution ve inkremental etkiyi karıştırmayın; organik yükselişi kontrol gruplarında doğrulayın. Guardrail metrikleri gelir artarken kullanıcı deneyimini koruyacak şekilde ayarlayın.

Pazarlama Entegrasyonları

• CDP ve CRM ile segment senkronizasyonu.
• Push/e-posta/in-app orkestrasyonu.
• Dinamik fiyat ve kupon önerileri.

13) Uluslararasılaştırma ve Yerelleştirme

Çok dilli içeriklerde çok dilli embedding’ler, alfabe farklılıkları ve bölgesel trendleri hesaba katın. Takvim, mevsim, kültür ve özel gün sinyallerini bağlama ekleyin. App store vitrinlerinde ülke bazlı öneri görselleri deneyleyin.

Yerelleştirme Kontrol Listesi

• Dil ve alfabe duyarlı arama/öneri.
• Para birimi, ölçü birimi uyumu.
• Bölgesel normlara uygun içerik filtreleri.

14) Yol Haritası: 0–12 Ay Örnek Plan

0–3 Ay: veri şeması, SDK, retrieval tabanlı ilk öneriler, telemetri. 4–6 Ay: ranking modeli, A/B altyapısı, soğuk başlangıç stratejileri. 7–9 Ay: LLM tabanlı anlamsal arama, rerank, bandit keşfi. 10–12 Ay: on-device kişiselleştirme, yerelleştirme, finops ve gizlilik otomasyonları.

Başarı Göstergeleri

• CTR/CVR artışı, dwell time yükselişi.
• Retention ve LTV gelişimi.
• Şikayet ve destek biletlerinde azalma.

AI destekli tavsiye sistemleri, mobilde keşif, kişiselleştirme ve gelirin kesişim kümesidir. Veri kalitesi, etik tasarım, LLM destekli retrieval & rerank, banditlerle keşif ve on-device hız; birlikte çalıştığında sürdürülebilir rekabet avantajı sağlar. Küçük ama sürekli iterasyonlarla, önerileriniz kullanıcıların günlük alışkanlıklarına dönüşür.

• Gürkan Türkaslan
• 9 Ekim 2025, 12:18:14