Pazarlamada “veri” dediğimiz şey, gerçekte iki farklı şeye işaret eder: (1) müşteriyle temaslardan üretilen sinyaller (signals) ve (2) bu sinyalleri satışa giden yolda işe dönüştüren sistem + organizasyon. 2026’da üstün performans, “daha çok veri toplamakla” değil; doğru veri türlerini ayırt edip (1P/2P/3P), kimlik çözümlemesini (identity resolution) doğru kurup, izin/mahremiyet (consent & privacy) çerçevesini netleştirip, ölçümü (MMM/deney/inkrementalite) karar ritmine bağlamakla geliyor.

Bu dönüşümde ortak kırılma: üçüncü taraf çerez sonrası dünyada hedefleme ve ölçüm, giderek birinci taraf veri gücüne ve bunu etkinleştirebilen altyapı + iş akışlarına dayanıyor. WARC, markaların “first‑party data gücü”nü üç seviyede ele alıyor: verisi güçlü ve kullanabilenler; verisi güçlü ama devreye alamayanlar; verisi/dağıtımı zayıf olanlar.

Küresel tarafta McKinsey & Company, mahremiyet‑öncelikli dünyada data clean room’ların ve consent management yaklaşımının önemini; ayrıca “teknik yatırım + insan odağı” dengesini vurguluyor. Nielsen ise pazarlamacıların %54’ünün 2025’te reklam harcamasını azaltmayı planladığını ve yalnızca %32’sinin geleneksel+dijital harcamayı bütüncül ölçtüğünü raporluyor; bu da “daha az bütçeyle daha yüksek kanıt standardı” baskısını artırıyor.

Türkiye’de tablo daha da kritik: İnteraktif Reklamcılık Derneği raporuna göre Türkiye’de 2024 toplam medya ve reklam yatırımları 253,6 milyar TL’ye ulaşıyor; ayrıca rapor, yaratıcı işler/yapım/BTL gibi kalemlerin toplam yatırımlar içinde önemli payının altını çiziyor. Bu büyüklük, “veri”yi artık yalnız pazarlama konusu olmaktan çıkarıp ticari büyüme ve verimlilik konusu haline getiriyor.

Veri Dili: Pazarlamada Veri Nedir ve Nasıl Ayrışır?

1P/2P/3P (first/second/third‑party) veri ayrımı, “kime ait”ten çok “hangi ilişki ve izinle toplandı” sorusudur. IAB; ikinci taraf veriyi, başkasının birinci taraf verisinin sözleşmeli paylaşımı olarak açıklar; üçüncü taraf veriyi ise daha aracı katmanlı ve ölçek sağlayan ama kaynak/kalite/izin boyutu karmaşık veri olarak konumlar.

Deterministik vs olasılıksal (probabilistic) kimlik çözümlemede, deterministik eşleşme “kesin tanımlayıcılar” (login, e‑posta, telefon, müşteri no) üzerinden; olasılıksal eşleşme ise istatistiksel benzerlikler üzerinden çalışır. Nielsen’in ID çözümleme sistemini anlatan duyurusu, deterministik eşleşmeyi “kalıcı tanımlayıcılar” üzerinden kurmaya vurgu yapar.

Davranışsal (behavioral) vs beyan (declarative) veri: davranışsal veri gözlenen eylemler (ziyaret, satın alma, izleme); beyan verisi ise form/anket/tercih merkezi gibi kaynaklardan gelen beyanlardır. Türkiye’de Kişisel Verileri Koruma Kurumu (KVKK) çerez rehberi; birinci/üçüncü taraf çerez ayrımını ve çevrim içi davranışsal reklamcılık süreçlerini açıklayarak, davranışsal verinin hukuki/etik boyutunu pratikleştirir.

Identity graph (kimlik grafı): farklı tanımlayıcıları (e‑posta, cihaz, loyalty no, cookie vb.) tek profil altında birleştiren yapı. (Bu alanın teknik tanımları vendor kaynaklarında değişebilir; burada kavramsal tanım verilmiştir.)

Veri Kaynakları: Vendor Ekosistemi, Üçüncü Taraflar ve Kurumun Kendi Kasları

Senior karar vericiler için en önemli ayrım şudur:
Üçüncü taraflar (platformlar, ajanslar, vendorlar) “kol” sağlar; sürdürülebilir rekabet için “kas” kurum içinde kalmalıdır.

Kurum içi veri kaynakları (kasın hammaddesi)

• CRM & satış otomasyonu: müşteri kimliği, fırsat/pipeline, teklif geçmişi

• POS & mağaza: fiş/satın alma, mağaza içi temas, stok/ürün bulunurluğu

• E‑ticaret: sipariş, sepet terk, ürün görüntüleme, iade

• Loyalty: üyelik, puan/teklif kullanımı, frekans

• Uygulama & web analitik: event stream (view, click, add‑to‑cart)

• Çağrı merkezi & müşteri hizmeti: şikayet nedenleri, NPS/CSAT, churn sinyalleri

• Fiyat/ürün kataloğu: promo, fiyat elastikiyeti, marj etkisi

Türkiye’de medya ve reklam yatırımlarının büyüklüğü (253,6 milyar TL) dikkate alındığında, bu kaynaklardan üretilen sinyallerin “aktivasyon + ölçüm” döngüsüne alınması, doğrudan verimlilik alanıdır.

Kurum dışı veri kaynakları ve vendor sınıfları

Aşağıdaki sınıflar, satış yolculuğu boyunca veriyi “satan”, “zenginleştiren” veya “ölçen” üçüncü tarafları temsil eder:

• Ad platformları ve walled gardens: hedefleme, frekans, dönüşüm sinyali (kısıtlı şeffaflık)

• Retail Media Networks (RMN): perakendecinin 1P verisiyle hedefleme + satışa yakın ölçüm

• AdTech/MarTech vendorları: veri toplama, kimlik çözümleme, aktivasyon, otomasyon

• Data clean room sağlayıcıları: iki taraf verisinin mahremiyet uyumlu eşleştirilmesi/analizi

• Ölçüm partnerleri: bağımsız ölçüm, attribution, MMM, incrementality

• Ajanslar: strateji, aktivasyon, kreatif, veri iş akışı, entegrasyon koordinasyonu

IAB Tech Lab, data clean room’lar için prensipler ve çalışma önerileri yayınlayarak bu alanın standartlaşmasına öncülük eder; ayrıca “OPJA” standardının yerini PAIR’ın aldığı ve OPJA’nın 2025 itibarıyla deprecated olduğu belirtilir.

Satın Alma Yolculuğu Boyunca Veri Nasıl Kullanılır?

En yaygın hata, veriyi yalnız “hedefleme”ye indirgemektir. Oysa veri, funnel’ın her aşamasında farklı bir iş görür; her aşamada farklı sinyal ve farklı ölçüm yaklaşımı gerekir.

• Farkındalık (awareness)

Amaç: doğru kitleye doğru bağlamda ulaşmak, marka sinyali üretmek.
Veri kullanımı: bağlamsal hedefleme, geo‑segment, ilgi kümeleri, attention sinyalleri; frekans kontrolü.
Ölçüm: reach, brand lift, attention/hatırlanırlık; MMM’de üst huninin katkısı. WARC, MMM ve deneylerin ölçümde yeniden yükselişini vurgular.

• Değerlendirme (consideration)

Amaç: niyet oluşturmak, kategoride “kısa listeye” girmek.
Veri kullanımı: site davranışı (kategori görüntüleme), içerik etkileşimi, ürün karşılaştırma; e‑posta/push tetikleyicileri; look‑alike (izin ve platform sınırları dahilinde).
Ölçüm: ziyaret derinliği, tekrar ziyaret, lead kalitesi, mikro dönüşümler.

• Dönüşüm (conversion)

Amaç: satış, sepet, marj.
Veri kullanımı: sepet terk, fiyat/promo sinyalleri, stok/teslimat vaadi, retail media ürün feed optimizasyonu. HepsiAd, hedefleme ve performans optimizasyonu ile markaların doğru kullanıcıya doğru anda erişmesini vurgular (platform iddiası).
Ölçüm: inkrementalite testleri (holdout), uplift, RMN içindeki kapalı bahçe raporları + bağımsız doğrulama ihtiyacı. Nielsen, retail media’da bağımsız ölçüm ve attribution ihtiyacını vurgular.

• Sadakat (retention)

Amaç: LTV, tekrar satın alma, churn azaltma.
Veri kullanımı: loyalty, müşteri hizmeti sinyalleri, kişiselleştirilmiş teklif, next‑best‑action (kurum içi analitik kas).
Ölçüm: cohort LTV, churn, tekrar frekansı, NPS/CSAT etkisi.

Mimari ve Yönetişim: Veri Katmanı, Kimlik, Clean Room, CDP ve Uyum

Senior liderler için en kritik sorular “hangi aracı alalım?” değil; hangi mimariyle kalıcı değer üreteceğiz? sorusudur.

CDP mi DWH/Lake mi? Kısa karar kuralı

• DWH/Lake: analitik, raporlama, model geliştirme, veri bilimi için “beyin”.

• CDP: pazarlama aktivasyonu ve gerçek zamanlı profilleme için “sinir sistemi”.

• DMP: ağırlıkla anonim cookie dünyasının çözümü; CDP Institute, DMP’nin anonim cookie odaklı olduğunu, CDP’nin ise tanımlı kişilere ve offline+online birleşime daha uygun olduğunu vurgular.

Bu nedenle çoğu kurumda hedef “tek bir platform” değil; doğru iş için doğru katmandır.

Kimlik çözümleme ve izin haritası

McKinsey, doğru güvenlik protokolleri ve onay (consent) olduğunda, verinin dış platformlarda güvenli kullanımında clean room kullanımını; ayrıca “teknoloji‑destekli veri haritası” ve consent management platformlarını önerir.

Türkiye’de KVKK çerez rehberi, aydınlatma ve açık rızanın ayrı ayrı ele alınması, aydınlatmanın en geç veri işlenirken yapılması gibi uygulama prensiplerini detaylandırır.
Bu, pazarlama verisi yönetişiminde “hukuk sonradan baksın” yaklaşımını doğrudan riskli hale getirir.

Data clean room: ne zaman gerekir?

İki durumda kritik hale gelir:

1. İki taraf verisini (ör. marka + yayıncı/RMN) mahremiyet uyumlu şekilde eşleştirmek

2. Ölçüm ve hedefleme için “kişisel veri sızdırmadan” ortak analiz yapmak

IAB Tech Lab’in clean room guidance’ı, use case’ler ve çalışma prensipleri sunar; ayrıca PAIR standardı gibi protokollerle eşleştirme/aktivasyonun standardize edilmesine işaret eder.

Organizasyon Modeli: Kim Sahip, Kim Uygular, Ritmi Kim Yönetir?

Başarılı veri dönüşümünün sırrı, “CDP satın almak” değil; sahiplik modelini doğru kurmaktır.

Önerilen roller ve sorumluluklar

• CMO / Ticari liderlik: iş hedefi, KPI seti, bütçe ve ajans/vendor orkestrasyonu

• CDO / Head of Data: veri mimarisi, kalite standardı, veri ürünleri road‑map

• Data engineering: ingestion, veri kalitesi, API’ler

• Analitik & data science: segment, tahmin, uplift/deney tasarımı, MMM

• Growth/Product: onsite‑app kişiselleştirme, lifecycle kurguları

• Legal/Privacy: KVKK uyumu, consent metni, vendor sözleşmeleri

• Vendor/agency manager: SLA, entegrasyon planı, mali model, risk protokolleri

McKinsey, sürdürülebilir veri stratejisinin sadece teknik değil “insan odağı” taşıması gerektiğini; güvenin izin‑temelli değer önerisiyle kurulduğunu vurgular.

Operating rhythm (işletim ritmi) önerisi

• Haftalık: aktivasyon performansı + test/optimizasyon

• Aylık: ölçüm konseyi (deney sonuçları, MMM güncellemesi, bütçe yeniden tahsisi)

• Çeyreklik: veri ürünleri ve vendor ekosistemi gözden geçirme (kas gelişimi)