1. GİRİŞ: DİJİTAL RAFIN ARKASINDAKİ ZEKA

2026 yılında e-ticaret, sadece ürünlerin listelendiği bir katalog değil; her kullanıcı için saniyelik bazda yeniden şekillenen dinamik bir "karar destek mekanizması"dır. Bu dönüşümün sarsılmaz öncüsü olan Amazon Recommendation Engine (Amazon Tavsiye Motoru), modern internet mimarisinde "veri odaklı kişiselleştirmenin" anayasasını yazmıştır. Amazon'un toplam cirosunun yaklaşık %35'inden sorumlu olduğu tahmin edilen bu algoritma, sadece bir "öneri" sunmakla kalmaz; kullanıcının ihtiyacını kendisi fark etmeden önce tahmin edebilen devasa bir öngörü makinesi gibi çalışır.

Peki, Amazon'un tavsiye motoru neden basit bir "benzer ürün" listesinin çok ötesindedir? Cevap, Amazon'un 2003 yılında yayınladığı ve bugün sektörel bir standart haline gelen Item-to-Item Collaborative Filtering (Üründen Ürüne İşbirlikçi Filtreleme) makalesinde ve bugün bu yapının Generative AI (GenAI) ve Deep Learning ile evrildiği hibrit mimaride gizlidir. Amazon; milyarlarca etkileşimi (tıklama, sepete ekleme, satın alma) gerçek zamanlı işleyerek, her kullanıcıya özel bir vitrin sunan devasa bir MLOps (Machine Learning Operations) hattı yönetmektedir.

Günümüzde bu teknoloji, AWS Personalize gibi servisler aracılığıyla demokratikleşmiş ve orta ölçekli işletmelerin bile Amazon seviyesinde kişiselleştirme yapabilmesine olanak sağlamıştır. Bu rehberde, Amazon'un tavsiye motorunun teknik derinliklerini, veri akış şemalarını ve 2026'nın LLM (Large Language Models) destekli modern ticaret trendlerini inceleyeceğiz.

Bu Teknoloji Neden Konuşuluyor?

Kullanıcıların dikkat süresinin (attention span) kısalmasıyla, "doğru ürünü doğru saniyede göstermek" ticari bir zorunluluk haline geldi. Amazon'un mimarisi, "Cold Start" (hiç verisi olmayan yeni kullanıcı/ürün) problemini derin öğrenme ile çözerek bu alandaki en yüksek verimlilik oranlarına ulaşmıştır.

Kimler İçin Önemli?

Bu teknik inceleme; kişiselleştirme boru hatları tasarlayan Yazılım Mimarları, yüksek ölçekli ML modelleri eğiten Veri Bilimciler ve kullanıcı deneyimini (UX) veriyle optimize etmek isteyen Product Manager'lar için tasarlanmıştır.

Hangi Problemleri Çözüyor?

• Information Overload (Bilgi Yüklemesi): Milyonlarca ürün arasından kullanıcının kaybolmasını engeller.
• Discovery (Keşif): Kullanıcının daha önce hiç bakmadığı ama ilgi alanına girebilecek ürünleri yüzeye çıkarır.
• Conversion Rate (Dönüşüm Oranı): Doğru eşleşme ile satın alma olasılığını maksimize eder.
• Inventory Optimization: Stoktaki ürünleri ilgili kitlelere ulaştırarak depo verimliliğini artırır.

2. KAVRAMSAL TEMELLER: ÖNERİ DİSİPLİNLERİ

Bir tavsiye motorunun başarısı, kullandığı filtreleme disiplinlerinin kombinasyonuna bağlıdır.

2.1 Collaborative Filtering (İşbirlikçi Filtreleme)

"Benzer kullanıcılar benzer şeyleri sever" teorisine dayanır. Ancak Amazon bunu kullanıcı-bazlı değil, Item-to-Item (Ürün-bazlı) olarak yapar. A ve B ürünlerini alan çok sayıda insan varsa, A alan birine B önerilir. Bu yaklaşım, milyonlarca kullanıcı arasında benzerlik aramaktan çok daha performanslı ve ölçeklenebilirdir.

2.2 Content-Based Filtering (İçerik-Bazlı Filtreleme)

Ürünün kendi özelliklerine odaklanır. Eğer bir kullanıcı sürekli "kahverengi deri ayakkabı" bakıyorsa, sistem ona benzer materyal ve renkteki diğer ürünleri önerir. Bu yöntem, yeni ürünler için (Cold Start) oldukça etkilidir.

2.3 Hybrid Models (Hibrit Modeller)

Modern Amazon mimarisi, hem işbirlikçi hem de içerik-bazlı yöntemleri birleştirir. Ayrıca bu yapıya Reinforcement Learning (Pekiştirmeli Öğrenme) ekleyerek, kullanıcının o anki tepkisine (tıklayıp tıklamadığına) göre modeli anlık olarak günceller.

2.4 Temel Bileşenler

• User/Item Embeddings: Kullanıcıların ve ürünlerin çok boyutlu bir uzaydaki vektörel karşılıkları.
• Candidate Generation: Milyonlarca ürün arasından olası 100-200 adayı belirleyen ilk hızlı eleme katmanı.
• Ranking (Sıralama): Seçilen adayları karmaşık bir sinir ağı ile 1'den 10'a kadar puanlayıp sıralayan katman.
• Feature Store: Modellerin ihtiyacı olan özellikleri (yaş, son tıklanan kategori, günün saati vb.) düşük gecikmeyle sunan veri deposu.

3. NASIL ÇALIŞIR? TEKNİK MİMARİ VE VERİ AKIŞI

Amazon Tavsiye Motoru, saniyede milyonlarca olayı işleyen üç ana katmandan oluşur.

3.1 Sistem Mimarisi: Üç Katmanlı ML Pipeline

Mimarinin çalışma prensibi şu aşamalardan geçer:

• Ingestion (Veri Alımı): Amazon Kinesis veya Kafka aracılığıyla "user clickstream" (tıklama akışı) canlı olarak toplanır.
• Offline Training: Devasa geçmiş verilerle (PB seviyesinde) her gece veya haftalık olarak SageMaker üzerinde ana modeller eğitilir.
• Online Inference (Canlı Çıkarım): Kullanıcı web sitesini her açtığında veya yenilediğinde, o anki bağlamı (context) alıp saniyeler içinde öneri üreten katman.

3.2 Veri Akışı: Bir Tavsiyenin Oluşma Süreci

1. Kullanıcı bir spor ayakkabıya tıklar. Bu etkileşim API Gateway üzerinden Kinesis Data Streams'e akar.
2. Lambda fonksiyonları bu veriyi temizler ve Feature Store'u (Örn: DynamoDB) günceller.
3. Tavsiye motoru tetiklenir: İlk aşamada Approximate Nearest Neighbor (ANN) arama ile kullanıcının ilgi duyabileceği 500 ürün "aday" olarak seçilir.
4. Bu 500 aday, derin öğrenme tabanlı (DeepFM veya RNN) bir sıralama modeline girer. Model; "Bu kullanıcı bu ürünü alma olasılığı %87" şeklinde puan üretir.
5. Re-ranking: Son aşamada çeşitlilik (diversity) kuralları uygulanır. (Üst üste 5 kez aynı marka göstermemek gibi).
6. JSON çıktısı frontend'e gönderilir ve vitrin render edilir. Tüm bu süreç <200ms içinde tamamlanır.

3.3 Item-to-Item Collaborative Filtering Algoritması

Amazon'un bulduğu bu algoritma, çevrimdışı (offline) olarak devasa bir "benzerlik matrisi" (Item Similarity Matrix) hazırlar. Bu matris, hangi ürünlerin birlikte alındığını önceden hesaplar. Kullanıcı sepete bir ürün attığında, motor matrise bakıp en yakın satırları sorgular. Bu, pahalı hesaplamaları önden yaptığı için ekstrem hız sağlar.

4. GERÇEK DÜNYA KULLANIMLARI: SEKTÖRÜN MOTORU

4.1 Amazon: "Müşteriler bunları da aldı"

Amazon'un ana sayfasının her karesi farklı bir tavsiye algoritmasıyla (Bundle, Cross-sell, Upsell) yönetilir. "Aha!" anı dedikleri, kullanıcının gerçekten ihtiyacı olan şeyi bulduğu an bu motorun eseridir.

4.2 Netflix: Sanat Görseli Kişiselleştirme

Netflix, sadece film önermekle kalmaz; aynı film için farklı insanlara farklı kapak resimleri gösterir. Eğer romantik filmler seviyorsanız, bir aksiyon filminin romantik karesini kapak olarak görürsünüz. Bu, Amazon'un "Contextual Personalization" yaklaşımının zirvesidir.

4.3 Spotify: Discover Weekly

Spotify, ses dalgalarının analizini (Deep Audio) ve kullanıcı dinleme alışkanlıklarını (Collaborative Filtering) birleştirerek her Pazartesi milyonlarca kişiye özel liste sunar.

4.4 TikTok: For You Page (FYP)

TikTok'un başarısı, Amazon'un "Real-time Feedback Loop" (Gerçek zamanlı geri bildirim döngüsü) mekanizmasını saniyelik bazda uygulamasıdır. Videoda geçirdiğiniz her 100ms, bir sonraki videonun seçimini etkileyen bir veri girişidir.

5. AVANTAJLAR VE SINIRLAMALAR

Avantajlar

• Ölçeklenebilirlik: Milyarlarca ürün ve kullanıcı olsa bile "Item-to-Item" benzerlik matrisleri sistemi tıkanmadan çalıştırır.
• Artan Sadakat (Retention): Kullanıcı kendine özel bir deneyim gördüğünde platformda kalma süresi %40'a kadar artar.
• Cross-Selling: Kullanıcının sadece istediğini değil, o isteği tamamlayan yan ürünleri de satma imkanı sunar.
• Düşük Latans: AWS Global altyapısı sayesinde tavsiyeler dünyanın her yerinde milisaniyeler içinde sunulur.

Sınırlamalar / Zorluklar

• Filter Bubble (Filtre Balonu): Kullanıcıya sürekli benzer şeyler önererek, yeni ilgi alanları keşfetmesini kısıtlama riski.
• Cold Start Problemi: Yeni eklenen ve hiç tıklanmamış bir ürünü kime önereceğinizi bilememek (Hibrit modeller bu yüzden kritiktir).
• Gecikmeli Veri: Kullanıcı o ürünü zaten mağazadan almış olabilir; sistem hala öneriyorsa "spam" hissi yaratır.
• Hesaplama Maliyeti: Derin öğrenme modellerini petabaytlarca veriyle eğitmek ciddi bir GPU maliyeti gerektirir.

6. ALTERNATİFLER VE KARŞILAŞTIRMA

Öneri sistemleri yaklaşım farkları:

7. EN İYİ PRATİKLER: MLOPS VE TASARIM TAVSİYELERİ

Amazon seviyesinde bir tavsiye motoru kurmak için mühendislik disiplinleri:

7.1 Production Kullanımı ve Veri Bütünlüğü

• Event Collection: Sadece satın almaları değil, "sepete ekleyip çıkarma" gibi negatif verileri de mutlaka toplayın. Negatif sinyaller (un-click) pozitifi kadar değerlidir.
• A/B Testing: Algoritmik bir değişikliği tüm trafiğe asla vermeyin. Daima bir "Control" grubu ve "Experiment" grubu (Interleaving) üzerinden metrik ölçün.
• Feature Freshness: Kullanıcının 3 yıl önceki tercihiyle bugünkü tercihi aynı değildir. Modellerinizde "time decay" (zaman aşımı) katsayısı kullanın.

7.1 Performans ve Ölçeklenebilirlik

• Pre-computation: Her isteği saniyede hesaplamayın. Popüler ürün benzerliklerini Redis'te hazır tutun.
• Batch vs Streaming: Ağır model eğitimlerini gece (batch), kullanıcı bağlam güncellemelerini anlık (streaming) yapın.

8. SIK YAPILAN HATALAR: GELİŞTİRİCİ TUZAKLARI

• Over-fitting: Modeli o kadar kullanıcıya özel yaparsınız ki, kullanıcı bir kez şemsiye baktığında ona hayatı boyunca şemsiye önerir (Echo chamber).
• Ignoring Seasonality: Yaz ortasında kar botu önermek. Algoritmanıza mutlaka "mevsimsellik" ve "trend" ağırlıkları ekleyin.
• Privacy Mistakes: Tavsiye sunarken kullanıcı verilerini (Örn: Sağlık verisi) yanlışlıkla başka bir kullanıcıya "kitle benzerliği" üzerinden ifşa etmek.
• Ignoring Latency: Mükemmel bir model yaptıktan sonra önerinin 3 saniyede gelmesi. Kullanıcı 3 saniye beklemez; basit ve hızlı bir model karmaşık ama yavaş olandan her zaman daha çok para kazandırır.

9. GELECEK TRENDLER: 2026 VE ÖTESİ

9.1 Generative Recommendations (GenAI)

2026'da artık "Bu ürünleri beğenebilirsiniz" listesi yerine; "Bize hafta sonu kamp yapacağınızı söylediniz, işte eksikleriniz için size özel hazırlanmış paket" diyen anlatısal-diyalogsal (conversational) öneriler standartlaşıyor. LLM'ler, tavsiye motorlarının kalbine "anlamsal zeka" (semantic understanding) ekliyor.

9.2 Zero-Party Data Strategy

Çerezlerin (cookies) kalktığı dünyada, motorlar kullanıcının doğrudan beyan ettiği tercihlere (Zero-party data) dayalı, gizlilik odaklı mimarilere evriliyor.

9.3 AR/VR Integration

Apple Vision Pro veya Meta Quest gibi cihazlarda, baktığınız nesneye göre artırılmış gerçeklik dünyasında beliren "gerçek zamanlı mekansal öneriler".

EK BÖLÜMLER

Sık Sorulan Sorular (FAQ)

1. Amazon her satın almamı kaydediyor mu?

   Evet, her tıklama, arama terimi ve satın alma, tavsiye profillerini güçlendirmek için anonimleştirilerek saklanır.

2. Item-to-item neden kullanıcı bazlıdan daha iyidir?

   Çünkü Amazon'un ürün sayısı, kullanıcı sayısından (bazı alt kategorilerde) daha yavaş değişir ve benzerlik matrisini hesaplamak daha istikrarlıdır.

3. AWS Personalize kullanmak pahalı mı?

   İşlenen veri miktarına ve model eğitim sıklığına göre değişir; ancak kendi ekibini kurup altyapı yönetmekten genellikle daha ekonomiktir.

4. "Cold Start" sorununu Amazon nasıl çözüyor?

   Yeni ürünler için "Content-based" filtering kullanarak (açıklama, kategori, fiyat benzerliği) ürünü başlangıçta ilgili kitleye yönlendirir.

5. ChatGPT, tavsiye motorlarının yerini mi alacak?

   Yerini almak yerine onları destekleyecek. LLM'ler "ne önerileceğini" değil, önerinin "nasıl sunulacağını" ve "bağlamı" iyileştirecek.

6. En çok kullanılan algoritma hangisidir?

   Şu an hibrit yapılar liderdir ancak çekirdekte hala Matrix Factorization ve Deep Learning (DNN) kombinasyonları yatar.

7. Tavsiye motorları manipüle edilebilir mi?

   Evet, "Click-farm" saldırılarıyla bazı ürünler üst sıralara taşınabilir. Amazon bunun için anomali tespit algoritmaları (Outlier detection) kullanır.

8. Küçük bir e-ticaret sitesi tavsiye motoru kurmalı mı?

   Evet, ancak sıfırdan yazmak yerine AWS Personalize veya hazır SaaS çözümleriyle başlamak çok daha mantıklıdır.

Anahtar Kavramlar Sözlüğü

Collaborative Filtering

Kullanıcıların geçmişteki ortak davranışlarına dayanarak yapılan tahminleme yöntemi.

Embedding

Karmaşık verilerin (ürün, kullanıcı) yapay zeka tarafından anlaşılabilir sayısal vektörlere dönüştürülmesi.

Candidate Generation

Milyonlarca seçenek arasından potansiyelleri seçmek için kullanılan ilk, hızlı filtreleme aşaması.

Clickstream

Bir kullanıcının web sitesindeki tıklama, kaydırma ve bekleme sürelerinin ham veri akışı.

Diversity (Çeşitlilik)

Öneriler arasında farklı kategorilerin de yer almasını sağlayarak kullanıcının sıkılmasını engelleme stratejisi.

Öğrenme Yol Haritası (Recommendation System Engineer 2026)

1. Aşama 1: İstatistik ve Lineer Cebir. Matris çarpımları ve olasılık teorilerini (Bayesian) temel seviyede kavrayın.
2. Aşama 2: Python ve ML Frameworks. Scikit-learn, PyTorch veya TensorFlow ile basit filtreleme modelleri kurun.
3. Aşama 3: Big Data Tools. Apache Spark ve Amazon Kinesis ile veri boru hatları (pipeline) tasarlamayı öğrenin.
4. Aşama 4: Deep Learning for RecSys. Neural Collaborative Filtering (NCF) ve Transformer tabanlı modelleri çalışın.
5. Aşama 5: Cloud MLOps. AWS SageMaker ve AWS Personalize ile modelleri ölçekli olarak yayına almayı deneyin.
6. Aşama 6: LLM & GenAI. Vektör veritabanlarını (Pinecone, AWS Neptune) ve LLM'leri tavsiye sistemlerine "semantic search" olarak entegre edin.
7. Aşama 7: UX & Metrics. CTR (Click-through), NDCG (Ranking kalitesi) ve Conversion gibi ticari metrikleri okumayı ve modeli bunlara göre optimize etmeyi öğrenin.