GA4 trafik kaynakları: ürün kategorisine göre odaklı funnel kayıplarının analizi

Giriş ve amaç
GA4 verileriyle e-ticarette dönüşüm hunisi (funnel) kayıplarını ürün kategorisine göre analiz etmek, hangi trafik kaynaklarının hangi aşamada zayıfladığını netleştirmeye yarar. Sadece genel dönüşüm oranlarına bakmak yerine, her kategorinin kullanıcı davranışını, trafik kaynağıyla ilişkili etkisini ve potansiyel iyileştirme noktalarını ortaya koymak hedeflenir. Bu yazıda, odaklı bir analiz yaklaşımını adım adım ele alacağım; ölçüm stratejisini, raporlama yapılarını ve aksiyon önerilerini somutlaştıracağım.

• Trafik kaynaklarını en dış katmanda tanımlayın: organik arama, ücretli reklamlar, sosyal medya, e-posta vb. GA4’te edinilebilen kaynak/ortam dimensionları bunları kapsar.
• Ürün kategorisi üzerinde net bir sınıflandırma kullanın: her ürüne ait ana kategori ve alt kategori dimensionları, ürünü kullanan kullanıcıların davranışlarını karşılaştırmaya olanak verir.
• Funnel aşamaları: görünüm sayfası -> ürün sayfası -> sepete ekleme -> hesap oluştur/durum aç -> ödeme/son adım. Her adım için kullanıcı akışını ve kayıp oranlarını hesaplamak gerekir.
• Hedefleme, segmentler ve karşılaştırmalar: kaynak × kategori kombinasyonu için segmentler oluşturun (ör. “Google CPC kullanıcıları – Elektronik” vs. “Direct – Ev/Yaşam kategorisi”).

• GA4 çıktısında trafik kaynağıyla ilişkili traffic_source, medium, campaign gibi alanlar ile ürün kategorisini içeren item_category veya custom dimension kullanımı. Verinin tutarlı olması için her oturumda standartlaştırılmış kategori isimlerini uygulayın.
• Dönüşüm hunisi olaylarını netleştirin: view_item, select_content, add_to_cart,_begin_checkout, purchase gibi kademeli olaylar arasındaki süre ve dönüm noktası sürelerini saklayın.

• • Ürün kategorisi bazında trafik kaynağı segmentleri: elektronik, giyim, ev aletleri gibi ana gruplar ve her birinin organik/paid/social gibi kaynakları ayrıştırın.
  • Açık uçlu zaman aralığı: kampanya dönemleri, hafta içi/sonbahar kampanyaları gibi dönemsel etkileri kontrol edin.
  • Kayıp noktası analizi: view_item to add_to_cart adımlarında yüzde kayıplarını kategorilere göre karşılaştırın.

• Her aşamadaki dönüşüm oranlarını hesaplayın ve kaynak/ kategori kombinasyonuna göre sıralayın.
• Kaynak bazında ek katkı: örneğin “Kullanıcılar Google CPC üzerinden gelenler, elektronik kategorisindeki ürünleri görüntüledikten sonra zamanla terk ediyorlar; bu aşamada ilgili reklam grubu için landing page düzenlemesi ve ürün sayfası hız optimizasyonu faydalı olabilir.”
• Segmentler arası farkları istatistiksel olarak saptayın: güven aralıkları, anlamlı farklar için basit karşılaştırma testleri veya görsel analizler kullanın.

• Kategori odaklı sayfa deneyleri: elektronik için ürün sayfası karşılaştırmalı tabloları, giyim için beden/beden görselleri optimizasyonu.
• Trafik kaynağı iyileştirmeleri: yüksek kayıp gösterdiği kaynaklar için açılış sayfası (landing) uyumları, hızlı yüklenme süreleri ve güven artırıcı sosyalleştirme unsurları.
• Zaman bazlı optimizasyonlar: kampanya yoğunluk dönemlerinde ürün kategorisi odaklı dinamik içerikler (bu sayfada hangi ürünler öne çıkarılır) kullanımı.

123456SELECT
[/list]
  traffic_source, item_category, COUNT(DISTINCT session_id) AS sessions,
  SUM(CASE WHEN event_name = 'purchase' THEN 1 ELSE 0 END) AS purchases
FROM your_ga4_export
GROUP BY traffic_source, item_category;