Trafik kaynağına göre GA4 trafik kaynakları veri modelleme yaklaşımı

Bir GA4 kurulumu, yalnızca sayfa açılmalarını değil, kullanıcı yolculuğunu anlamak için trafik kaynaklarını doğru modellemekle güç kazanır. Özellikle çok kanallı pazarlama eklemleri ve atıf akışları, raporlama ve karar destek süreçlerinde kritik rol oynar. Bu yazı, trafik kaynağı tanımlarını GA4 tekerleği üzerinde nasıl modellenebileceğini ve veri mimarisine nasıl yansıtılacağını adım adım ele alır.

• GA4’de trafik kaynağı kavramı, kullanıcıya gelen oturumun hangi kanaldan veya kaynaktan başladığını gösterir. Doğru modellemek için utuk atıf (utm_source, utm_medium, utm_campaign) değerlerinin temizlenmesi gerekir. Ayrıca organic search, direct, paid social gibi otomatik kategoriler ile özel kırılımlar arasındaki farkı netleştirmek gerekir.
• Veri modellemede temel hedef, kullanıcı akışını dinamik bir ağ olarak görmek ve her bir kaynağı belirli bir “dönüşüm yolunun başlangıcı” olarak işaretlemektir. Bu, downstream analizi ve yol haritası çıkarımını kolaylaştırır.

• Katmanlı model: Kaynaklar birinci katman, medya veya kampanya türevleri ikinci katman olarak ele alınır. Örneğin:

• Kaynak (utm_source, iki harfli ülkeler için de ayrı bir alanla taşınabilir)
• Ortam (utm_medium)
• Kampanya (utm_campaign)
• Tarih ve oturum kimliği (session_id)
• Kullanıcı yolu (path) ve içeriği (page_path)

• Normalizasyon ve temizleme: Kaynak adlarındaki boşluk, küçük/büyük harf tutarsızlıkları ve benzeri hatalar için standartlaştırıcı bir dönüşüm adımı tasarlanmalı. BQ veya Spark üzerinde bir ETL katmanı düşünmek faydalıdır.
• GA4 özel alanlar: traffic_source.medium, traffic_source.source, traffic_source.name gibi alanlar GA4’te bazen otomatik oluşturulur. Bunları bizim veri ambarında tek bir türeticiyle (derived_source, derived_campaign) birleştirmek, cross-platform karşılaştırmalar için önemlidir.
• Yol analizi ve segmentler: İlk temas kaynağı, son temas kaynağı ve tüm temaslar (touchpoints) olarak bölümlendirme yapılabilir. Bu, çok kanallı dönüşüm modellerini desteklerken atıf yüzdesinin güvenilirliğini de artırır.
• Zaman boyutu: Gün, hafta, kampanya dönemi ve mevsimsellik etkilerini ayrı tablolarla izlemek gerekir. Trafik kaynağı değiştiğinde kullanıcı davranışı nasıl etkileniyor, bu soruya yanıt arar.

• Veri akışı: GA4 exportu -> temizleme ETL -> staging tablosu -> data vault / dimensional model -> BI katmanı.
• Boyutlar: source_dim, medium_dim, campaign_dim, date_dim, user_dim, session_dim.
• Fact tablosu: fact_session TrafikMak, event_count, conversions, revenue gibi ölçütleri içerir.

• Avantaj: Çok kanallı kanıtları karşılaştırabilir, kampanya katkısını daha net izleyebilir ve zaman içindeki kaynak performansını karşılaştırabiliriz.
• Riskler: Yanlış atıf verisi, oturum yeniden yönlendirme durumları (session stitching) ve veri gecikmesi yanlış yorumlara yol açabilir. Bu nedenle ETL ve doğrulama adımları kritik.