B2B Telco Sektöründe Ürün Öneri Sistemleri: Çok Katmanlı Bir Yaklaşım

​B2B telekomünikasyon sektöründe satış süreçleri uzun yıllar boyunca kitlesel (mass) yaklaşımlar üzerinden yürütüldü. Ancak artan ürün çeşitliliği ve giderek farklılaşan müşteri ihtiyaçları, kişiselleştirilmiş ürün önerilerini iş süreçleri için kritik bir karar destek mekanizması haline getirdi. Nitekim küresel ölçekte B2B pazarlama karar vericilerinin %82’si, alıcıların satış ve pazarlama etkileşimlerinde kendilerine özel (tailored) deneyimler beklediğini ifade ediyor (Forrester Research, 2024*).

Bu noktada “öneri sistemleri” kavramı çoğu kişi için tanıdık bir yerden çağrışım yapar. Genellikle Spotify’daki müzik önerileri, Netflix’teki film tavsiyeleri ya da Instagram’daki içerik akışı akla gelir. Ancak B2B telekomünikasyon sektöründe bir öneri sistemi geliştirmek, bu tüketici odaklı platformlara kıyasla çok daha karmaşık ve çok katmanlı bir yapı gerektirir. Gelin, bu farkı ve B2B telco’ya özgü bir öneri sistemi mimarisini detaylıca inceleyelim.

Etkili bir B2B telco öneri sistemi dört temel katmandan oluşur:

• Veri Kaynakları → Internal ve External veriler
• Öneri Modeli → ML modelleri ve algoritmalar
• Propensity Modeli → Hedef kitleyi belirlemek için eğilim analizi
• Business Constraints → Telco'ya özgü altyapı ve ürünsel kurallar

Tüketici ve B2B Öneri Sistemleri Arasındaki Temel Fark Nedir?

Öncelikle şunu netleştirmemiz gerekiyor: Önerilen şey ücretsiz mi, paralı mı?

Tüketici Platformlarında (B2C)

Spotify, YouTube veya Instagram'da kullanıcıya sunulan öneriler genellikle ücretsizdir. Kullanıcı bir müzik veya video önerisine tıkladığında doğrudan bir ödeme yapmaz. Bu platformlarda model, kullanıcı etkileşimini maksimize etmeye odaklanır. Bir reklam tıklaması gibi düşünebiliriz - kullanıcı tıkladığı an herhangi bir şey ödemez, platform engagement'ı artırır. Bu tür senaryolarda randomize bir model işinizi görebilir. Popülerlik bazlı öneriler, basit collaborative filtering yaklaşımları yeterli olabilir. Sonuçta, kullanıcı öneriye tıklamadığında kaybedilen şey sadece potansiyel bir etkileşimdir.

B2B Telco Dünyasında

B2B telco dünyasında durum bambaşkadır. Burada her öneri, gerçek bir satış potansiyelini temsil eder. Müşteri önerilen ürüne tıkladığında ya da ilgi gösterdiğinde, para ödeyeceği bir süreç başlar. Bu nedenle daha fazla kişiselleştirme (personalization) kaçınılmaz hale gelir. Yanlış bir öneri, sadece kaybedilen bir tık değil, kaybedilen bir satış fırsatı ve potansiyel olarak zarar görmüş bir müşteri ilişkisi anlamına gelir.

1. Veri Kaynakları

B2B telco öneri sistemlerinin gücü, üç temel veri kaynağının entegrasyonundan gelir:

Product (Ürün Verisi)

Ürün verisi, öneri sisteminin omurgasını oluşturur. Ancak burada kastettiğimiz sadece ürün katalogu değil, aynı zamanda müşterinin mevcut ürün portföyü ve bu ürünlerle ilgili zengin metadata'dır.

User (Kullanıcı/Müşteri Verisi)

Bu noktada veri martı devreye girer. Müşteri davranışları, geçmiş satın alımları, kullanım alışkanlıkları gibi veriler toplanır ve işlenir. Bu veri, propensity modelleri (eğilim modelleri) ya da diğer tahminsel modelleri besler. Bir müşterinin hangi ürünlere eğilimli olduğunu, hangi çözümlere ihtiyaç duyabileceğini anlamak için zengin bir kullanıcı profili şarttır.

External (Dış Kaynaklı Veriler)

B2B çalıştığınız için firmaların halka açık verilerine ulaşabilirsiniz. Bu veriler şunları içerebilir:

• Firmanın kaç konumu/şubesi olduğu
• Çalışan sayısı
• Sektör verileri
• Demografik veriler(bölge, şehir büyüklüğü)​

Bu dış veriler, müşterinin gerçek potansiyelini anlamak ve red flag'leri (uyarı işaretlerini) tespit etmek için kritik öneme sahiptir. Örneğin, finansal sıkıntı yaşayan bir firmaya pahalı altyapı çözümleri önermek hem zaman kaybı hem de potansiyel bir tahsilat sorunudur.

2. Öneri Model Yaklaşımları

Model yaklaşımları business'tan business'e değişen bir durum. Telco özelinde baktığımızda ürün gamı çok geniş olmasa da bu ürünleri kategorize etmek faydalıdır.

Rule-Based Modeller

En temel seviye. İş birimi ve ürün ekiplerinin yazdığı kurallar ile belirlenir.

Artıları: Şeffaf ve hızlı hayata geçer
Eksileri: Ölçeklenemez ve kişiselleştirme zayıftır

Collaborative Filtering (CF)

Benzer müşteriler ne aldı? Kullanıcı-ürün etkileşimi üzerine kuruludur. Item ve user bazında çalışır ancak sparse data (seyrek veri) durumunda similarity bulmak zorlaşır.

Matrix Factorization (MF)

Collaborative Filtering'in gelişmiş halidir. User-product latent embedding'leri küçük dilimler ile oluşturur ve sparse data'yı handle edebilir. Artı olarak side feature eklenebilir, yani farklı feature'lar ile similarity bulma endeksi artar.

Content-Based Recommendation

Ürün özellikleri ile çalışır ama telco ürün ortamında çok uygun değildir. Çünkü….

Sonuç: Matrix Factorization Yaklaşımı

Yukarıdaki değerlendirmeler ışığında, Matrix Factorization yaklaşımı B2B telco için daha uygun görülmektedir. Popüler MF algoritmaları şunlardır:

• ALS (Alternating Least Squares)
• SVD (Singular Value Decomposition)
• LightFM

3. Hedef Kitle ve Lead Yönetimi

Veri kaynakları ve öneri modelinden sonra doğru kitleyi nasıl bulmalıyız? Çünkü her müşteri için bir ürün önerisi çıkar ama bunların gelir artırma potansiyeli var mı?

Bu nedenle devreye propensity model girer. Burada veri martında müşteri profili oluşturulur, gelir tahmini ya da ürün alma eğilimi modelleri yapılarak kitle en doğru şekilde yönetilir.

Propensity Modelinin Amaçları:

• Müşterinin satın alma olasılığını tahmin etmek
• Potansiyel gelir katkısını hesaplamak
• Doğru zamanda doğru müşteriye ulaşmak
• Satış kaynaklarını verimli kullanmak

4. Business Rule'ların Önemi

Son katman ise business constraints (iş kısıtlamaları). Bu ürünsel ve yapısal faktörler olabilir.Telco sektöründe, özellikle bölgenin altyapısı ve bazı ürünlerin gereksinimleri yüzünden business rule yapısı son derece önemlidir.

Örnekler:

• X bölgesinde fiber altyapı yoksa, fiber internet paketi önermek anlamsızdır.
• Y şehirinde 5G kapsama alanı sınırlıysa, 5G odaklı çözümler uygun olmaz.
• Z müşterisinin lokasyonunda teknik destek kapasitesi yetersizse, 7/24 on-site destek gerektiren hizmetler risklidir.
• Müşterinin mevcut sözleşme durumu belirli ürünleri engelleyebilir.
• Regulasyon gereklilikleri bazı bölgelerde belirli hizmetleri kısıtlayabilir.

Bu business rule'lar, makine öğrenmesi modellerinin üzerine eklenen bir akıl katmanı olarak çalışır. Model ne kadar sofistike olursa olsun, gerçek dünya kısıtlamalarını göz önünde bulundurmalıdır.

Müşteri Odaklı Hybrid Öneri Mimarisi

Basit 4 katmandan oluşan mimari aşağıdaki gibidir.
Bu yapı hybrid bir yaklaşım üzerine kuruludur.

• Feature Katmanı:
  Kullanıcı, ürün ve dış kaynaklı veriler birlikte kullanılarak temel feature seti oluşturulur.
• Benzerlik & Kural Tabanlı Öneri Katmanı:
  Feature’lar binary vektörlere dönüştürülür, similarity metrikleri ile ürün–müşteri eşleşmeleri hesaplanır ve ilk öneri çıktıları üretilir.
• Propensity (Eğilim) Modeli Katmanı:
  Kurumsal veri martı üzerinden çalışan eğilim modeli ile müşterinin ilgili ürünü satın alma olasılığı skorlanır.
• Birleşik Skorlama & Aksiyon Katmanı:
  Öneri skorları ile eğilim skorları birleştirilir, threshold belirlenerek potansiyel müşteri kitlesi hedeflenir.

Kural tabanlı öneri gücü ile makine öğrenmesi tabanlı eğilim skorlarının birleştiği, ölçeklenebilir ve iş odaklı bir hybrid mimari elde edilmiştir.

Sonuç: B2B Telco’da Öneri Sistemleri Bir Karar Mekanizmasıdır

B2B telekomünikasyon sektöründe ürün öneri sistemleri, yalnızca teknik bir model değil; veri, domain bilgisi ve iş kurallarının birlikte çalıştığı uçtan uca bir karar destek mekanizmasıdır. B2C dünyasındaki etkileşim odaklı önerilerin aksine, B2B telco’da her öneri gerçek bir gelir beklentisi ve müşteri ilişkisi anlamına gelir.

Bu nedenle etkili bir öneri sistemi; sadece “hangi ürün?” sorusuna değil, aynı zamanda satın alma olasılığı, teknik uygunluk ve operasyonel kısıtlar gibi kritik sorulara da yanıt verebilmelidir. Matrix Factorization tabanlı öneri modelleri, propensity analizi ve telco’ya özgü business rule’ların birleştiği hybrid mimari; ölçeklenebilir, iş odaklı ve sahada karşılığı olan bir yapı sunar.

Özetle, B2B telco’da başarı; en gelişmiş modeli kurmaktan ziyade, doğru müşteriye, doğru zamanda, gerçekten uygulanabilir çözümler sunabilmekten geçer. Yanlış bir önerinin maliyeti yalnızca bir tık değil, kaybedilen bir satış fırsatı ve zedelenen bir müşteri ilişkisidir. Bu gerçek, B2B telco öneri sistemlerinde katmanlı ve bütünsel yaklaşımın neden vazgeçilmez olduğunu açıkça ortaya koymaktadır.

Reference:

*https://www.forrester.com/report/the-state-of-b2b-personalization-2024/RES181860