---
title: "AI Satın Alma Niyeti Tespiti: Makine Öğrenimi Satın Alma Davranışını Nasıl Tahmin Eder?"
description: "2026'da AI satın alma niyet tespiti nasıl çalışır? Veri sinyalleri, makine öğrenimi mimarileri, doğruluk kıstasları ve sentetik kişiliklerin yeri."
canonical_url: "https://getminds.ai/blog/tr/ai-purchase-intent-detection-explained"
last_updated: "2026-05-20T17:15:16.751Z"
---

# AI Satın Alma Niyeti Tespiti: Makine Öğrenimi Satın Alma Davranışını Nasıl Tahmin Eder?

Satın alma niyeti tespiti eskiden bir B2B satış konusuydu: hangi hesaplar ne araştırıyor, hangi alıcılar piyasada, hangi sinyaller bir anlaşmanın kapanacağını tahmin eder? 2026'da aynı makine öğrenimi teknikleri B2C e-ticaret, abonelik değişim modeli ve ön lansman pazar doğrulamasına yayıldı. Bir alıcının bir dijital sinyal bıraktığı her yerde, artık o sinyali satın alma olasılığına dönüştürmeye çalışan bir AI sistemi mevcut.

Bu rehber, 2026'da AI satın alma niyeti tespitinin nasıl çalıştığını açıklar: hangi veri sinyallerini kullandığını, arkasındaki makine öğrenimi mimarilerini, önde gelen sistemlerin yayınladığı doğruluk kıstaslarını ve sentetik kişiliklerin nerede uyduğunu anlatır.

## Satın Alma Niyeti Tespiti Aslında Nedir?

Satın alma niyeti tespiti bir olasılık tahmin problemidir. Bir alıcıya (birey, hesap, segment) belirli bir ürünün belirli bir zaman diliminde satın alınma olasılığı nedir?

Çıktı genellikle bir skordur: bir olasılık, bir kategorik bant (düşük/orta/yüksek) veya azalan niyete göre sıralanmış bir potansiyel müşteri listesidir. Sonraki kullanım durumu bu skoru bir iş akışına yönlendirir: bir satış ekibi yüksek niyetli hesapları önceliklendirir, bir e-ticaret platformu yüksek niyetli ziyaretçiye farklı bir ana sayfa sunar, bir SaaS şirketi yüksek niyetli deneme kullanıcılarını bir tanıtım görüşmesi için önceliklendirir.

İlginç makine öğrenimi sorusu şudur: hangi sinyaller niyeti tahmin eder ve bunları faydalı bir skor haline nasıl getirirsiniz?

## AI Satın Alma Niyet Modellerinin Tükettiği Beş Sinyal Kategorisi

### Kategori 1: Birinci Taraf Davranışsal Sinyaller

Alıcının kendi varlıklarınızla etkileşimleri. Sayfa görüntülemeleri, sayfa üzerindeki zaman, oturum derinliği, geri dönüş ziyaretler, özellik kullanımı, e-posta açılımı, içerik indirme, demo istekleri. Bunlar en yüksek sinyal girdileridir çünkü alıcı doğrudan ürününüz veya içeriğinizle etkileşimde bulunur; niyet çıkarımı temellidir.

Modern birinci taraf niyet modelleri, etkileşim sayısından ziyade etkileşim sırasını modellemek için sıra mimarileri (RNN'ler, transformer'lar) kullanır. "Blog gönderisi -> fiyatlandırma sayfası -> demo isteği" sırası, "demo isteği -> blog gönderisi -> fiyatlandırma sayfası" sırasından farklı bir niyet imzasıdır, sayfa sayımları aynı olsa bile.

### Kategori 2: Üçüncü Taraf Davranışsal Sinyaller

Alıcının daha geniş web ile etkileşimleri. Konu seviyesinde araştırma sinyalleri (Bombora, G2 Buyer Intent, TrustRadius, Demandbase), yayıncı ağı etkileşimi, arama davranışı (erişilebilir olduğu yerde), sosyal etkileşim sinyalleri. Bu sinyaller, alıcının sizin varlıklarınıza uğramadığında neler yaptığını tamamlayan sinyallerdir.

Üçüncü taraf sinyalleri, birinci taraf sinyallerinden daha gürültülüdür. "Acme Corp CRM araştırıyor" konulu bir sinyal, Acme'nin gerçek satın alma ekibi olabilir veya tek bir stajyer olabilir; model, aynı hesaptan gelen birinci taraf sinyallerine göre üçüncü taraf sinyallerini uygun şekilde ağırlıklandırmalıdır.

### Kategori 3: Firma Grafik ve Demografik Sinyaller

B2B için: şirket büyüklüğü, endüstri, büyüme aşaması, son yatırım, teknoloji yığını, liderlik değişiklikleri. B2C için: demografik veriler, hane yapısı, gelir seviyesi, yaşam evresi sinyalleri. Bunlar, herhangi bir davranışsal veri gözlemlenmeden önce modelin satın alma ön olasılığını koşullandıran yavaş hareket eden özelliklerdir.

Firma sinyalleri, özellikle davranışsal geçmişi olmayan yeni hesaplar için modelin başlaması gereken doğru yerdir. Doğru ICP segmentine sahip doğru teknoloji yığınına sahip bir şirket, rastgele bir ziyaretçiden daha yüksek bir temel olasılığa sahiptir; ardından davranışsal sinyaller bu önolayı yukarı veya aşağı ayarlar.

### Kategori 4: Sosyal ve Topluluk Sinyalleri

İş ilanları, LinkedIn etkinliği, inceleme sitesi etkileşimi, konferans katılımı, topluluk forumu katılımı. Bunlar, alıcının kuruluşunun aslında ne yaptığını daha yüksek çözünürlüklü sinyallerdir ve genellikle sizin varlıklarınıza ulaşmadan önce elde edilir.

İş ilanları özellikle bilgilendiricidir: bir şirket niş bir rol için üç satış elemanı alıyorsa, bu, diğer şirketlerin modellemesi gereken bir ürün stratejisinin sinyalidir. Niyet çıkarımı bazen iş ilanlarından alınan birinci taraf sinyallerinden daha doğru olabilir.

### Kategori 5: Tahmin Edici Sentetik Sinyaller

Bu daha yeni bir kategoridir. Gerçek alıcıya gösterilen aynı uyarana karşı sorgulanan hedef alıcının sentetik kişilikleri, tahmin edici bir sinyal üretir: hedef alıcı bu kampanya, mesaj veya ürün değişikliğine yanıt olarak ne düşünecek, söyleyecek veya yapacaktır.

Sentetik sinyaller, davranışsal verilerin bir yerine geçmez; bir tamamlayıcıdır ve boşlukları doldurur. Özellikle lansman öncesi doğrulama (henüz bir davranışsal veri yokken), yeni pazar genişlemesi (davranışsal veri başka bir segmentten geldiğinde) ve karşı-olgusal senaryolar (X'i değiştirirsek alıcı ne düşünürdü) için değerlidirler.

## Niyet Tespitinin Arkasındaki Makine Öğrenimi Mimarileri

### Mimari 1: Lojistik Regresyon ve Aşamalı Artırımlı Ağaçlar

B2B niyet puanlamasının iş güveyi. Beş sinyal kategorisinden bir özellik vektörü tasarlayın, geçmiş dönüşümleri etiketleyin, verilen özellik vektörüne göre dönüşüm olasılığını tahmin etmek için bir lojistik regresyon veya aşamalı artırımlı ağaç (XGBoost, LightGBM) eğitin.

Güç: yorumlanabilir, dağıtılması kolay, hızlı yeniden eğitilir. Modelin katsayıları hangi özelliklerin en önemlisi olduğunu söyler ve bu da bir satış ekibine skoru açıklamak için faydalıdır.

Zayıflık: etkileşim yapılarını veya sıra dinamiklerini yerel olarak modelleyemez. Bir model, sadece sayfa görüntülemelerini ve e-posta açılımlarını sayarsa, satın alma yönüne hızlanan ve satın alma yönünden uzaklaşan bir alıcı arasındaki farkı kaçırır.

### Mimari 2: Sıra Modelleri (RNN'ler ve Transformer'lar)

Yeni dalga. Alıcının etkileşim geçmişini zaman damgalarıyla bir olaylar dizisi olarak düşünüp, her bir olayı bir token gömme alanında bir token olarak kodlayın, sıralamayı bir RNN (LSTM, GRU) veya transformer üzerinden çalıştırın, sonunda gizli durumdan dönüşüm olasılığını tahmin edin.

Güç: sıralama, zamanlama ve hızlanma yerel olarak yakalanır. Bir alıcının haftada bir sayfa görüntülemeden günde on sayfa görüntülemeye hızlandığını gören bir model, toplam sayfa görüntüleme sayısı hala mütevazı olsa bile bir şeylerin değiştiğini bilir.

Zayıflık: daha fazla veriye ihtiyaç duyar, anlaması daha zordur. Model, satış temsilcisine açıklanabilecek terimlerle *neden* yüksek niyetli bir puan öngöremeyebilir.

### Mimari 3: Temel-Model Bazlı Akıl Yürütme

En yeni yaklaşım. Alıcının geçmişini (davranış günlükleri, firma profili, üçüncü taraf sinyalleri) bir temel modele (akıl yürütme eğitimi almış büyük bir dil modeli) aktarın ve modelden alıcının olası niyetini doğal dilde özetlemesini isteyin, çıkarılan bir olasılıkla birlikte.

Güç: çıktı, aynı anda hem nitelik hem niceliklidir. Ekip, hem bir olasılık skoru hem de alıcının markette olup olmadığı hakkında bir anlatı açıklaması alır. Akıl yürütme bazen daha faydalı sonuç olur.

Zayıflık: gecikme ve maliyet klasik ML'den daha yüksektir. Yüksek trafikli bir e-ticaret sitesinde her ziyaretçiyi gerçek zamanlı olarak puanlamak için uygun değildir; hesap başına analiz maliyetinin haklı olduğu yüksek değerli B2B hesaplarının puanlanması için uygundur.

### Mimari 4: Sentetik-Kişilik Ön-Skorlaması

Tamamlayıcı mimari. Gerçek alıcı verisi mevcut olmadan önce (lansman öncesi, yeni pazar girişi, yeni ürün doğrulaması), hedef alıcının sentetik kişiliklerini planlanan uyaranlara (planlanan kampanya, planlanan ürün, planlanan mesajlaşma) karşı çalıştırın ve sentetik yanıt dağılımını ileriye yönelik bir niyet sinyali olarak kullanın.

Bu, Minds’ın iş akışıdır. Sentetik kişi çıktısı, gerçek alıcı niyet tespiti için bir yerine geçmez; gerçek veri akmaya başladığında gerçek alıcı niyet modelinin kalibrasyonunu bilgilendiren bir lansman öncesi sinyaldir.

## Mimariler Arasındaki Doğruluk Kıstasları

Modern niyet tespit sistemleri arasındaki yayınlanan doğruluk kıstasları, şu aralıklarla kümeleşir; bu, olasılık sınıflandırması için standart ML ölçümü olan ROC eğrisi altındaki alan (AUC) olarak ifade edilir:

Birinci taraf + firma grafik sinyaller üzerinde klasik ML: AUC 0.75 ila 0.85. Çoğu operasyonel B2B niyet puanlaması burada yer alır.

Üçüncü taraf niyet üzerine eklendiğinde klasik ML: AUC 0.80 ila 0.88. Bombora veya G2 sinyallerinin birinci taraf verileri üzerinde eklenmesi AUC'yi 5 ila 10 puan artırır.

Zengin birinci taraf verilere üzerinde sıralı modeller: AUC 0.85 ila 0.92. Mimari gelişmenin alıcı başına yoğun davranış geçmişi olan ekipler için en önemli olduğu yerdir.

Yüksek değerli hesaplarda temel-model akıl yürütme: AUC formal olarak benchmark etmek zor (hesap başına analiz düşük-N ve niteliksel), ancak önde gelen satıcılar, modelin yüksek niyetli olarak işaretlediği hesaplarda dönüşüm sonuçlarıyla yüzde 80 ila 90 arasındaki gerçekleşme oranını rapor eder.

Sentetik kişilik ön-skorlaması (lansman öncesi doğrulama): doğruluk, dönüşüm sonuçlarından ziyade tarihsel araştırma kıstaslarına göre ölçülür (çünkü henüz dönüşüm gerçekleşmemiştir). Yayınlanan silikon örnekleme literatürü, insan katılımcı bazlarıyla ifade niyet sorularında yüzde 80 ila 95 uyum rapor eder ve bu daha geniş sentetik araştırma doğruluk aralığıyla tutarlıdır.

## Sentetik Kişiliklerin Niyet Yığındaki Yeri

Geleneksel niyet tespiti yığını tepkisel: sinyaller gelir, model hesapları puanlar, satış en yüksek puanlı hesapları hedef alır. Yığın, alıcılar sinyal bırakmaya başladıklarında çalışır. Lansmandan önce, yeni pazardan önce, yeni üründen önce çalışmaz.

Sentetik kişilikler ön sinyal boşluğunu doldurur. Yeni kampanya veya yeni ürünle herhangi bir gerçek alıcı etkileşimde bulunmadan önce, sentetik bir kişilik paneli uyaranı çalıştırabilir ve tahmin edilen bir niyet dağılımı üretebilir: hangi segmentler olumlu yanıt verecek, hangi segmentler olumsuz yanıt verecek, hangi mesajlaşma yankı bulacak, hangileri başarısız olacak.

Bu ön-sinyal puanlama üç aşağı akış eylemi bilgilendirir:

Birincisi, ICP iyileştirme. Sentetik panel çıktısı, GTM ekibine gerçek veri dönüşümü verisi olmadan hangi segmentlerin en yüksek ihtimalle döneceğini gösterir. ICP tanımları daraltılır, hedefleme listeleri önceliklendirilir, reklam harcama tahsisi sentetik ön-onaylı segment seviyesinde dönüşüm olasılığını yansıtır.

İkincisi, mesaj ayarı. Sentetik panelden gelen niteliksel akıl yürütme ekibe hangi mesajların etkili olduğunu ve hangilerinin etkili olmadığını belirtir. Kampanya, pazarda dönüşüm verileri tarafından sonradan doğrulanan mesajlarla değil, önceden doğrulanmış mesajlarla başlatılır.

Üçüncüsü, model kalibrasyonu. Gerçek alıcı sinyalleri akmaya başladığında, niyet modeli daha hızlı kalibre olur çünkü sentetik temel önceden bilgi sağlar. Model operasyonel kalitede haftalar içinde yerine çeyreklerde yakınsar.

## Minds'ın Niyet Tespiti İş Akışını Destekleme Yöntemi

Minds, yapılandırılmış niyet tespiti programları yürüten ekipler için sentetik kişilik ön-skorlama katmanını sağlar. İş akışı:

Hedef ICP'nin kişilikleri (veya içindeki segmentler) oluşturun. Tipik bir yapı, öncelikli segmentleri temsil eden üç ila yedi kişiliktir.

Planlanan kampanya varlıkları, ürün konumlandırması veya mesaj çeşitleri karşısında lansman öncesi paneller düzenleyin. Panel çıktısı, sentetik niyet puanlarından oluşan bir dağılım ve her kişiliğin yanıtı arkasındaki niteliksel akıl yürütmenin bulunduğu bir dağılımdır.

Panel çıktısını aşağı akış GTM kararlarını bilgilendirmek için kullanın: hangi segmentlerin ücretli edinimde önceliklendirilmesi gerektiği, hangi mesajlarla başlanması gerektiği, hangi itirazların önlenmesi gerektiği.

Gerçek alıcı verileri akmaya başladığında, operasyonel niyet modelini sentetik temele karşı kalibre edin. İki sinyal tamamlayıcıdır, tekrar edici değil.

Fiyatlandırma: Ayda kullanıcı başına 5 EUR (Lite) ile ayda 30 EUR (Premium) ve yıllık 15.000 EUR (Enterprise). Tarihsel kıstaslarda %80 ila %95 doğruluk doğrulandı.

## Sonuç

2026'da AI satın alma niyet tespiti, her biri alıcı yolculuğunun farklı bir aşaması için optimize edilmiş bir sinyal kategorileri ve makine öğrenimi mimarileri yığınıdır. Birinci taraf davranışsal sinyaller ve klasik ML, çoğu operasyonel B2B puanlamasını kapsar. Üçüncü taraf niyet eklemeleri, doğruluğu artırır. Sıra modelleri yoğun davranış geçmişini sıkıştırır. Temel model akıl yürütmesi, yüksek değerli hesap seviyesi analizlerini ele alır. Sentetik kişilik ön-skorlaması, gerçek alıcı sinyallerinin kaplayamayacağı lansman öncesi ve yeni pazarı doldurur.

2026'da niyet tespiti programları yürüten olgun ekipler, tek bir mimariden ziyade tüm yığını kullanır. Ek değer, ön sinyal sentetik kişilik katmanını operasyonel gerçek sinyal puanlama katmanına bağlamaktan gelir; ekibin GTM kararları hızlanır, ICP keskinleşir, model operasyonel kaliteye daha hızlı yakınsar.

[Ücretsiz Minds hesabı başlayın](/?register=true)