Otomotiv Sektörü için MMM

Giriş: Otomotivin Attribution Bilmecesi

Otomotiv distribütörünün pazarlama lideriyseniz, attribution dünyasında tek başınıza dövüştüğünüzü hissetmişsinizdir. Diğer sektörler "müşteri tıkladı, satın aldı, ROAS 4" diyebilir; bizde olay öyle yürümez. Bir kişinin yeni araç satın almaya karar vermesi 3 ila 6 ay sürer. Bu süreçte TV reklamı, programatik display, YouTube test sürüş videosu, Google search, OOH billboard, Instagram showroom hikayesi, bayinin SMS hatırlatması, showroom ziyareti, test sürüşü ve satış danışmanının takip görüşmesi — onlarca dokunuş zincirleniyor. Sonra fatura kesiliyor; last-click sistemi son tıklayan dijital kanala bütün hakları veriyor.

MMMytics ekibi 20 yılı aşkın otomotiv ve FMCG pazarlama deneyimi taşıyor; bu sürenin önemli bir kısmı büyük medya ajanslarında Türk markalarının yatırımlarını yönetmekle geçti. Distribütör müşterilerimizle defalarca aynı sahneyi yaşadık: panelde "Google bu çeyrek 1.200 araba sattı" yazıyor; gerçekte üst funnel TV burst'ü olmasaydı bu 1.200 kişinin yarısı showroom'a hiç gelmemiş olacak. Last-click bunu göstermiyor. Bu yazı, Pazarlama Mix Modelleme (MMM)'in otomotive özel yorumunu — neden geo hierarchical bir modele ihtiyacınız olduğunu, TV GRP verisini nasıl modele soktuğumuzu ve bütçe kaydırmanın gerçekte ne kadarlık bir incremental etki yarattığını — anlatıyor.

Otomotiv Sektör Spesifikleri

Otomotiv'i diğer sektörlerden ayıran 5 temel davranış var; her biri attribution modelini değiştiriyor.

TV GRP hâlâ dominant. Yeni model lansmanlarında TV bütçenin %35-45'ini almaya devam ediyor. Türk tüketicisinin yeni model algısı hâlâ akşam haberleri, prime time dizi araları ve hafta sonu spor yayınlarıyla kuruluyor. Programatik TV ve OTT pay alıyor — ama klasik lineer TV hacim olarak liderliği bırakmadı. Distribütör müşterilerle gözlemlenen ortalama mix: %40 TV + %30 dijital + %20 OOH + %10 bayi yerel medyası. Bu mix'i last-click ile ölçemezsiniz; TV'nin showroom trafiği üzerindeki etkisi tıklama bırakmıyor.

Coğrafi heterojenlik. İstanbul, Ankara, İzmir bir pazar; Anadolu kentleri başka bir pazar. İstanbul'da bayi yoğunluğu, dijital tüketim, finansman penetrasyonu ile Konya'da, Trabzon'da, Gaziantep'te aynı kanalların aynı performansı vermesi mümkün değil. Otomotiv MMM'i tek ulusal model olarak çalıştırmak — bütün şehirleri tek havuzda toplamak — büyük şehrin katkısını taşraya, taşranın boş ekran etkisini büyük şehre dağıtır. İki tarafta da yanlış cevap çıkar.

Bayi performans varyasyonu. Aynı markanın iki bayisinin aynı yatırımla aynı sonucu vermesini bekleyemezsiniz. Showroom konumu, satış kadrosu deneyimi, lokal CRM disiplini, hatta vitrinin sokağa açıkça görünüp görünmemesi farkı yaratıyor. MMM'in bu varyasyonu görmesi, "bayim X kötü performans gösteriyor" suçlamasından önce "ulusal kampanya X bölgesinde zaten az erişim sağlamış" tespitini yapabilmesi gerekir.

OOH lokal etkili. Otobanların üstündeki billboard'lar showroom trafiğine direk dokunuyor — ama dokunduğu yer billboard'un fiziksel yakın çevresi. Ankara Eskişehir Yolu'ndaki billboard'un Adana'daki bayiye katkısı yok. Otomotivde OOH'un coğrafi kısa mesafeli etkisi modelde geo değişken olarak temsil edilmeli; aksi halde "OOH ulusal düzeyde işe yaramıyor" yanlış sonucu çıkar.

Q4 FX-driven satın alma. Türk otomotiv pazarının kendine özgü bir mevsimi var: TCMB döviz kurunun haftalık hareketleri, "kur daha çıkmadan alalım" panik alımını tetikliyor. Q4'te bu eğilim katlanır; yıllık satışın %30-35'i son çeyreğe sıkışabilir. Bu satış patlaması medya yatırımının değil, makro değişkenin etkisi. Modele FX'i kontrol değişkeni olarak sokmazsanız, Q4 satış patlamasını bir kanala atfedersiniz; bütçeyi de yanlış yere kaydırırsınız.

Geo Hierarchical Bayesian Model

Otomotivde tek ulusal model çalışmıyor. Çözüm geo hierarchical Bayesian model — şehir bazlı parametrelerin, bir üst ulusal yapıya bağlanarak çalıştığı çok katmanlı bir Bayesian yapı.

İşin sezgisel hali şu: Türkiye'yi 12-15 büyük pazara bölüyoruz (3 büyük metropol + Anadolu büyük şehirleri + Doğu/Güneydoğu kümesi gibi). Her pazarın kendi kanal performans parametreleri var. Aynı zamanda bütün pazarlar bir ulusal "marka ortalamasına" bağlanıyor; çünkü bir markanın TV reklamı temelde ulusal yayında. Bayesian altyapı bu çift seviyeyi şöyle çözüyor: her şehir kendi posterior dağılımını öğreniyor, ama ulusal seviyenin posterior'undan başlıyor. Yani ulusal düzeyde "TV adstock'u 4 hafta civarı" diyorsanız, Konya da bu prior'u alıyor — sonra Konya'nın kendi verisi geldikçe posterior'u kendi gerçeğine doğru güncelliyor. Veri ince olan şehirler ulusal yapıdan destek alır; veri zengin şehirler kendi modelini çıkarır.

Bunun pratik faydası ikiye ayrılır:

1. Ulusal vs bayi spesifik trafik ayrımı netleşir. İstanbul'daki Mecidiyeköy bayisinin Eylül showroom trafiği iki bileşenden geliyor: ulusal TV burst'ünün İstanbul'a düşen payı + Mecidiyeköy bayisinin yerel SMS kampanyası + lokal OOH. Geo hierarchical model bu iki bileşeni ayırır. Bayi yöneticisi "kendi yerelimde ne kadar etki yarattım" cevabını alır; distribütör pazarlama lideri "ulusal kampanyam hangi şehirde daha güçlü çalıştı" cevabını alır.

2. Veri ince bayilerde model çalışmaya devam eder. Yılda 200 araç satan bir bayinin haftalık satış serisi gürültülü olur; tek başına bu bayiye model kursanız posterior'lar geniş güvenilirlik aralıkları ile gelir, faydalı karar veremezsiniz. Hierarchical yapıda bu bayi ulusal seviyeden destek alır; tahminleri makul kalır.

Google Meridian framework'ü geo-specific prior özelliğini desteklediği için bu yapıyı doğal kuruyoruz. MMMytics Engine'de "geo hierarchical mod" sektör şablonu olarak otomotiv için default açık; analiziniz Türkiye geneli yerine 12-15 pazarı görerek başlıyor. Model Studio'da bu yapıyı tek tıkla çağırıyorsunuz; her pazar için kendi posterior'unu raporlayan bir sonuç dosyası çıkıyor — bayi yöneticileriniz "kendi pazarımı oku" diyebileceği bir formatta.

Bir başka pratik fayda: kampanya şehir bazında dengesiz dağıtıldığında geo hierarchical model bunu görüyor. Distribütör ulusal kampanya planlarken büyük ajanslar genelde nüfus payına göre bütçe dağıtır — ama satış payı her zaman nüfus payına eşit değil. Anadolu'da satış payı yüksek olan modeliniz olabilir; ulusal TV planı orada zaten doygun, büyük şehirde alt-yatırılmış. Geo hierarchical posterior dağılımı bu uyumsuzluğu sayısal olarak çıkarıyor — şehir şehir ROI tablosu okumak mümkün.

TV GRP Verisi Nasıl Modele Girer

Otomotiv modelinin can alıcı kısmı TV GRP verisidir. GRP (Gross Rating Point), bir TV kampanyasının hedef kitle nezdinde yarattığı toplam erişim ağırlıklı puan. Türkiye'de Kantar Media (TIAK üyesi) haftalık panel verisi sağlıyor — kanal, gün, saat dilimi, hedef kitle bazında ne kadar GRP topladığınız raporlanıyor.

Modele girerken üç dönüşüm uyguluyoruz:

1. Frekans-erişim eğrisi (reach-frequency curve). Aynı GRP iki farklı erişim profilinden gelmiş olabilir: 5 milyon kişiye 1'er kez, ya da 1 milyon kişiye 5'er kez. Etkisi farklı. Modele "salt GRP" değil, GRP'yi erişim ve frekans bileşenlerine ayrıştırarak sokuyoruz. Yeni model lansmanında erişim önemli; hatırlatma kampanyalarında frekans önemli. Model bu ayrımı görüyor.

2. Adstock parametresi. TV reklamının etkisi yayın haftasında bitmez; sonraki haftalara taşınır. Adstock, bir kampanyanın etkisinin haftadan haftaya nasıl azaldığını modelliyor. Türk otomotivde gözlemlenen yarı-ömür ortalama 3-4 hafta — Avrupa pazarına göre biraz daha kısa, çünkü 4 haftalık burst geleneği "yeni" mesajı sürekli üstüne yığıyor. Default Meridian adstock prior'u Türk pazarına özel kalibre edilmiş; sıfırdan parametre arama yapmıyoruz.

3. Saturasyon eğrisi (azalan getiri). GRP arttıkça satış katkısı doğrusal artmaz; bir noktadan sonra her ek GRP daha az incremental satış getirir. Bu doygunluk noktası kritik. Distribütörün 3.500 GRP'lik aylık planı 3.000 GRP'ye düşürüldüğünde satışın aynı kaldığını gözlemlemek olağan — eğri zaten doygun, fazla harcama. MMMytics Channel Intelligence dashboard'unda her kanalın doygunluk eğrisi canlı çiziliyor; "şu noktadan sonra azalan getiri başlıyor" sayısal olarak okunabiliyor.

Anonim Vaka Çalışması: "Marka A"

Türk otomotiv pazarının ilk 5'inde yer alan bir distribütör — yazıda "Marka A" diyelim, anonim. Q3 2025'te tipik bir otomotiv mix'i çalıştırıyordu: %40 TV + %30 dijital + %20 OOH + %10 bayi yerel medyası. Yıllık ortalama 40.000 araç tescili, ortalama bütçe segmentinde sedan + SUV portföyü. Distribütörün CMO'su last-click panelde dijital'in baskın olduğunu görüyordu; TV bütçesinin gerçek katkısının ne olduğu sorusuna kimse net cevap veremiyordu.

Geo hierarchical Bayesian MMM kurduk. Modele 104 haftalık satış serisi (2 yıl), Kantar GRP verisi, dijital harcama (Google + Meta + DV360), OOH harcama (Posterscope envanter raporu), bayi spesifik medya, TCMB FX, TÜFE ve sezonsallık değişkenleri sokuldu. MCMC 4 zincir, R-hat 1.05 (yakınsama temiz), 22 dakikada sonuç.

Bulgular netti:

• TV %15 fazla harcanmış. Frekans tarafı aşırı yüklü; 4. ve 5. tekrarın incremental katkısı sıfıra yakın. Erişim doygunluk noktası 65 GRP/hafta civarındaydı; haftalık 80+ GRP'ye çıkan yıkım bütçeleri ekstra getiri yaratmıyordu.
• Dijital alt-yatırılmış. Performans dijitalin doygunluk noktasından %25 uzakta, hâlâ artan getiri eğrisindeydik. Marjinal her 1 milyon TL dijital, ölçülen katkı %18 incremental.
• OOH büyük şehirde güçlü, taşrada zayıf. Geo hierarchical model bunu net çıkardı; ulusal OOH bütçesinin %30'u büyük şehir dışı segmentlere gidiyordu, oradaki incremental etki istatistiksel olarak sıfırdan ayrışmıyordu.
• Bayi yerel medya yüksek lift. Düşük absolut bütçe ama yüksek geri dönüş; bütçe büyütülmesi öneriliyordu.

Önerimiz: bir sonraki çeyrekte 1 milyon TL'lik bir kaydırma — TV frekansından dijital + bayi yerel medyasına. TV bütçesini kesmedik; sadece doygunluk noktasının üstündeki frekans GRP'lerini düşürdük, oradan kazanılan bütçeyi marjinal getirisi yüksek kanallara yönlendirdik. Kaydırma sonrası 4 haftalık ölçümde incremental satış %23 arttı — sektör ortalamasında durduğumuz, fakat realize edilebileceğini gördüğümüz bir gelişme. CMO CFO'ya artık "100 milyon TV bütçemizin %15'i atıl, kaydırınca %23 satış artışı" diyebilir bir konumdaydı. Bu sayı showroom trafiği rakamlarıyla da çapraz doğrulandı: bayi network'ünde haftalık ziyaretçi %18 yukarı, test sürüş randevusu %21 yukarı — model çıktısıyla showroom gerçeği aynı yönde konuştu.

Not: bu vaka, Türk otomotiv sektöründe gözlemlediğimiz pattern'i temsil ediyor; spesifik müşteri ismi açıklanmamıştır. Sektör ortalamalarına yakın bir senaryo üzerinden anlatılmıştır.

CTA: Sektörünüzün Modelini Canlı Kuralım

Otomotiv distribütörü için MMM kurmak hazır şablonla başlanan, sonra markanızın gerçek verisiyle kalibre edilen bir süreç. MMMytics'te otomotiv sektör şablonu — geo hierarchical mod açık, TV GRP entegrasyonu hazır, FX kontrol değişkeni TCMB'den otomatik akıyor, sezonsallık prior'ları Türkiye takvimine göre kurulmuş — default geliyor. Demo Talep Et sayfasından bizimle iletişime geçtiğinizde, kendi verinizle 30-60 dakikalık bir seansta canlı bir model kuruyoruz; Channel Intelligence dashboard'unda kanal kanal incremental ROI'nizi birlikte okuyoruz; Budget Optimiser ile bir sonraki çeyreğin bütçe senaryolarını birlikte değerlendiriyoruz.

Yöntem ve ekibimizi tanımak için Hakkımızda sayfasına; planları görmek için Fiyatlandırma sayfasına bakabilirsiniz. Otomotiv'de gerçek incremental ROI'yi ölçmenin zamanı geldi.