Hediye seçmek basit bir “ürün bulma” problemi değildir.
Bu, insanı anlama problemidir.

Aynı ürünü iki farklı kişiye önerdiğinizde:

• biri “tam benlik” der,
• diğeri “hiç bana göre değil”.

Aradaki fark ürün değil, bağlamdır.
İşte NLP ve yapay zekâ tam olarak bu noktada devreye girer.

---

Kişiselleştirme Neden Klasik Filtrelerle Çözülemez?

Geleneksel e-ticaret sistemleri şuna dayanır:

• kategori
• fiyat aralığı
• marka
• renk
• stok

Ama hediye arayan bir kullanıcı şunu düşünür:

• Karşımdaki kişi nasıl biri?
• Ne sevmez?
• Abartıdan hoşlanır mı?
• Bu hediyeyle ne hissetsin istiyorum?

Bunların hiçbiri checkbox değildir.

Bu yüzden “kişiselleştirme”, veri + yorumlama gerektirir.

---

NLP (Doğal Dil İşleme) Hediye Aramada Ne Yapar?

NLP, kullanıcının yazdığı metni kelime kelime değil, anlam bütünlüğüyle ele alır.

Örnek bir kullanıcı girişi:

Arkadaşıma doğum günü için alacağım, minimal seven biri, esprili ama ucuz durmasın.

Buradan NLP şunları çıkarır:

• Hedef kişi: arkadaş
• Özel gün: doğum günü
• Stil: minimal
• Duygu: esprili
• Kaçınılan şey: kalitesiz algısı

Bu, klasik aramada asla elde edilemez.

---

Makine Öğrenimi Kullanıcıyı Nasıl Tanır?

NLP tek başına yeterli değildir.
Asıl farkı yaratan, makine öğrenimiyle davranış analizidir.

Sistem zamanla şunları öğrenir:

• Kullanıcı hangi önerilere tıklıyor?
• Hangilerini görüp geçiyor?
• Hangi tarz ürünlerde daha uzun kalıyor?
• Satın alma ile öneri arasındaki ilişki ne?

Bu verilerle:

• Benzer kullanıcı profilleri oluşturulur
• Başarılı öneri kalıpları çıkarılır
• Zayıf öneriler otomatik elenir

Sonuç:

“Bu kullanıcı için çalışan öneri tipi budur.”

---

Hangi Modeller Daha Tutarlı Sonuçlar Verir?

Hediye öneri sistemlerinde tek bir model yeterli olmaz.
Genelde hibrit yaklaşımlar daha başarılıdır.

1. Metin Anlamlandırma (Embedding) Modelleri

• Kullanıcının yazdığı metni vektöre çevirir
• Ürün açıklamalarıyla anlamsal yakınlık kurar
• Anahtar kelimeye takılmaz

2. Davranışsal Öğrenme Modelleri

• Tıklama, görüntüleme, satın alma sinyallerini kullanır
• “Benzer kullanıcılar neyi beğendi?” sorusuna cevap verir

3. Kural + AI Birleşimi

• “Ucuz durmasın” gibi ifadeler için kural setleri
• “Minimal ama esprili” gibi çelişkili istekleri dengelemek için AI

En iyi sonuçlar, model savaşından değil model iş birliğinden çıkar.

---

Çok Dilli ve Kültüre Duyarlı Öneriler Nasıl Üretilir?

Aynı hediye, her kültürde aynı anlama gelmez.

Örnek:

• Türkiye’de kişisel hediye = samimiyet
• Bazı ülkelerde = fazla özel, riskli

NLP burada dilin ötesine geçer:

• İfade biçimini
• Duygu tonunu
• Kültürel çağrışımı analiz eder

Çok dilli sistemlerde:

• Metinler doğrudan çevrilmez
• Anlam vektörleri üzerinden eşleştirilir
• Kültürel filtreler uygulanır

Bu sayede:

• Almanca yazılmış bir prompt,
• Türkçe bir ürüne doğru şekilde eşleşebilir

---

HediyeBul Bu Yaklaşımı Nasıl Konumlandırır?

HediyeBul’un farkı:

• Kullanıcıdan “ürün aramasını” istememesi
• “Anlat, ben anlayayım” demesidir

Yani sistem:

• Filtre sormaz
• Kategori zorlamaz
• Kullanıcıyı yormaz

Arka planda ise:

• NLP ile niyet analizi
• ML ile öneri sıralaması
• Bağlam odaklı eşleştirme çalışır

Bu, klasik e-ticaret mantığının tersidir:

Ürünü kullanıcıya uydurmak yerine
kullanıcıyı ürüne uydurur.

---

Genel E-Ticaret İçin Çıkarım

Bu yaklaşım sadece hediye için geçerli değil.

Gelecekte:

• Arama → sohbet
• Filtre → anlatım
• Liste → öneri

dönüşümü kaçınılmaz.

Kazanacak olanlar:

• Kullanıcıyı dinleyenler
• Veriyi yorumlayanlar
• “Ne sattığını” değil “neden satıldığını” anlayanlar

---

Sonuç: Kişiselleştirme Bir Özellik Değil, Zorunluluk

Artık kullanıcılar şunu bekliyor:

• Anlaşıldığını hissetmek
• Zaman kaybetmemek
• “Beni tanıyor” demek

NLP ve yapay zekâ, hediye önerisini bir algoritmadan çıkarıp deneyime dönüştürüyor.

Ve bu sadece bir başlangıç.