Anahtar Kelime Setinden Bütçeye: Arama Hacmi, TBM ve Rekabet Tek Sayıya Nasıl İner?

Anahtar kelime aracından çıkan tablo ile vermeniz gereken bütçe kararı arasında kimsenin sizin yerinize yapmadığı bir dönüşüm var. Araç, her kelime için arama hacmi, TBM ve rekabet seviyesi sunar. Sizin ihtiyacınız olan ise bu tablo değil; bu anahtar kelime setinin bu ay ne kadar bütçe alması gerektiğini gösteren tek bir rakamdır. Bu yazıda, birbirinden kopuk görünen üç metriğin nasıl bütçe yapısına dönüştürüleceğini; bir modelin hangi aşamada gerçekten zaman kazandırdığını, hangi aşamada ise işi bozduğunu ele alıyoruz.

Önce sınırı netleştirelim: Buradaki tüm veriler, kendi hesabınızla giriş yaparak platformların herkese açık reklam kütüphaneleri ve creative center'larından alınır. İmza taklidi yok, herhangi bir korumayı aşmak yok. Konu, herkesin görebildiği açık veriyi bütçe kararına çevirmek.

Üç metrik var, üçü de tek başına yanıltıcı

Çoğu kişi anahtar kelime tablosundaki üç sütunu değişmez veri gibi okur. Oysa bunların hiçbiri sabit bir değer değildir.

Arama hacmi, seçtiğiniz zaman penceresine bağlıdır. Aynı kelime; 7 günlük, 30 günlük veya 180 günlük görünümde birkaç kat farklı hacim gösterebilir. Genellikle yanında aylık ve yıllık değişim oranları da yer alır. “Hacmi düşük ama yıllık bazda iki katına çıkmış” bir kelime ile “hacmi yüksek ama yıllık bazda yarıya inmiş” bir kelime bambaşka şeyler anlatır. Yalnızca hacim sütununu kopyalarsanız, bu iki kelimeyi birbirinden ayıramazsınız.

TBM tek bir sayı değil, bir aralıktır. Planlayıcı size alt ve üst sınır verir. Rastgele ortanca bir değer almak, platformun açıkça gösterdiği belirsizliği yok saymaktır. Temkinli bütçe hesabında üst sınırı, iyimser getiri senaryosunda ise alt sınırı kullanmalısınız. Tek bir nokta değer seçmek, aslında bilmediğiniz bir şeyi biliyormuş gibi davranmaktır.

Rekabet de mutlak bir zorluk seviyesi değil, göreli bir sınıflandırmadır. “Düşük / orta / yüksek” etiketi, filtreleme anında platformun tüm anahtar kelime havuzuna göre verilir. Bu etiket yalnızca “bu kelimeler arasında zor tarafta” der; “kazanması mutlak olarak şu kadar zor” demez. Pazar veya kategori değiştiğinde seviye de değişir. Farklı anahtar kelime havuzlarındaki rekabet etiketlerini karşılaştırılabilir mutlak skorlar saymak, üç tuzağın en sinsi olanıdır.

Tek tek kelimeleri değil, kelime setini hesaplayın

Üç metriğin de göründüğü kadar net olmadığını kabul ettikten sonra şu soru gelir: Neden her kelime için “hacim x TBM” hesaplayıp bunları toplayamıyoruz?

Çünkü birbirine çok yakın anlamdaki sorguların hacimleri toplanmaz. “X satın al” ile “X fiyatı” aramalarını yapanların, aynı satın alma sürecindeki büyük ölçüde aynı kişiler olması muhtemeldir. Bunları doğrudan toplamak, aynı kişiyi iki kez sayar ve bütçeyi sebepsiz yere şişirir.

Bu yüzden olgun bir planlayıcıda kelime bazlı görünümün yanında anahtar kelime seti bazlı toplu görünüm de bulunur: Bir kelime grubunu set olarak gönderirsiniz; araç, kelimeler arasındaki çakışmayı sizin yerinize ayıkladıktan sonra tüm setin arama hacmi aralığını ve tahmini bütçe aralığını verir. Platform da bütçeyi set üzerinden sunar. Kelime başındaki üç sütun sıralama ve gruplama içindir; toplanmak için değil.

Ürününüzü nasıl adlandırdığınız, insanların nasıl aradığı değildir

Bu yazıdaki en değerli ve en sık düşülen hata şu: Sizin ürün için kullandığınız ifade ile pazarın arama kutusuna yazdığı ifade çoğu zaman aynı değildir.

İş konusu kelimesi, şirket içindeki dilinizdir: ürün adı, özellik adı ya da sunumdaki konumlandırma ifadesi. Arama kelimesi ise kullanıcının dilidir; daha gündelik, daha sorun odaklıdır. Siz “AI video generation” yapıyor olabilirsiniz ve konu kelimeniz “AI video generation” olabilir. Ancak gerçekten arama yapan kullanıcılar “how to turn a photo into a video” ya da “text to video free” yazabilir. Bu iki kelime grubu, hacim, TBM ve rekabet açısından aynı sepette değerlendirilmez.

Bu uyumsuzluk özellikle pazarlara arası lansmanlarda ölümcül hale gelir: Konu kelimesini doğrudan çevirirsiniz, ancak hedef pazarda kimse o şekilde konuşmuyordur. Yeni kategorilerde de benzer bir sorun yaşanır: Siz yeni bir ifade üretirsiniz, pazar ise yeni ihtiyacı eski kelimelerle tarif eder. Çözüm karmaşık değil: Konu kelimesi yalnızca tohumdur; bütçe tablosuna girecek kelimeler pazarın gerçek arama dilinden türemelidir. Olgun bir akış, “yaratıcı konu kelimeleri” ile “pazar arama kelimelerini” ayrı alanlar olarak tutar. Konu kelimesi reklam metninin ne anlattığını, arama kelimesi ise bütçenin nereye gittiğini belirler. Bunları birleştirirseniz, kendi dilinizde yazılmış ama kimsenin aramadığı bir kelime grubuna para harcarsınız.

Modelle genişletme: Tohum ve bağlam verin, niyeti de isteyin

Birkaç tohum kelimeden pazarın gerçek aramalarını kapsayan bir anahtar kelime tablosuna geçmek, modeli doğru kullandığınızda ciddi zaman kazandıran ilk aşamadır. Ancak yanlış soru sorarsanız sonuç, yapısız bir eş anlamlı kelime yığını olur. “İlgili anahtar kelimeleri genişlet” demek yerine modele iş bağlamını vermeli ve her kelime için üç bilgi üretmesini istemelisiniz:

I'm doing search advertising for <one-sentence product description> in
<target market/country>.
Seeds: <3 to 10 words you already know>

Expand the keywords, and output each in the structure below, no prose:

1. Keyword
2. Intent stage it belongs to (awareness / comparison / decision / brand)
   awareness: the user is describing a problem, doesn't know the solution yet
   comparison: the user is weighing several solutions
   decision: the user is ready to buy, looking for a channel/price/alternative
   brand: the user is searching a specific brand name
3. Why it's adjacent to the seed (a different phrasing of the same need?
   the downstream next step? an adjacent need in the same scenario?)

İkinci madde, kelimeyi bütçeye bağlayan kancadır. Niyet aşaması olmadan genişletilmiş kelime yalnızca bir metin dizisidir. Üçüncü madde ise sizin kontrolünüz içindir: Modelin üretip aslında işinizle ilgisi olmayan kelimeler, bu sütunda genellikle kendini ele verir. Bu iki alan, modelin kulağa makul gelen çağrışımlar yerine doğrulanabilir bir yapı üretmesini zorlar.

Geri besleme doğrulaması: Modelin tahminini gerçek arama hacmi sınamalı

Bu adım, tüm zincirin kapısıdır. En çok atlanan ve ardından hayal ürünü kelimelerle hazırlanmış tabloyla lansmana çıkılmasına yol açan aşama da budur. Modelin genişlettiği kelimeler, araca geri gönderilene kadar yalnızca tahmindir. Dilbilgisi doğru, niyet etiketi ikna edici ama ayda sıfır kez aranan bir kelime üretebilir. Modelin canlı arama hacmi verisi yoktur; “bu gerçek bir arama ifadesine benziyor mu?” üzerinden örnekleme yapar, “bunu gerçekten arayan var mı?” üzerinden değil.

Yöntem mekaniktir: Her kelimeyi planlayıcıya geri verin, gerçek arama hacmini, TBM'yi ve rekabeti alın. Ardından yalnızca hacmi sıfırdan büyük olan ve niyet etiketi gerçek metriklerle uyumlu görünen kelimeleri tutun. Uyum şudur: Modelin “karar niyeti” olarak işaretlediği bir kelimenin gerçek TBM'si genellikle daha yüksek, rekabeti daha sert olur. Karar niyeti etiketi taşımasına rağmen TBM'si absürt derecede düşük ve rekabeti en alt seviyedeyse, bu bir fırsat değil, yanlış etiketlenmiş niyettir; geri gönderilmelidir.

“Model hipotezi üretir, gerçek veri kararı verir” ayrımı; tersine mühendislikte modelin karmaşıklaştırılmış koddaki algoritmaları tanımasına izin verip, ardından halüsinasyonlarını diferansiyel testle eleme yaklaşımıyla aynı iskelete sahiptir. Model aday üretmekte güçlü, olguları doğrulamakta zayıftır; ikisini aynı anda yapmasına izin vermezsiniz. Anahtar kelimelerdeki “geri besleme doğrulaması” burada diferansiyel testin karşılığıdır ve volume > 0 koşulu, modelin “bu iyi bir kelime” demesinden çok daha güvenilir bir hükümdür.

Bütçe, niyet aşamalarına göre rakama dönüşür

Doğrulanmış anahtar kelime tablosu artık işe yarar bir yapıya sahiptir: Her kelimede gerçek arama hacmi aralığı, TBM aralığı, rekabet seviyesi ve niyet aşaması etiketi bulunur. Bütçe ancak şimdi hesaplanabilir. Esas nokta, bütçeyi kelimelere eşit dağıtmak değil; niyet aşamasına göre tahsis etmektir:

• Karar niyetli kelimeler (“X price,” “X alternative,” “buy X”): Dönüşüme en yakın kelimelerdir; tıklama başına en yüksek değeri taşırlar. Buna karşılık hacimleri düşüktür, rekabetleri en serttir ve TBM üst sınırları en yüksektir. Öncelikleri yüksek, yüksek fiyat toleransları vardır; ancak satın almaya hazır kişi sayısı sınırlı olduğundan mutlaka bir tavan belirlenmelidir.

• Karşılaştırma niyetli kelimeler: Hem dönüşüm hem de hacim açısından orta noktadadır. Karar niyetli kelimelerin karşılayamadığı bütçeyi yakalarlar.

• Farkındalık niyetli kelimeler (“how to do X,” “what is X”): Hacmi en yüksek, TBM'si en düşük ve dönüşümden en uzak kelimelerdir. Kapsama sağlamak için düşük pay ayrılmalı; bunlardan karar niyetli kelimelerle aynı dönüşüm beklentisi istenmemelidir.

Her grubun içinde daha sonra “hacim aralığı x hedef pay x TBM aralığı” ile sıralama yapın. Sonuçta anahtar kelime seti havadan alınmış tek bir sayıya değil, her niyet aşaması için ayrı bir aralık içeren niyet bazlı bütçe yapısına indirgenir.

Her iş için aynı model kullanılmaz

Bu zincirde modelin üstlendiği işler, ihtiyaç duydukları yetenekler bakımından birbirinden oldukça farklıdır. Tüm süreci tek modelle yürütmek ya parayı ya da doğruluğu harcatır:

Özellikle ilk aşamanın altını çizmek gerekir: Genişletme ve niyet sınıflandırması, model değiştirmenin sonucu gözle görülür biçimde etkilediği tek aşamadır. Hem “işinizi gerçekten anlıyor mu?” hem de “bir kelimenin aslında ilgisiz olduğunu kabul edebiliyor mu?” sorularını sınar. Daha zayıf bir model, tüm niyetleri “decision” olarak etiketlenmiş eksiksiz görünümlü bir tablo verir; ilk geri besleme turunda isabet oranının ne kadar düşük olduğu ortaya çıkar. Güçlü muhakeme katmanı ise yakın olmayan kelimeleri kendiliğinden işaretler. Farkı kendiniz test edin; protokol basit:

1. İş bağlamını iyi bildiğiniz 5 ila 10 kelimelik bir tohum anahtar kelime seti seçin.

2. Aynı “tohumlar + iş bağlamı” girdisini claude-opus-5 ve gpt-5.6-sol modellerine verin. Her birinden 50 kelime isteyin; ikisi de “kelime + niyet aşaması + neden yakın” biçiminde çıktı üretsin.

3. İki çıktıyı da gerçek hacim, TBM ve rekabet için planlayıcıya geri gönderin.

4. İki şeye bakın: Genişletilmiş kelimelerin kaçında sıfırdan büyük gerçek hacim var ve niyet etiketleri gerçek TBM ile rekabetle uyumlu mu? Karar niyetli kelimeler daha pahalı ve daha rekabetçi olmalıdır.

5. Bu isabet oranı sizin seçim ölçütünüzdür; aşağı akışta kaç hayal ürünü kelimenin ayıklanacağını doğrudan belirler. Tek tur, farkı herhangi bir benchmark'tan daha doğrudan gösterir.

Asıl sorun model değiştirme maliyeti

Üç farklı sağlayıcıdan dört model; üç SDK, üç kimlik doğrulama şeması, üç hata formatı demek. Genişletme, toplu etiketleme ve sapma analizi arasında model değiştirmek için istemcinizi üç kez yeniden yazmak değmez. Bu nedenle çoğu ekip tüm süreçte tek model kullanır, genişletme aşamasında niyet katmanlamasını anlayamayan bir seviye seçer ve nedenini bilmeden düşük geri besleme isabet oranıyla karşılaşır.

AIReiter bu katmanı ortadan kaldırır: Tek anahtar, OpenAI uyumlu tek arayüz ve arkasında dört model seviyesi. Geçiş için yalnızca istek gövdesindeki model alanını değiştirmeniz yeterlidir.

# Keyword expansion + intent classification: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<expansion prompt + seeds + business context>"}]
  }'

# Tag hundreds of expanded words in bulk: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Post-feedback deviation attribution:
#   "model": "gpt-5.6-sol"

Halihazırda OpenAI SDK kullanıyorsanız base_url değerini https://aireiter.com/api/v1 olarak ayarlayın; başka hiçbir şeyi değiştirmeniz gerekmez. Anthropic SDK tarafında ise aynı anahtarla POST /api/v1/messages isteğini kullanın.

Fiyat tarafında Claude modelleri liste fiyatına göre %30 indirimli, GPT modelleri ise yarı fiyatına çalışır. Bu akıştaki ana maliyet genişletme değildir; bir anahtar kelime seti için yalnızca birkaç muhakeme katmanı çağrısı yeterlidir. Asıl hacmi tüketen iş toplu etiketlemedir: Her planlama turunda yüzlerce ila binlerce aday kelime, ürün bazında niyetlerine göre etiketlenir ve tekilleştirilir. Düşük maliyetli katmanın yüksek eşzamanlı toplu işleme kapasitesi ve Claude'un %30 indirimi, en yoğun çağrı noktasında doğrudan avantaj sağlar.

• API anahtarı alın

• Kayıt olmadan deneyin: Önce bir anahtar kelime setini elle genişletin, iki model seviyesinin ürettiği kelimelerin geri besleme isabet oranını karşılaştırın; ardından entegrasyon kararını verin.

Sonuç

Anahtar kelime aracı size üç yanıltıcı metrik verir: Arama hacmi zaman penceresine bağlıdır, TBM bir aralıktır, rekabet ise göreli bir seviyedir. Lansmanın ihtiyacı ise niyet aşamalarına ayrılmış bir bütçe yapısıdır. Aradaki dönüşümün iskeleti şudur: Kelime bazında toplamak yerine set bazında tekilleştirin; iş konusu kelimelerinden değil pazarın gerçek arama kelimelerinden yola çıkın; modele niyet etiketiyle birlikte kelime genişletmesi yaptırın ama her kelimeyi gerçek arama hacmine karşı doğrulayın; bütçeyi kelimelere eşit yaymak yerine niyet aşamasına göre dağıtın. Model, genişletme ve niyet katmanlama için bir hızlandırıcıdır; bütçeyi belirleyen taraf değildir.

Bu bütçe rakamı hesaplandıktan sonra, anahtar kelimeden tamamlanmış reklam kreatifine uzanan akıştaki ticari doğrulama aşamasının girdisi olur: Yalnızca bütçe eşiğini aşan anahtar kelime setlerini creator eşleştirme ve varlık üretimi aşamasına taşımaya değer. Buna paralel karar hattı ise bir reklamın saniye saniye elde tutma eğrisini okumaktır: Biri hangi kelimelere para yatıracağınızı, diğeri ise hangi kreatiflere para yatıracağınızı belirler.