Sentetik Veri ve B2B Karar Simülasyonu: Odak Grubu Olmadan

Sentetik veriyle B2B karar simülasyonu, gerçek karar vericiler yerine onların profillerine göre kurulan personalarla yapay zekâya karar soruları sorar ve markanın bu sorularda nasıl temsil edildiğini ölçer. Odak grubu alıcının zihnindeki algıyı araştırır; simülasyon, alıcının yapay zekâdan aldığı bilgiyi ölçer. Satın almanın ilk adımı giderek yapay zekâda atıldığı için bu bilgi ölçülebilir ve tekrarlanabilir bir veri kaynağına dönüşür. Değeri, personaların markaya özel kurulmasına ve bulguların gerçeklikle doğrulanmasına bağlıdır.

Bir endüstriyel yazılım firması, yeni ürününü kimin nasıl değerlendireceğini anlamak istiyor. Klasik yöntem belli: Sektördeki fabrika müdürleri, bakım şefleri ve IT yöneticileriyle odak grubu. Pratikte bu kişileri aynı odada iki saat toplamak aylar sürüyor, katılım bedeli yüksek ve gelenler çoğu zaman gerçek karar vericiler değil.

Sentetik veriyle karar simülasyonu bu tabloya farklı bir açıdan yaklaşıyor. Sentetik verinin ne olduğunu sentetik veri nedir yazısında, simülasyonun temel mantığını B2B karar simülasyonu yazısında anlatmıştık. Bu yazı, akademik bulgular ışığında simülasyonun odak grubuna göre neyi gösterip neyi göstermediğine odaklanıyor.

B2B’de odak grubu neden zor?

Tüketici araştırmasında katılımcı bulmak görece kolay. B2B’de hedef kişi sayısı az, zamanları kısıtlı ve rakip firmalarla aynı masaya oturmaya isteksizler. 6sense’in 2024 araştırmasına göre ortalama satın alma grubu 11 kişi; bu grubun tamamını (kullanıcı, finans, bilgi güvenliği, satın alma, yönetim) temsil eden bir odak grubu kurmak neredeyse imkânsız.

Bir de gözlem etkisi var. Odak grubunda katılımcılar gerçek karar sürecinde nasıl davrandıklarını değil, nasıl davranmaları gerektiğini düşündüklerini anlatma eğiliminde. Tedarikçi araştırmasına yapay zekâyla başladıklarını ya da ilk listeyi oradan aldıklarını her zaman söylemiyorlar. Oysa G2’nin 2026 araştırmasında B2B yazılım alıcılarının %51’i araştırmaya Google’dan çok yapay zekâ sohbet aracıyla başladığını belirtiyor.

Akademik araştırmalar sentetik veri hakkında ne söylüyor?

Dil modellerinin insan davranışını ne ölçüde temsil edebildiği son yıllarda ciddi bir araştırma alanı haline geldi. İki çalışma, hem imkânı hem sınırı net gösteriyor.

“Out of One, Many” (Argyle ve arkadaşları, Political Analysis, 2023). Araştırmacılar GPT-3’ü, ABD’deki büyük seçim anketlerine katılmış gerçek kişilerin demografik profilleriyle koşullandırıp aynı soruları sordular. Bu “silikon örneklem”in cevap dağılımları, birçok soruda gerçek anket dağılımlarıyla güçlü biçimde örtüştü. Araştırmacılar bu özelliğe “algoritmik sadakat” adını verdi: Doğru koşullandırılan model, farklı alt grupların cevap desenlerini taklit edebiliyor.

“Using LLMs for Market Research” (Brand, Israeli ve Ngwe, Harvard Business School, 2023). Çalışma, GPT’nin ürün tercihleri ve ödeme isteği (willingness to pay) konusunda insan çalışmalarına benzer büyüklükte tahminler üretebildiğini gösterdi. Aynı çalışma sınırı da not ediyor: Tahminler zaman zaman yanlış, bazen yönü bile ters çıkabiliyor; model toplam düzeyde makul sonuç verirken bireyler arasındaki çeşitliliği yakalamakta zorlanıyor.

Bu iki bulgu sentetik veriyle çalışan herkes için aynı dersi veriyor: Model, iyi koşullandırıldığında desenleri yakalayabilir; ama tek tek insanların kararını öngörmek için kullanıldığında yanılabilir.

Sentetik verinin iki farklı kullanımı

Burada kritik bir ayrım var ve sentetik veri tartışmalarının çoğunda atlanıyor.

	Sentetik katılımcı	Sentetik persona ile karar simülasyonu
Soru	“Bu kişi ne düşünür, ne tercih eder?”	“Bu kişi yapay zekâya sorduğunda karşısına ne çıkar?”
Modelin rolü	İnsanın yerine cevap verir	İnsanın gerçekten kullandığı bilgi kaynağıdır
Ölçülen şey	Tahmin edilen görüş	Yapay zekânın gerçek cevabı
Temel risk	Model insanı yanlış temsil eder	Persona gerçek alıcıyı yanlış temsil eder

Birinci kullanımda model bir insanı taklit eder ve akademik çalışmaların işaret ettiği sınırlar doğrudan geçerlidir. İkinci kullanımda ise model taklit edilen şey değil, ölçülen sistemin kendisidir. Alıcı gerçekten ChatGPT’ye, Gemini’ye, Perplexity’ye soru soruyor; simülasyon o sorunun cevabını ölçüyor. Buradaki temel risk modelin değil, personanın doğruluğudur. Recro’nun karar simülasyonu bu ikinci kullanıma dayanır.

Odak grubu ve simülasyon: Yan yana

	Odak grubu	Karar simülasyonu
Ne ölçer	Katılımcıların algısı, gerekçeleri, duyguları	Yapay zekânın karar vericiye sunduğu marka listesi, gerekçeler ve kaynaklar
Süre	Haftalar–aylar	Günler
Tekrarlanabilirlik	Düşük; her grup farklı	Yüksek; aynı soru seti dönemsel tekrarlanabilir
Kapsam	Sınırlı sayıda katılımcı	Çok sayıda persona, dil ve araç
Zayıf yanı	Gözlem etkisi, katılımcı bulma zorluğu	İnsan duygusunu ve ilişkiyi ölçmez

İki yöntem birbirinin yerine geçmez. Simülasyon, “yapay zekâ müşterime ne söylüyor?” sorusuna cevap verir. Odak grubu ya da derinlemesine görüşme, “müşterim bunu duyduğunda ne hissediyor?” sorusuna.

Sentetik personanın kalitesi neye bağlı?

Simülasyonun değeri, personaların gerçek karar vericilere ne kadar yakın kurulduğuna bağlıdır. Masa başında yazılmış genel bir “satın alma müdürü” personası genel sorular üretir. Gerçek satış görüşmelerinden, RFP’lerden ve kaybedilen tekliflerden türetilmiş bir persona ise gerçek koşulları taşıyan sorular üretir. Argyle ve arkadaşlarının bulgusu da bunu destekliyor: Algoritmik sadakat, modelin ne kadar zengin ve gerçekçi bir profille koşullandırıldığına bağlı.

Persona bir unvan değil, bir karar kriteri setidir: Neyi sorar, neyle eler, neye güvenir, neyi risk sayar. Karar sorusu haritası, bu personaların soru setine dönüştürülmüş halidir.

Simülasyonun sınırları

Gerçek alıcının kararını öngörmez; alıcının yapay zekâdan aldığı bilgiyi ölçer.
Cevaplar değişkendir. SparkToro ve Gumshoe.ai’nin 2026 araştırmasında aynı soruya iki cevabın aynı marka listesini vermesi 100’de 1’in altında çıktı. Bu yüzden tek sonuç değil, tekrarlı çalıştırmalardaki desen okunur.
Modellerin kaynak tercihleri farklıdır. Tek araçta yapılan ölçüm o aracın önyargısını taşır; birden fazla araç kullanılır.
İlişki ve güven gibi insani faktörleri ölçmez. B2B’de bu faktörler kararın önemli bir kısmını belirler.
Sonuçlar zamana bağlıdır. Model ve kaynak değiştikçe cevaplar değişir; ölçüm dönemsel tekrarlanmalıdır.

Sonuçlar nasıl doğrulanır?

Simülasyon bulguları iki yönden doğrulanır. Birincisi dış gerçeklik: Cevaplarda geçen iddiaların internetteki karşılıkları kontrol edilir; yapay zekânın uydurduğu bir bilgi markanın açığı olarak raporlanmaz. İkincisi satış gerçekliği: Simülasyonun markanın zayıf olduğunu gösterdiği persona, satış sürecinde de sık itiraz ya da kayıp yaşanan persona mı? Simülasyonda öne çıkan rakip, satış ekibinin sık karşılaştığı rakip mi? Örtüşme yüksekse bulgular güvenilirdir; düşükse soru seti ya da personalar gözden geçirilir.

Recro sentetik veriyi nasıl kullanıyor?

Recro İçgörü Modeli ve bu modelin uygulaması olan Recro B2B Odak Grubu Simülasyonu, sentetik veriyi yukarıdaki ikinci kullanım için tasarlar: Yapay zekânın gerçek cevabını, markaya özel personaların gözünden ölçmek.

Tek simülasyon · 4 kilit sütun · 90+ adım

Recro’yu ayıran, her marka için sıfırdan kurulan dört sütundur. Dördü, 90+ adımlı tek bir simülasyonun ayaklarıdır; her sütun bir sonrakinin girdisini üretir.

Persona oluşturucu: Markanın gerçek alıcılarını temsil eden, sektörüne ve satış yapısına özel karar verici profilleri.
Soru oluşturucu: Bu kişilerin satın alma yolculuğunda yapay zekâya soracağı, markaya özel karar soruları.
Rapor oluşturucu: Cevapları markanın hedefleri ve rakipleriyle birlikte, dayandıkları kaynaklarla okuyan rapor.
Aksiyon önerisi oluşturucu: Sektöre özgü sinyal açıklarını kapatan, önceliklendirilmiş aksiyon listesi.

Sentetik verinin temel riski personanın doğruluğu olduğu için, Recro’nun ağırlığı ilk sütundadır:

Persona oluşturucu, personaları markanın gerçek alıcı yapısından türetir ve istenirse anonimleştirilmiş CRM verisine bağlanır. Böylece sentetik persona, masa başında yazılmış bir tip değil, markanın kazandığı ve kaybettiği gerçek fırsatların temsilcisi olur. Kişisel veri kullanılmaz; yalnızca roller ve karar kriterleri çıkarılır.
Soru oluşturucu, soruları persona niteliklerinden doğurur ve doğal satın alma yolculuğu akışında dizer; odak grubunda iki saatte konuşulabilecek olandan çok daha fazla karar anını kapsar.
Rapor oluşturucu, cevapları yanıt analizi, konuşmaya kaynak veren bağlantılar ve markanın hedeflerine göre belirlenen KPI’larla okur. Günlük çıktılar, aylık gerçeklik kontrolüyle doğrulanır ve insan değerlendirmesiyle netleşir.
Aksiyon önerisi oluşturucu, bulguları sektör kırılımlı bir sinyal listesine ve önceliklendirilmiş aksiyona çevirir. Görünmeme nedenleri İletişim, İçerik ve Otorite GAP’i olarak sınıflandırılır.

Örnek bulgu formatı · temsili

Persona: Bakım şefi · Otomotiv fabrikası
Soru: Doğrulama · “Kestirimci bakım yazılımlarından hangisi mevcut sensör altyapısıyla çalışıyor?”
Bulgu: Marka listede, ama “büyük ölçekli tesisler için” çerçevesiyle; orta ölçekli tesis sorularında yok.
Satış doğrulaması: Satış ekibi orta ölçekli tesislerde “bize büyük gelir” itirazını sık duyuyor.
Aksiyon: Orta ölçekli tesis vakaları ve kademeli fiyatlandırma metin olarak yayımlanır.

Yönetici özeti

Sentetik veri iki farklı amaçla kullanılır: İnsanın görüşünü tahmin etmek ya da insanın yapay zekâdan aldığı cevabı ölçmek. Recro’nun simülasyonu ikincisine dayanır.
Akademik bulgular, iyi koşullandırılmış modellerin desenleri yakalayabildiğini ama bireysel kararı öngörmede yanılabildiğini gösteriyor. Değer, personanın gerçekçiliğine bağlı.
Simülasyon odak grubunun yerine geçmez; onu tamamlar. Bulgular dış kaynaklar ve satış gerçekliğiyle doğrulanarak kullanılmalıdır.

Sık sorulan sorular

Sentetik personalar nereden besleniyor?

Markanın gerçek alıcı yapısından, sektörün karar yapısından ve müşterilerin kendi ifadelerinden. Persona bir unvan değil, bir karar kriteri seti olarak tanımlanır: Neyi sorar, neyle eler, neye güvenir.

Yapay zekânın cevapları değişken değil mi? Sonuçlar nasıl güvenilir olur?

Cevaplar değişkendir; bu yüzden tek cevap değil, tekrarlı çalıştırmalardaki desen okunur ve birden fazla araç kullanılır. Güvenilirlik, bulguların dış kaynaklar ve satış verisiyle örtüşmesiyle test edilir.

Kişisel veri kullanılıyor mu?

Hayır. Personalar gerçek kişileri değil, rolleri temsil eder. CRM bağlantısı kullanılıyorsa veri anonimleştirilir ve yalnızca rollerin ve karar kriterlerinin çıkarılması için kullanılır.

Simülasyon odak grubundan daha mı ucuz?

Genellikle daha hızlı ve daha kapsamlıdır, çünkü katılımcı toplamayı gerektirmez ve çok sayıda persona, dil ve aracı kapsar. Ama farklı bir soruya cevap verdiği için maliyet karşılaştırması tek başına karar kriteri olmamalı.

Simülasyon ne sıklıkla tekrarlanmalı?

Çoğu B2B marka için sürekli izleme ve aylık değerlendirme ideal. Büyük model güncellemeleri, içerik değişiklikleri ya da rakip hamlelerinden sonra ara ölçüm yapılabilir.

Karar vericileriniz yapay zekâya sorduğunda karşılarına ne çıkıyor? Recro, odak grubu kurmadan karar grubunuzun sorularını markanıza özel personalarla simüle eder.

Demo içgörü raporu isteyin →

Kaynaklar

Bu yazı yapay zekâ desteğiyle hazırlanmış ve Mehmet Semih İpek kontrolünde yayınlanmıştır.