Bir mobil uygulama için “yayınla” düğmesine basmak, yolculuğun tamamlandığı değil, veriye dayalı yeni bir dönemin başladığı andır. Yayınlama sonrası performans analizi; pazarlama harcamalarınızın etkinliğinden kullanıcı yaşam boyu değerine (LTV), değerlendirme/yorum dinamiklerinden abonelik dönüşümlerine kadar tüm işlevsel metriklerin birbiriyle konuşabildiği, ölçülebilir bir karar evreni kurmanızı sağlar. Bu yazı, özellikle App Store odağında fakat Google Play’le karşılaştırmalı olarak, yayınlama sonrasında ilk 30–90 gün içinde atılması gereken adımları, uygulanabilir örnekleri, vaka çalışmalarını ve ileri düzey analiz tekniklerini akademik bir düzende ele alır. Amacımız, sadece “ne” ölçüleceğini değil, aynı zamanda “nasıl” ve “neden” ölçüleceğini; veriyi ürüne, pazarlamaya ve gelire dönüştüren karar süreçlerini bütünsel bir çerçevede anlatmaktır.
1) Analiz Kapsamı ve Varsayımlar: Hangi Soruları Cevaplıyoruz?
Yayınlama sonrası analizde tipik sorular şunlardır:
-
App Store’da indirme hacmi neden artmadı/azaldı?
-
Ürün sayfası dönüşüm oranı (Impression → Product Page View → Install) segmentlere göre nasıl değişiyor?
-
iOS’ta ATT (App Tracking Transparency) etkisiyle edinim maliyeti nasıl seyrederken, Android’de görünürlük/ölçümleme nasıl farklılaşıyor?
-
İlk 30 günde retention (D1, D7, D30) eşiği hangi ülkelerde/kanallarda kabul edilebilir?
-
Yorum/puan değişimleri organik trafiği nasıl etkiliyor?
-
Gelirin %80’ini üreten %20 kullanıcı kim? Bu kullanıcıların edinim kanalları hangileri?
-
A/B testlerinde izole ettiğimiz değişken gerçekten etkiyi üretti mi (iç geçerlik), yoksa mevsimsellik/rakip kampanyaları gibi dış etkenler mi belirleyici oldu?
Varsayımımız: Uygulamanın üretim ortamında App Store Connect ve Google Play Console’a entegre temel SDK’lar (ör. Firebase/Analytics, gelir/abonelik raporlama) çalışır, olaylar (events) doğru isimlendirilir, sürüm ve yapı kimlikleri tag’lenir.
2) KPI’lar: Edinim, Etkileşim, Gelir ve Sağlık Göstergeleri
Performans analizini dört sepetle yürütün:
-
Edinim (Acquisition): Mağaza görünürlükleri, ürün sayfası görüntüleme, indirme, ilk açılış (first open), kanal kırılımı (organik/berpaid), eCPI/CPD.
-
Etkileşim (Engagement): Oturum sıklığı, oturum süresi, temel feature kullanım oranları, kayıt/aktivasyon oranı, feature adoption.
-
Gelir (Monetization): ARPDAU, ARPPU, abonelik başlama/yenileme, iade (refund)/iptal, SKU bazlı gelir payları, LTV.
-
Sağlık (Quality/Tech): Crash-free session rate, soğuk/açılış süresi, paket boyutu etkisi, enerji tüketimi.
KPI’ları “hipotez-aksiyon” zincirine bağlayın: Örn. “App Store ürün sayfasında video poster frame’i değiştirmek, sayfa→indirme dönüşümünü %X artırabilir” gibi.
3) Veri Toplama Boru Hattı: Doğruluk, Tutarlılık ve Gizlilik
Toplama katmanında üç risk:
-
Tutarsız event şemaları (aynı aksiyona iki isim),
-
Eksik platform tag’leri (iOS/Android ayrımı),
-
Gizlilik/izin yönetimi (ATT onayı, SKAdNetwork postbacks, consent).
Çözüm: Versiyon bazlı event sözlüğü, otomatize şema validasyonu, prod/QA ayrımı, server-side event çoğullama, idempotent işleme. Kullanıcı gizliliğinde minimizasyon ilkesi: Amaca hizmet etmeyen hiçbir kişisel veri toplanmamalı; agregasyon ve diferansiyel gizlilik yaklaşımlarıyla raporlama mümkün.
4) Kohort Analizi ve Zaman Pencereleri: İlk 30–90 Günün Matematiği
Kohort = Belirli bir zaman aralığında edinilen kullanıcı grubu. Temel kıstaslar:
-
Zaman penceresi: D1, D3, D7, D14, D30, D60, D90.
-
Segmentleme: Ülke, kanal (organik/berpaid), sürüm, cihaz/OS.
-
Değerleme: Retention, gelir, feature adoption.
Yorum: iOS tarafında organik/berpaid ayrımı ATT nedeniyle bulanıklaşabilir; bu yüzden geo ve işlevsel kohortlar (ör. “ilk oturumda onboarding’i tamamlayanlar”) gerçek içgörü üretir.
5) Organik ile Berpaid Trafiği Ayrıştırmak: Kirlilikle Mücadele
iOS’ta kampanya ölçümünün sınırlı olduğu durumlarda organik dalgayı; sezonluk arama trendi, mağaza öne çıkarma (Featuring), rakiplerin launch dalgaları ve PR etkileri bozabilir.
-
İmza yaklaşım: Kampanya boyunca “organik beklenen eğri”yi geçmiş dönem verisiyle (trend+mevsimsellik) modelleyip, istatistiksel aykırı artışları paid lift olarak kabul etmek.
-
Android karşılaştırması: Aynı kampanya Android’de şeffafsa, iOS için proxy sinyal.
-
Mağaza kreatif eşleştirme: Kreatif değişimi sonrası organik artış “ASO etkisi” olarak ayrıştırılabilir.
6) ASO Etkisinin İzolasyonu: Görünürlükten Dönüşüme
ASO iki katmanda test edilir: (a) Görünürlük (anahtar kelime sıralamaları, keşif), (b) Dönüşüm (ürün sayfası → indirme).
-
A/B (Product Page Optimization – PPO): App Store’da ürün sayfası varyantlarını (ikon, ekran görüntüsü, video) test edin.
-
Hipotez örneği: “Kısa alt yazılardan ‘yarar odaklı’ uzun başlığa geçiş, dönüşümü artırır.”
-
Ölçüm: Signifikans için yeterli trafik, varyant başına en az bir “tam hafta” döngüsü (hafta içi/sonu davranışı).
-
Android karşılaştırması: Play’de eşdeğer store listing experiments ile platform farkı gözlenir.
7) Ülke/Bölge Segmentasyonu: Lokal Pazarın Ekonomisi
Fiyatlandırma tablosu, yerelleştirme kalitesi, ödeme tercihleri, cihaz/operatör ekosistemi ülkeden ülkeye değişir.
-
Lokal hipotezler: MENA’da operatör faturalandırma kabulü yüksek → abonelik giriş bariyeri düşük; DACH’ta ücretsiz deneme (free trial) süresine hassasiyet daha yüksek.
-
Aksiyon: Yerelleştirilmiş ekran görüntüsü ve video, bölgeye özgü değer önermesi; fiyat/deneme süresi A/B’leri.
-
Kıyas: iOS penetrasyonu yüksek pazarlarda ARPPU çoğunlukla daha yüksek; Android penetrasyonunun baskın olduğu pazarlarda hacim bazlı strateji öne çıkar.
8) Cihaz ve OS Sürümüne Göre Performans: Teknik Kalite = Ticari Sonuç
Crash-free rate düşüşü gelir eğrisini anında etkiler. Özellikle eski cihazlarda soğuk başlatma süresi (cold start) artıyorsa, onboarding kaymaları görülür.
-
Aksiyon: iOS’ta eski cihazlar (A11 ve altı) için görsel/animasyon sadeleştirme, asset boyutu optimizasyonu; Android’de düşük bellekli cihazlar için “lite” yol.
-
App Store karşılaştırması: iOS’ta cihaz sayısı sınırlı olduğundan debug/optimizasyon hedeflemesi daha keskindir; Android çeşitliliği daha geniş test matrisi gerektirir.
9) Kategori ve Rakip Kıyaslaması (Benchmarking): Göreli Başarıyı Ölçmek
Mutlak indirme/gelir değil, kategorideki göreli konum yön verir.
-
Gösterge seti: Kategori medyanı CR, D1/D7 retention, ARPDAU, rating dağılımı, güncelleme sıklığı.
-
Rakip taraması: İkon değişimleri, ekran görüntüsü dili, sürüm notları (release notes) üzerinden ürün stratejisi sezilebilir.
-
Aksiyon: “Kategori liderleri haftalık güncelleme yapıyor” → Hata düzeltme ve küçük özelliklerin sürekli teslimi.
10) Funnel Analizi: Mağaza Sayfasından İlk Gelire
Standart huni: Görünürlük → Ürün Sayfası → İndirme → İlk Açılış → Kayıt → Aktivasyon → İlk Gelir.
-
Funnel drop-off teşhisi: Ürün sayfası→indirme düşüşü kreatif/problem; indirme→ilk açılış düşüşü indirme sonrası ağ/izin sorunları; ilk açılış→kayıt düşüşü karmaşık onboarding/izin ekranları.
-
Aksiyon: Her adım için single-variable testleri; izin istemlerini “neden” ve “değer” ile çerçevelemek; deneme akışını sürtünmesiz tasarlamak.
11) Dönüşüm Oranları ve A/B Test Tasarımı: İç Geçerlik, Güç ve Süre
-
Deney gücü (power) ve örneklem: Yeterli trafik yoksa sonuçlar yalancı pozitif/negatif olabilir.
-
Mevsimsellik kontrolü: Haftalık/aylık döngüler, tatiller.
-
Çoklu testler: Aynı anda birden fazla büyük değişken testinden kaçının (veya MVT disiplini ve düzeltmeleri uygulayın).
-
Kıstas: En az bir tam hafta + anlamlı trafik eşiği + önceden tanımlı başarı kriteri (MDE).
12) Yorum/Değerlendirme Duygu Analizi: Sosyal Kanıtın Ekonomisi
Puan/yorumlar, mağaza sıralaması ve dönüşümü doğrudan etkiler.
-
Duygu analizi: Temalı kümeler (fiyat, performans, gizlilik, içerik kalitesi).
-
Aksiyon: Olumsuz temalara sprint: “3G’de video takılıyor” → adaptif kalite; “Fiyat pahalı” → uzun deneme/indirim testleri.
-
Zamanlama: “Memnuniyet anı”nda kibar puan isteme (ör. başarıyla tamamlanan işlem sonrası) geri bildirim kalitesini artırır.
13) Crash ve Performans Ölçümleri ile Gelir Korelasyonu: Görünmez Sızıntılar
-
Korelasyon çalışması: Segment bazlı crash oranı ↑ → ARPDAU/Retention ↓.
-
Aksiyon: Crash threshold’ı (ör. %1 üstü) geçen segmentlere sıcak düzeltme (hotfix).
-
iOS/Android farkı: iOS’ta OS güncellemeleriyle crash desenleri hızlı değişebilir; Android’de cihaz çeşitliliği geniş bir istatistiksel taban gerektirir.
14) Abonelik ve LTV Modellemesi: Birim Ekonomisinin Omurgası
-
Kohort bazlı LTV: 90/180/360 gün projeksiyonları; deneme→paralı dönüşüm, yenileme oranı, churn-tahmin.
-
Fiyat esnekliği: Bölge/kanal/sunum biçimi (paywall konumu) testleri.
-
Aksiyon: Yüksek potansiyelli kohortlarda “değer ilkesi”ni güçlendiren içerik/özellik planı; düşük LTV kohortlarında edinim kısıtlaması veya kreatif/vaat revizyonu.
15) Fraud ve Anomali Tespiti: “Harika” Veriye Şüpheyle Yaklaşın
-
İşaretler: Olağandışı düşük eCPI ama zayıf retention, tek cihaz/tek IP kümeleri, aşırı kısa oturumlar.
-
Yaklaşım: Z-score/seasonal decomposition ile zaman serisi anomali tespiti; SKAdNetwork postback penceresiyle çapraz doğrulama; reklam ağlarıyla kaynak temizliği.
16) Yayın Sonrası 30–60–90 Gün Yol Haritası: Hızlı Döngü, Derin Ölçüm
-
30 gün: Stabilite (crash/perf), temel ASO/PPO testleri, onboarding sürtünmesini azaltma, ilk gelir hipotezleri.
-
60 gün: Bölge bazlı fiyat/deneme A/B’leri, kategori benchmark’ı ile roadmap hizalaması, yorum temaları için hedefli iyileştirmeler.
-
90 gün: LTV modeli güncelleme, UA (user acquisition) harcamasının yeniden tahsisi, altyapı/telemetri optimizasyonu, büyüme deneylerinin ölçeklenmesi.
17) Vaka Çalışması I – Oyun (iOS Ağırlıklı)
Durum: Arcade türünde iOS odaklı casual oyun, App Store’da öne çıkarılma almadan yayınlandı. İlk 14 gün organik indirme beklentinin %40 altında.
Adımlar:
-
Ürün sayfası videolarında “gameplay loop” net değil → PPO ile 15 sn’lik döngüyü başa aldık.
-
Crash analizinde A11 cihazlarda GPU kaynaklı drop → asset sıkıştırma ve shader optimizasyonu.
-
D1 retention düşük: Onboarding’de ilk başarı hissi geç geliyor → ilk 2 dakikada “mini-zafer” tasarımı.
Sonuç: 3 hafta içinde ürün sayfası→indirme dönüşümü +%22, D1 +6 puan, ARPDAU +%14. App Store görünürlüğü organik olarak artarken, Android portu gelene kadar iOS’ta kategori medyanına yaklaşıldı.
18) Vaka Çalışması II – Fintech (Çoklu Bölge)
Durum: Bütçe yönetimi uygulaması, iOS’ta ARPPU yüksek; Android’de hacim var ama gelir düşük.
Adımlar:
-
Ülke bazlı paywall varyantı: ABD’de “yıllık plan + 7 gün deneme”, LATAM’da “aylık plan + indirimli ilk ay”.
-
iOS’ta fiyat esnekliği testi: Yıllık planı %10 artırıp churn’i izleme.
-
Android’de düşük bellekli cihazlarda açılış süresi optimizasyonu.
Sonuç: iOS yıllık plan gelirinde +%9, churn nötr; Android’de ilk gelir oranı +%18, D7 retention +4 puan. Toplam LTV projeksiyonu ↑.
19) Uygulamalı Örnek – Basit Kohort Analizi Mantığı
-
Kohortu oluştur: “Yayın tarihinden sonraki ilk 7 gün edinilen iOS kullanıcıları”.
-
Metriği seç: D1/D7/D30 retention, ARPPU.
-
Segmentle: Ülke (ABD, TR, DE), edinim (organik/proxy-berpaid), sürüm (1.0.1/1.0.2).
-
Yorumla: ABD’de D7 yüksek ama ARPPU düşük → “değer algısı” değil, “ödeme isteği” problemi → paywall kopya/test. TR’de ARPPU düşük ama kullanıcı tabanı sadık → reklam destekli gelir modeli denenebilir.
20) Raporlama ve Dashboard Mimarisi: Tek Kaynak, Tek Gerçek
-
İlke: “Bir KPI için tek tanım” (single source of truth).
-
Katmanlar: Olay toplama → ETL/ELT → veri ambarı → semantik model → dashboard.
-
Standart görünümler: Funnel, kohort, ülke/kanal kırılımları, gelir paneli, kalite paneli.
-
Altyapı otonomisi: Otomatize veri kalite kontrolleri, kırık pipeline alarmları.
21) KPI’ları Organizasyona Yaymak: OKR ve Seremoni
-
OKR hizalama: O (hedef): “Dönüşüm oranını artırmak”, KR (anahtar sonuç): “Ürün sayfası→indirme CR +%15; D7 +3 puan”.
-
Seremoni: Haftalık büyüme toplantısı; deney backlog’u, etki/efor puanlama, karar kaydı (ADR).
-
Şeffaflık: Her fonksiyon (ürün, pazarlama, mühendislik) aynı panellere bakar.
22) Karar Alma: İçgörü→Aksiyon→Geri Besleme Döngüsü
-
Çerçeve: Hipotez → Test → Sonuç → Karar → Ürün yol haritası etkisi.
-
Örnek: “İkonun daha kontrastlı versiyonu dönüşümü artırır.” → PPO A/B → +%10 etki → Kalıcı yap → Sonraki test: Ekran görüntüsü metni.
-
Ölçekleme: Küçük kazanımların bileşik etkisi yıllık büyük fark yaratır.
23) Riskler, Sınırlılıklar, Etik ve Gizlilik
-
İstatistiksel tuzaklar: P-hacking, çoklu karşılaştırma, survivor bias.
-
Operasyonel risk: SKAdNetwork pencereleri yanlış yorumlanırsa UA bütçesi hatalı kesilebilir.
-
Etik: İzin/aydınlatma metinleri yalın ve dürüst olmalı; “dark pattern” kaçınılmalı.
-
Sürdürülebilirlik: Veri toplama/işleme altyapısının maliyeti ve karbon ayak izi ölçülmeli.
24) Sürekli Yayın ve Deney Kültürü: Sonraki Sürümlere Besleme
-
Release ritmi: Küçük ama sık sürümler, izole değişken testleri.
-
Deney backlog’u: ASO/PPO, onboarding, paywall, fiyat/deneme, feature adoption.
-
Kapanış halkası: Öğrenimler dokümante edilip tasarım rehberlerine işlenir; yeni ekip üyelerine aktarılır.
Sonuç
Yayınlama sonrası performans analizi, sadece rapor üretmek değil, karar alma mekanizmasını veriye emanet etmekdemektir. App Store ile Google Play arasındaki ölçüm ve görünürlük farklarını bilmeden yapılan yatırımlar çoğu zaman verimsizleşir; doğru olan, her iki ekosistemin güçlü ve zayıf yönlerini iş hedeflerinize göre konumlandırmaktır. iOS’ta ürün sayfası optimizasyonu, görsel/kopya kalitesi ve teknik stabilite dönüşümün ana kaldıraçları olurken; Android’de cihaz/OS çeşitliliği ve görünürlük deneyleri (liste optimizasyonu, farklı pazarlar) hacmi ve edinim maliyetlerini belirgin etkiler. Bu farklılıkları kohort analizi, funnel teşhisi, abonelik/LTV modellemesi ve yorum-duygu analizi ile bir orkestrasyon içinde ele aldığınızda; “neden böyle oldu?” sorusunun cevabı kendiliğinden eyleme dönüşen bir yol haritasına evrilir.
İlk 30–90 gün, ürünün kaderini tayin eden kritik penceredir: crash/perf iyileştirmeleri, onboarding sürtünmesinin azaltılması, ASO/PPO testleri ve bölgesel fiyat/deneme stratejileri, sonraki sürümlerin ivmesini belirler. Bu dönemde kuracağınız tek kaynak/tek gerçek veri mimarisi ve iyi tasarlanmış A/B test disiplini, küçük kazanımların bileşik etkisini bir yıl içinde dev bir büyümeye dönüştürür.
Unutmayın: Harika sonuçlar tek bir “büyük fikir”den değil; sistematik, tekrarlanabilir ve şeffaf bir öğrenme kültüründen doğar. Yayınlama sonrası analiz, bu kültürün hem mikroskobu hem pusulasıdır. Metriklerinizi doğru seçin, deneylerinizi doğru kurgulayın, bulgularınızı doğru yorumlayın ve en önemlisi—öğrendiklerinizi hızla ürüne ve pazarlamaya geri besleyin. O zaman App Store’da (ve Play’de) performans sadece bir anlık sıçrama değil, sürdürülebilir bir yükseliş eğrisi olur.