Google Trends Verileri: Yanlış Anlaşılan 100 Puanın Hikayesi
- Murat Özkan
- 8 Eki
- 7 dakikada okunur
Dijital çağda “ilgi” artık sayılarla ölçülüyor. Ancak bu sayılar her zaman göründüğü gibi değildir. Google Trends (GT), kullanıcıların belirli bir anahtar kelimeye yönelik ilgisini zaman içinde ölçmek için sıkça başvurduğumuz bir araçtır. Fakat çoğu zaman bu veriler yanlış yorumlanır. Birçok kişi, bir kelimenin “100” puan aldığını gördüğünde “en çok aranan konu bu” diye düşünür. Gerçekte bu puan yalnızca bağıl bir ilgi düzeyini gösterir. GT, bir kelimenin kendi tarihsel bağlamı içinde en yüksek arama hacmini 100 olarak kabul eder ve diğer dönemleri buna oranla sıralar. Yani 100 puan, bir kelimenin tüm zamanların zirvesine ulaştığı anlamına gelir, ama başka bir kelimenin 100 puanı ile eşit seviyede bir popülerliğe işaret etmez. Bu durum, özellikle pazarlama ve tüketici davranışı analizlerinde sıkça yapılan yanlış yorumların temel nedenidir.
1.Google Trend
Google Trend (GT), kullanıcıların belirli anahtar kelimelere yönelik zaman içindeki ilgisini analiz etmeye olanak tanıyan güçlü bir araçtır (Lolić, Matošec ve Sorić,2024). Sistem, arama hacmini mutlak rakamlarla değil, belirli zaman dilimleri ve coğrafi bölgeler çerçevesinde normalize edilmiş bir popülerlik endeksi olarak sunar. 0 ile 100 arasında değişen bu endeks, incelenen zaman aralığında en yüksek arama yoğunluğunu 100 puanla ifade ederken, diğer dönemlerin popülerliğini bu değere oranla gösterir (Google FAO, 2022). GT’de “0” değeri, ilgili periyotta en düşük bağıl popülerlik düzeyini temsil eder ve mutlak anlamda arama yapılmamış olduğu anlamına gelmez; 100 değeri ise yalnızca o aralıktaki en yüksek değere işaret eder. Bu bağlamda, 0-100 aralığı, tüketicinin dijital izinin derecesini yansıtır. “0” değerinin matematiksel ifadelerde yutan eleman olması nedeniyle, bu değerler “1” ile değiştirilerek sistematik işlemin tutarlılığı sağlanmıştır.
GT verileri zaman serisi biçimindedir ve istatistiksel analizlere dahil edilmeden önce normallik, varyans homojenliği ve bağımsızlık gibi klasik varsayımlar genellikle sağlanmaz (Woloszko, 2020). Bu nedenle, logaritmik dönüşüm, mevsimsellikten arındırma ve ölçekleme gibi ön işleme adımları uygulanmıştır. GT’nin avantajı, yüksek frekansta ve gerçek zamana yakın dijital davranış verileri sunmasıdır. Geleneksel yöntemlerden farklı olarak, doğrudan dijital etkileşimleri temel aldığı için akademik ve ticari alanlarda değerlidir; özellikle “anlık-tahmin” projeksiyonlarında etkilidir (D’Amuri ve Marcucci, 2017; Eichenauer, Martinez ve Sax, 2022). Ancak, bağlamdan kopuk yorumlar metodolojik hatalara yol açabilir (Lolić, Matošec ve Sorić,2024). Her anahtar kelime bağımsız normalize edildiğinden, iki kelimenin 100 puan alması eşit ilgi anlamına gelmez (Google FAO, 2022). Bu nedenle, karşılaştırmalar aynı bağlam, zaman dilimi ve coğrafi bölgeyle sınırlı tutulmalıdır (Lolić, Matošec ve Sorić,2024).
2.Google Trend Algoritması
Google Trend (GT), anahtar kelimelere yönelik arama hacmini zaman ve bölge bazında normalize edilmiş şekilde sunan bir araçtır (France, Shi ve Kazandjian, 2020; Lolić, Matošec ve Sorić,2024). Hesaplama, bağıl frekans ilkesine dayanır; her zaman diliminde anahtar kelime arama sayısı toplam arama hacmine oranlanarak bağıl sıklık hesaplanır ve maksimum değere göre 0-100 endeksine dönüştürülür:
Kısaca:
France ve arkadaşları (2020) ile Lolić ve arkadaşları (2024), bu yöntemin mutlak verilere erişimi engellese de zaman içindeki ilgi değişimlerini güvenilir şekilde analiz ettiğini belirtir. Ancak, GT bileşik ifadeleri (örneğin, “organik sabun” ile “en iyi organik sabun”) ve varyasyonları da kapsar; bu, bağlamdan kopuk analizlerde anlam kaymalarına yol açabilir (France, Shi ve Kazandjian, 2020). Düşük hacimli aramalar sıfır olarak raporlanabilir, özel karakterler hariç tutulur ve tekrarlayan aramalar dikkate alınmaz (Lolić, Matošec ve Sorić,2024). Bu durum, düşük yoğunluklu analizlerde sapma riskini artırır. Bu nedenle, veriler birden fazla sorgulanarak ortalaması alınmış, yuvarlama hataları minimize edilmiştir. France ve arkadaşları (2020), bağıl değerlerin eğilim analizi için kullanılmasının daha uygun olduğunu vurgular. Çalışmada, GT verileri büyük ölçekli eğilimler için kullanılmış, mikro karşılaştırmalarda dikkatli yorumlama benimsenmiştir (Eichenauer, Martinez ve Sax, 2022).
3.Dönüşümler: Logaritma
Google Trends verilerinin göreli popülerlik endeksi yapısı, çarpık bir dağılım eğilimi gösterebilir. Bu durum parametrik testlerin kullanımını kısıtlar. Logaritmik dönüşüm, yüksek değerlerin etkisini azaltarak dağılımı dengeler ve düşük değerleri anlamlı hale getirir (Spencer ve Reid, 2009).
Uygulanan dönüşüm formülü şöyledir:
“0” değerleri nedeniyle tüm "0" değerleri "1" ile değiştirilmiş, böylece hem matematiksel doğruluk hem de veri bütünlüğü korunmuştur (Spencer ve Reid, 2009). Google Trends verileri 0–100 aralığında normalize edildiği için her anahtar kelimenin kendi içinde maksimuma oranlanması söz konusudur. Bu durum, düşük arama hacmine sahip dönemlerde keskin sıçramalar veya ani düşüşler yaratabilir. Logaritmik dönüşüm, bu dengesizliği gidererek verinin analitik ve grafiksel olarak daha tutarlı biçimde okunmasını sağlar. Google Trends Verileri: Yanlış Anlaşılan 100 Puanın HikayesiGoogle Trends Logaritma
Ham veri grafikleri, kullanıcı ilgisindeki ani değişimleri göstermek açısından değerlidir; ancak ekstrem değerler genliği artırarak eğilimin yönünü gizler. In(x+1) dönüşümü büyük değerleri sıkıştırıp küçük değerleri genişleterek varyansı stabilize eder, oransal değişim hızlarını daha görünür kılar. Böylece ham grafik tüketici ilgisindeki dalgalanmaları, logaritmik grafik ise bu dalgalanmaların oransal yoğunluğunu temsil eder.
Bu çalışmada logaritmik dönüşüm, “Geleneksel Deterjan Ürünleri” serisinde istikrarlı artışı, “Yeşil Deterjan Ürünleri” serisinde ise dönemsel sıçramaların bağıl karakterini ortaya çıkarmıştır. Dönüşüm, veriyi düzeltmek için değil, anlamlandırmak için yapılmıştır. Başlıca avantajları; aykırı değerlerin etkisini azaltmak, varyansı stabilize etmek, oransal büyüme ve azalışları mutlak farklardan bağımsız olarak görünür kılmak ve veriyi regresyon veya korelasyon analizlerine uygun hale getirmektir.
Bu yöntem literatürde de desteklenmektedir. France, Shi ve Kazandjian (2020), logaritmik dönüşümün Google Trends verilerinde varyans dengeleme için zorunlu olduğunu; Woloszko (2020), yüksek frekanslı dijital verilerde parametrik varsayımların çoğu zaman sağlanmadığını; Lolić, Jurić ve Rudan (2024) ise bu dönüşümün eğilimlerin güvenilir yorumlanmasına katkı sunduğunu belirtmiştir.
Buradan hareketle; logaritmik dönüşüm, dijital davranış verilerini “gürültüden arındırarak” eğilimin özünü görmeyi sağlayan bir analitik filtredir. Bu çalışmada dönüşüm, dalgalanmaları normalize etmiş ve zaman serisini yorumlanabilir hale getirmiştir. Kısaca, logaritmik dönüşüm veriyi susturmaz, arkasındaki anlamı daha net duyulur hale getirir.
4.Örnek Çalışma
Bu örnek çalışma kapsamında Türkiye’de 2014–2025 yılları arasındaki arama eğilimleri incelenmiştir. İki anahtar kelime üzerine odaklanılmıştır: “Geleneksel Deterjan Ürünleri” ve “Yeşil Deterjan Ürünleri”. Veriler aylık bazda toplanmış, her iki anahtar kelime de aynı coğrafi koşullarda ve zaman diliminde sorgulanmıştır. Google Trends verileri 0–100 aralığında normalize edildiğinden, 0 değerleri sistematik analiz tutarlılığı sağlamak amacıyla “1” değeriyle değiştirilmiştir. Bu döneme ait verilerden küçük bir kesit aşağıdaki gibidir:
Google Trends verileri, yalnızca tüketicilerin arama davranışlarını değil, farkındalık dinamiklerini de ortaya koyar. 2014–2025 arası analizde şu eğilimler dikkat çekmektedir:
Geleneksel Deterjan Ürünleri (Log_GDÜ): Mavi çizgi, 2014’ten itibaren istikrarlı bir yükselişi gösterir ve 2018 sonrası 2,5-3,0 aralığında sabitlenir. Log ölçeği, yüksek değerleri sıkıştırarak oransal büyümenin sürekliliğini ortaya koyar.
Yeşil Deterjan Ürünleri (Log_YDÜ): Turuncu çizgi, 2017, 2019 ve 2025’te 4,0’a varan ani sıçramalarla dalgalı bir seyir izler. Log dönüşümü, bu oransal artışları vurgular, ancak ilginin kısa sürede azaldığını gösterir.
Karşılaştırmalı Trendler: 2014-2020 döneminde geleneksel ürünler yumuşak bir log-artış sergilerken, yeşil ürünler aralıklı sıçramalar yaşar. 2025’teki yeşil ürün sıçraması, medya veya kampanya etkisine işaret edebilir; bu, log ölçeğinin oransal duyarlılığıyla belirgindir.
COVID-19 Etkisi (2020 Sonrası): Hijyen aramalarındaki genel artış gözlemlenir, ancak yeşil ürünler bundan sınırlı faydalanır; log ölçeği, bu oransal farkı netleştirir.
2023-2025 Canlanma: Yeşil ürünlere yönelik yenilenen ilgi, log grafikte daha keskin bir oransal artışla görünür; bu, çevre kampanyalarının etkisine bağlanabilir.
Log dönüşümünün Google Trends verilerinde sunduğu temel fayda, çarpık dağılımları dengeleyerek anlamlı içgörüler sunmasıdır. Ham grafikte (0-100 ölçek) yeşil deterjan ürünlerinin 2017, 2019 ve 2025 sıçramaları (örneğin 78 puan) domine ederken, geleneksel ürünlerin istikrarlı artışı (42 puan) gölgede kalır; düşük değerler (2014’te yeşil ~1) ise kaybolur. Oysa log grafik (0-4.5 ölçek) yüksek değerleri sıkıştırır (log(78+1) ≈ 4.37), düşükleri genişletir (log(1+1) ≈ 0.69), böylece her iki trend karşılaştırılabilir hale gelir. Bu, yeşil ürünlerin geçici dalgalarını (örneğin 2017’de ~3.5) ve geleneksel ürünlerin kademeli yükselişini (2014’ten 3.7’e) netleştirir. Log, varyansı stabilize ederek oransal değişimleri öne çıkarır; COVID-19 sonrası yeşil ürünlerin sınırlı kazancı (~0.5 log birim) belirginleşir. Gürültüyü arındıran log dönüşümü, istatistiksel analizlere uygunluk sağlar ve derin trendleri açığa vurur. Ham grafik yüzeysel sıçramalara odaklanırken, log derinlemesine bir perspektif sunar.
Bu sonuçlar, geleneksel markaların “alışkanlık etkisiyle” stabil bir dijital ilgiyi koruduğunu, yeşil markaların ise “trend dalgalarına” bağlı olarak geçici yükselişler yaşadığını göstermektedir.
5. Google Trends Verilerini Stratejik Olarak Kullanmak
Google Trends verisi yalnızca akademik bir gösterge değil, aynı zamanda pazarlama ve iletişim stratejileri açısından da kritik bir araçtır.
Doğru yorumlandığında şu alanlarda etkili şekilde kullanılabilir:
Trend Tespiti: Arama eğilimlerindeki ani artışlar, potansiyel pazar fırsatlarını öngörmek için kullanılabilir.
Kampanya Zamanlaması: Mevsimsel dalgalanmalar, kampanya veya lansman dönemlerini planlamada referans sağlayabilir.
Rekabet Analizi: Geleneksel markaların sabit ilgisi, marka sadakatini; yeşil markalardaki oynaklık ise farkındalık ve güven eksikliğini işaret eder.
Tüketici Psikolojisi: Arama verilerindeki dalgalanmalar, tüketicinin bilinçsel karmaşasını veya bilgi eksikliğini gösterebilir.
Pazar Bölümlendirme ve Hedef Odaklı Pazarlama (Resim3): Google Trends, coğrafi ve demografik bazlı verileriyle pazar bölümlendirme için güçlü bir araçtır. Örneğin, "yeşil deterjan" aramalarının Ege Bölgesi’nde yoğunlaşması, bu bölgedeki tüketicilerin çevre bilincinin yüksek olduğunu gösterebilir. Bu veri, yerel kampanyalar veya influencer iş birlikleri için kullanılabilir. Aynı şekilde, belirli anahtar kelimelerin genç kitleler arasında popüler olduğunu tespit ederek, sosyal medya içeriklerinizi bu segmente özel olarak kişiselleştirebilirsiniz. Bu strateji, tüketicilere daha alakalı mesajlar sunarak marka bağlılığını artırır ve pazarlama yatırımlarının etkinliğini maksimize eder.
“Google Trends doğru kullanıldığında yalnızca geçmişi göstermez, geleceğin eğilimlerini öngörebilen bir dijital pusulaya dönüşebilen bir araç olabilir”
6. Sonuç ve Değerlendirme
Google Trends verileri, tüketici ilgisinin yönünü anlamak için güçlü bir araç olarak öne çıkmaktadır, ancak bu verilerin doğru bağlamda analiz edilmesi önemlidir. “Yeşil deterjan” kavramı, çevre bilincinin yükselişini yansıtsa da, dijital ilgide süreklilik kazanamamıştır. Buna karşılık, geleneksel deterjan ürünleri daha istikrarlı bir dijital konum sergilemekte, tüketici alışkanlıklarının bu alanda direnç gösterdiği gözlenmektedir. Bu analiz, dijital arama verilerinin yalnızca “ne kadar arandı” sorusuna değil, aynı zamanda “neden arandı ve neden aranmıyor” gibi sorulara da yanıt verebileceğini göstermektedir.
Google Trends, mevcut tüketici eğilimlerini analiz etmenin ötesinde, yapay zeka ve büyük veri analitiğiyle entegre edildiğinde pazarlama stratejilerini geliştirmek için yeni fırsatlar sunabilir. Örneğin, GT verileri makine öğrenimi modelleriyle birleştirilerek tüketici ilgisindeki değişimler gerçek zamanlı olarak analiz edilebilir veya kişiselleştirilmiş kampanyalar için daha hassas tahminler üretilebilir. İşletmeler, GT’yi bir analiz aracı olarak kullanarak trendleri erken yakalama ve bu verileri iş stratejilerine entegre etme potansiyeline sahiptir; bu da rekabet avantajı sağlayabilir.
Doğru yorumlandığında, Google Trends yalnızca istatistiksel bir gösterge olmaktan çıkarak tüketici eğilimini anlamak için dinamik bir gözlem alanı haline gelebilir. Tüketici ilgisinin dalgalandığı bu dijital ortamda, GT verilerini anlamak stratejik bir değer taşıyabilir.
Kaynakça:
Lolić, I., Matošec, M., & Sorić, P. (2024). DIY Google Trends indicators in social sciences: A methodological note. Technology in Society, 77, 102477. https://doi.org/10.1016/j.techsoc.2024.102477
Google, Internet live stats, Google Search Statistics, 2022. www.Internetlivestats. com/google-search-statistics. )(Erişim Tarihi:03.05.2025)
Reid MK, Spencer KL. Use of principal components analysis (PCA) on estuarine sediment datasets: the effect of data pre-treatment. Environ Pollut. 2009 Aug-Sep;157(8-9):2275-81. doi: 10.1016/j.envpol.2009.03.033. Epub 2009 May 1. PMID: 19410344.
V.Z. Eichenauer, R. Indergand, I.Z. Martínez, C. Sax, Obtaining consistent time series from Google Trends, Econ. Inq. 60 (2022) 694–705, https://doi.org/ 10.1111/ecin.13049.
F. D’Amuri, J. Marcucci, The predictive power of Google searches in forecasting US unemployment, Int. J. Forecast. 33 (4) (2017) 801–816, https://doi.org/10.1016/ j. ijforecast.2017.03.004.
N. Woloszko, Tracking activity in real time with Google Trends, in: OECD Economics Department Working Papers, OECD Publishing, Paris, 2020, https:// doi.org/10.1787/6b9c7518-en. No. 1634.
France, S. L., Shi, Y., & Kazandjian, B. (2021). Web trends: A valuable tool for business research. Journal of Business Research, 132, 666–679. https://doi.org/10.1016/j.jbusres.2020.10.019
Yorumlar