Sağlık Turizminde Hasta Kaynağı Takibi: Attribution ve Kanal Ölçümü

Bir sağlık turizmi kliniğinin pazarlama müdürüne “geçen ay gelen 60 hastanın kaçı Google Ads’ten, kaçı Instagram’dan, kaçı acente referansından geldi?” diye sorduğunuzda çoğu zaman net bir cevap alamazsınız. Elde genellikle üç ayrı, birbiriyle konuşmayan tablo vardır: reklam panelindeki “dönüşüm” sayısı, WhatsApp’tan gelen mesaj sayısı ve muhasebenin ay sonunda çıkardığı gerçek hasta listesi. Bu üç rakam neredeyse hiçbir zaman birbirini doğrulamaz.

Bu kopukluğun sebebi teknik değil, çoğu zaman metodolojiktir: hangi hastanın hangi kanaldan geldiğini güvenilir biçimde etiketleyen bir sistem yoktur. Sonuç olarak bütçe kararları “hissiyata” dayanır — “Instagram’dan çok soru geliyor gibi” ya da “geçen ay acenteden bayağı hasta geldi” gibi yarı doğru izlenimlerle büyük bütçeler yönlendirilir. Oysa hasta kaynağı takibi (patient source attribution) doğru kurulduğunda, her bir liranın hangi kanaldan gerçek hastaya dönüştüğünü — yaklaşıklıkla değil, kayıtla — görebilirsiniz.

Bu yazı tek bir soruya odaklanıyor: hangi hasta hangi kanaldan/kampanyadan geldi, bunu nasıl doğru etiketler ve ölçeriz? CRM’de bu veriyi nasıl raporlayacağınıza, pipeline yönetimine veya ekip performansı panolarına girmiyoruz — bu konularda CRM pipeline raporlama ve ekip yönetimi rehberimize bakabilirsiniz. Lead geldikten sonra nasıl puanlanacağına, hangi danışmana dağıtılacağına da girmiyoruz — bu, lead takip ve yönetim otomasyonu yazımızın konusu. Burada sadece kaynak verisinin doğru üretilmesi ve etiketlenmesi var: attribution altyapısının kendisi.

Neden Hasta Kaynağı Takibi Sağlık Turizminde Özellikle Zor

Standart bir e-ticaret işinde attribution nispeten basittir: kullanıcı reklama tıklar, siteye gelir, formu doldurur veya sepeti tamamlar — tüm yolculuk dijital ortamda, tek bir tarayıcı oturumunda gerçekleşir. Sağlık turizminde durum çok daha karmaşıktır çünkü hasta yolculuğu genellikle dijital başlar ama fiziksel/insani kanallarda devam eder ve biter.

Bu karmaşıklığın somut sebepleri şunlardır:

Kanal geçişleri çok sık. Bir hasta adayı Instagram reklamında kliniği görür, Google’da klinik adını arar (organik trafik olarak görünür), sonra WhatsApp’tan mesaj atar, birkaç gün sonra telefonla arar ve nihayetinde bir acente aracılığıyla randevu kesinleşir. Beş farklı temas noktası, tek bir hasta. Hangi kanal “kazandı”?

Karar süresi uzun. Estetik, saç ekimi veya karmaşık tıbbi işlemlerde karar süresi günler, bazen haftalar sürer. Bu süre boyunca hasta adayı birden fazla kanaldan tekrar tekrar temas kurar, farklı cihazlar kullanır (telefonda reklamı görür, masaüstünde araştırır), bu da tekil bir “tıklama”yı takip etmeyi zorlaştırır.

Offline kanallar baskın. Acente/broker referansları, önceki hasta tavsiyeleri, yurt dışındaki temsilci ofisleri gibi tamamen offline başlayan kanallar, dijital analitik araçlarının doğası gereği görünmez. Bir UTM parametresi, bir arkadaşın telefonda söylediği klinik adını yakalayamaz.

Telefon ve WhatsApp ağırlıklı iletişim. Türkiye merkezli sağlık turizmi kliniklerinde nihai dönüşümlerin büyük kısmı form doldurma değil, doğrudan arama veya WhatsApp mesajıyla gerçekleşir. Standart web analitik araçları (Google Analytics gibi) bu temas noktalarını varsayılan kurulumda hiç görmez.

Çoklu karar verici. Özellikle yurt dışından gelen hastalarda, araştırmayı bir aile üyesi yapıp kararı başka biri verebilir, hatta iletişimi üçüncü bir kişi (tercüman, yakın) yürütebilir. Bu da “tek kullanıcı = tek yolculuk” varsayımını bozar.

Bu beş faktör bir araya geldiğinde, standart bir Google Analytics kurulumunun “son tıklama” raporu, gerçek tabloyu ciddi biçimde çarpıtır. Attribution sistemini kurmadan önce bu çarpıklığı kabul etmek, doğru sistemi tasarlamanın ilk adımıdır.

Attribution Sisteminin Dört Katmanı

Sağlık turizminde güvenilir bir hasta kaynağı takip sistemi dört katmandan oluşur. Her katman farklı bir temas noktası türünü yakalar ve hepsi birlikte çalıştığında tam resim ortaya çıkar.

Bu dört katmanı sırayla ele alalım.

Katman 1: UTM Etiketleme Sistemi

UTM (Urchin Tracking Module) parametreleri, bir bağlantının sonuna eklenen küçük metin parçalarıdır ve trafiğin nereden geldiğini web analitiğine bildirir. Sorun UTM’in kendisinde değil, çoğu klinikte tutarsız veya eksik kullanılmasındadır.

Standart bir UTM yapısı beş parametreden oluşur:

https://klinikadi.com/sac-ekimi/
  ?utm_source=instagram
  &utm_medium=cpc
  &utm_campaign=sac_ekimi_eylul2026
  &utm_content=video_reklam_a
  &utm_term=erkek_35_45

Her parametrenin işlevi nettir: utm_source trafiğin geldiği platformu (instagram, google, facebook, referans_siteler), utm_medium trafiğin türünü (cpc, organik, email, sosyal), utm_campaign hangi kampanyaya ait olduğunu, utm_content hangi reklam kreatifinin tıklandığını, utm_term ise hangi hedef kitle veya anahtar kelime grubunun kullanıldığını belirtir.

Kritik kural: isimlendirme standardı yazılı olmalı. Sahada en sık görülen hata, farklı kişilerin (ajans, iç ekip, farklı ülkelerdeki temsilciler) aynı kaynağı farklı isimlerle etiketlemesidir — biri “instagram”, biri “Instagram”, biri “ig” yazar. Analitik araçları bunları üç ayrı kaynak olarak sayar ve rapor paramparça olur. Bunu önlemek için kısa bir UTM sözlüğü (isimlendirme rehberi) oluşturup tüm reklam yöneten kişilerin bu sözlüğe uyması zorunlu tutulmalıdır.

Pratik bir UTM sözlüğü şu şekilde olabilir:

• utm_source için sabit liste: google, meta, tiktok, youtube, referans_siteler, email, organik
• utm_medium için sabit liste: cpc, sosyal_organik, email, referans, offline
• utm_campaign için format: [hizmet]_[ay][yil] örn. dishekimligi_eylul2026
• Tüm harfler küçük, boşluk yerine alt çizgi

Bu sözlük bir kez oluşturulup tüm kampanya oluşturma sürecine (reklam paneli, landing page linkleri, e-posta bültenleri) dahil edildiğinde, aylar sonra geriye dönük analiz yapmak da mümkün hale gelir.

UTM’in sınırı nerede biter. UTM parametreleri yalnızca web sitesine gelen tıklamayı yakalar. Kullanıcı formu doldurmadan siteden ayrılıp telefonla ararsa, UTM verisi tek başına o aramayı reklam kampanyasıyla eşleştiremez — bu yüzden ikinci katmana ihtiyaç var.

Katman 2: Telefon ve WhatsApp Kaynağı Takibi (Call Tracking)

Sağlık turizminde dönüşümlerin büyük bölümü telefon veya WhatsApp üzerinden gerçekleştiği için, bu kanalı UTM kadar hassas etiketlemek gerekir. Bunun standart yöntemi dinamik numara ekleme (Dynamic Number Insertion / DNI) olarak bilinir.

Mantık şöyle işler: kliniğin web sitesinde görünen telefon numarası sabit değildir; ziyaretçinin geldiği kaynağa göre farklı bir numara (bir call tracking havuzundan) dinamik olarak gösterilir. Örneğin Google Ads’ten gelen bir ziyaretçi “0850 XXX 01 01” numarasını görürken, Instagram’dan gelen ziyaretçi “0850 XXX 02 02” numarasını görür. Hangi numara arandıysa, o arama otomatik olarak ilgili kanala atfedilir ve CRM’e kaynak bilgisiyle birlikte düşer.

Dinamik numara ekleme kurulumunun adımları:

1. Bir çağrı takip sağlayıcısından (CallRail, Retreaver, Türkiye’de yaygın kullanılan yerel çağrı takip yazılımları) bir numara havuzu edinin — genellikle kaynak başına 3-5 numara yeterlidir.
2. Web sitesine sağlayıcının JavaScript kodunu ekleyin; bu kod ziyaretçinin UTM/kaynak bilgisine göre sayfadaki telefon numarasını otomatik değiştirir.
3. Her aramayı kaynak, kampanya ve arama süresiyle birlikte kaydedecek şekilde entegrasyonu CRM’e bağlayın.
4. Aramaların kayıt altına alınacağını hastalara bildiren kısa bir sesli anons ekleyin (KVKK uyumluluğu için zorunlu).

WhatsApp için farklı bir yaklaşım gerekir çünkü WhatsApp’ta dinamik numara ekleme mümkün değildir — tek bir WhatsApp Business hattı kullanılır. Bunun yerine iki yöntem işe yarar:

• Kanal bazlı “click-to-chat” linkleri. Her reklam/landing page için ayrı bir WhatsApp linki oluşturun (wa.me/numara?text=...) ve mesaj metninin içine görünmez bir kaynak kodu (örn. “Kaynak: IG-SacEkimi-Eylul”) gömün. Kullanıcı “Gönder”e bastığında bu kod otomatik olarak mesajın başında görünür ve danışman hangi kanaldan geldiğini anında görür.
• Landing page bazlı yönlendirme. Farklı kampanyalar için farklı landing page’ler kullanıp her sayfada farklı bir WhatsApp linki/kaynak kodu tanımlamak, tek bir ana sayfaya güvenmekten çok daha güvenilir sonuç verir.

Bu iki yöntemin ortak zayıf noktası, kullanıcının linke tıklamadan doğrudan WhatsApp’ta numarayı arayıp mesaj yazması ihtimalidir — bu durumda kaynak kodu kaybolur. Bu ihtimali sıfıra indiremezsiniz ama danışman ekibine, kaynak kodu olmadan gelen her mesajda kısa bir soru sormayı (“Bize nereden ulaştınız, Google’dan mı Instagram’dan mı?”) standart prosedür haline getirerek boşluğu büyük ölçüde kapatabilirsiniz.

Katman 3: Offline Kaynakların CRM’e Etiketlenmesi

Acente/broker referansları, önceki hasta tavsiyeleri, konferans/etkinlik temasları gibi tamamen offline başlayan kaynaklar dijital araçlarla yakalanamaz. Bunların tek güvenilir kaydı, CRM’e girişte tanımlanan bir zorunlu kaynak alanıdır.

Bunu işletmek için önerilen yapı:

Standart bir kaynak taksonomisi tanımlayın. CRM’de “Kaynak” alanı serbest metin olmamalı, önceden tanımlı bir açılır listeden seçilmelidir. Örnek bir taksonomi:

• Dijital — Google Ads
• Dijital — Meta Ads
• Dijital — Organik Arama
• Dijital — Sosyal Medya Organik
• Offline — Acente/Broker (alt alanda acente adı seçilir)
• Offline — Hasta Referansı (alt alanda referans veren hastanın kaydı bağlanır)
• Offline — Etkinlik/Konferans
• Offline — Basın/PR

Her yeni kaydın kaynak alanı doldurulmadan sisteme kaydedilememesi (zorunlu alan kısıtlaması), en etkili disiplin aracıdır. Bu teknik ayar CRM tarafında birkaç dakikada yapılabilir ve tek başına veri kalitesini büyük ölçüde artırır.

Acente/broker kaynaklarında iki seviyeli etiketleme yapın. Sadece “acente” demek yeterli değildir — hangi acente, hangi ülke, hangi temsilci olduğu da kaydedilmelidir. Çünkü komisyon oranları ve dönüşüm kaliteleri acenteden acenteye ciddi farklılık gösterir; bu detay olmadan hangi acente ilişkisinin büyütülmesi gerektiğine karar veremezsiniz.

Hasta referanslarını bağlantılı kayıt olarak tutun. “Referans” demek yerine, referans veren mevcut hastanın CRM kaydına doğrudan bağlantı kurmak, hem referans zincirini görünür kılar hem de sadık hastaları teşekkür/ödüllendirme programlarıyla ödüllendirmenizi mümkün kılar.

Aşağıdaki tablo, dijital ve offline kaynak etiketleme arasındaki pratik farkları özetliyor.

Katman 4: Çoklu-Temas (Multi-Touch) Attribution

Dört katmanın en karmaşık ama en değerli parçası budur. Bir hasta genellikle tek bir kanaldan değil, birden fazla temas noktasından geçerek karar verir. Çoklu-temas attribution, bu yolculuğun tamamını kaydedip her temas noktasına adil bir “pay” veren yaklaşımdır.

”Son tıklama” tuzağı. Çoğu klinik, farkında olmadan “son tıklama attribution” (last-click attribution) kullanır — yani dönüşümün tüm kredisini, hastanın form doldurduğu veya aradığı andaki son kanala verir. Bu yaklaşımın kökten yanlış bir tarafı yoktur (kurulumu en kolay yöntemdir) ama ciddi bir körlük yaratır: marka bilinirliği yaratan, hastayı sürece ilk sokan kanalları (örneğin bilgilendirici bir YouTube videosu veya SEO içeriği) sistematik olarak görünmez kılar.

Somut bir örnek: bir hasta adayı önce bir Instagram reklamını görür (ilgisini çeker ama tıklamaz), üç gün sonra Google’da klinik adını arayıp organik sonuçtan siteye girer, oradan da WhatsApp’tan mesaj atarak randevu alır. Son tıklama modeli bu dönüşümün tamamını “organik arama”ya yazar. Oysa gerçekte Instagram reklamı olmasaydı, hasta hiç Google’da klinik adını aramayacaktı. Instagram bütçesi bu mantıkla “performanssız” görünüp kesilirse, aslında talebi ilk yaratan kanal kaybedilmiş olur.

Alternatif attribution modelleri. Sağlık turizmi gibi uzun ve çok kanallı karar süreçlerinde şu modeller son tıklamaya göre daha dengeli bir tablo sunar:

• İlk temas (first-touch): Tüm krediyi yolculuğu başlatan ilk kanala verir. Marka bilinirliği kampanyalarının gerçek etkisini görmek için kullanışlıdır, ama tek başına kullanıldığında da tek taraflı bir tablo yaratır.
• Doğrusal (linear): Krediyi yolculuktaki tüm temas noktalarına eşit dağıtır. Basit ve anlaşılır, ama her temasın gerçekte eşit değerde olmadığı gerçeğini görmezden gelir.
• Zaman azalışlı (time-decay): Dönüşüme yakın zamandaki temaslara daha fazla, uzak temaslara daha az kredi verir. Kısa-orta vadeli karar döngüleri için dengeli bir seçenektir.
• Konum bazlı (U-shaped / W-shaped): İlk temasa ve son temasa (W-shaped’de ayrıca fırsat/lead oluşturan orta temasa) daha yüksek ağırlık, aradaki temaslara düşük ağırlık verir. Hem talep yaratmayı hem kapatmayı ödüllendirdiği için sağlık turizmi huniisine sıkça önerilir.

Küçük ve orta ölçekli klinikler için pratik yaklaşım. Tam otomatik, algoritmik çoklu-temas attribution kurmak (Google Analytics 4’ün veri odaklı attribution modeli gibi) teknik altyapı ve trafik hacmi gerektirir; her klinik için gerekli değildir. Daha erişilebilir bir orta yol, CRM’de her lead kaydına “ilk temas kaynağı” ve “son temas kaynağı” olmak üzere iki ayrı alan tanımlamaktır. Bu iki alan birlikte okunduğunda — “ilk temas Instagram, son temas WhatsApp organik” gibi — hangi kanalların talep yarattığı ile hangi kanalların kapattığı arasındaki farkı, karmaşık bir modelleme yapmadan da büyük ölçüde görünür kılar.

Bu iki alanı doldurmanın pratik yolu şudur: ilk temas alanı, lead’in sisteme ilk düştüğü andaki UTM/call-tracking/offline kaynağıyla otomatik doldurulur ve bir daha değişmez. Son temas alanı ise, dönüşümün (randevu/işlem onayı) gerçekleştiği andaki en güncel kaynakla güncellenir. Aradaki tüm temaslar (varsa) bir “temas geçmişi” logunda tarih sırasıyla listelenir — bu log basit bir CRM aktivite kaydından ibarettir, ayrı bir yazılım gerektirmez.

Yapay Zeka Destekli Kaynak Tespiti

2026 itibarıyla attribution sürecinin en zayıf halkası hâlâ insan faktörüdür: danışmanın kaynak sorusunu sormayı unutması, kaynak alanını yanlış doldurması veya WhatsApp mesajındaki kaynak kodunu fark etmemesi. Yapay zeka destekli araçlar bu boşluğu tamamen kapatmasa da önemli ölçüde daraltabilir.

Konuşma metni analizi. Çağrı kayıtlarını ve WhatsApp yazışmalarını otomatik olarak metne döken ve içeriğinde “Instagram’da gördüm”, “arkadaşım tavsiye etti”, “Google’da arattım” gibi doğal dil ifadelerini tespit eden yapay zeka araçları, danışman kaynak alanını boş bıraksa bile geriye dönük olarak olası kaynağı öneri olarak işaretleyebilir. Bu öneri otomatik kabul edilmemeli, danışmanın onayından geçmelidir — amaç insan girdisini tamamen ortadan kaldırmak değil, unutma riskini azaltmaktır.

Anomali tespiti. Bir kaynağın dönüşüm oranı veya hacminde ani ve açıklanamayan bir sıçrama/düşüş olduğunda (örneğin bir günde “organik” kaynaklı lead sayısının üç katına çıkması), bu genellikle bir etiketleme hatasının (örneğin yeni bir kampanyanın UTM’siz yayınlanması) belirtisidir. Basit eşik tabanlı uyarı kuralları bile bu tür sapmaları haftalık raporlama beklemeden aynı gün yakalayabilir.

Kaynak tutarlılık denetimi. CRM verisi üzerinde çalışan basit bir kural motoru, aynı telefon numarasının veya e-posta adresinin birden fazla kayıtta farklı kaynaklarla göründüğü durumları (örneğin aynı hasta hem “Google Ads” hem “Referans” olarak iki kez kaydedilmiş) otomatik işaretleyip tekilleştirme için ekip onayına sunabilir. Bu, özellikle çoklu-temas yolculuğunun yanlışlıkla birden fazla ayrı kayıt olarak girildiği durumlarda veri kalitesini korur.

Bu üç uygulama da karmaşık, özel geliştirilmiş yapay zeka modelleri gerektirmez; çoğu modern CRM ve çağrı takip yazılımının orta seviye paketlerinde hazır veya eklenti olarak sunulur. Kritik nokta, bu araçların insan sürecinin yerine değil, yanında çalışması ve önerilerinin mutlaka bir kişi tarafından doğrulanmasıdır — aksi halde yanlış bir öneri, zaten kırılgan olan veri setine yeni bir hata katmanı ekleyebilir.

Kaynak Verisinin Doğruluğunu Test Etme Yöntemleri

Kurulan sistemin gerçekten doğru çalışıp çalışmadığını anlamanın en pratik yolu, periyodik olarak kontrollü testler yapmaktır. Üç basit test, sistemin güvenilirliğini büyük ölçüde doğrular.

Kontrollü tıklama testi. Ekipten bir kişi, farklı kaynaklardan (belirli bir reklam linki, organik arama, doğrudan URL girişi) siteye giriş yapıp her seferinde farklı bir call tracking numarasının doğru göründüğünü ve doğru UTM’in tarayıcı adres çubuğunda taşındığını manuel olarak doğrular. Bu test, yeni bir kampanya yayına alındığında veya web sitesinde teknik bir güncelleme yapıldığında mutlaka tekrarlanmalıdır çünkü site güncellemeleri call tracking script’ini bozabilir.

Numune denetimi (sample audit). Ayda bir, rastgele seçilen 15-20 hasta kaydı alınıp kaynak alanının gerçek yolculukla tutarlı olup olmadığı kontrol edilir — mümkünse hastanın kendisine veya danışmana “bizi nereden duydunuz” sorusu tekrar sorularak CRM kaydıyla karşılaştırılır. Bu denetim, sistemin teorik olarak doğru kurulmuş olsa bile sahada doğru işleyip işlemediğini gösteren en güvenilir yöntemdir.

Çapraz doğrulama. Reklam panelindeki “dönüşüm” sayısı, call tracking yazılımındaki arama sayısı ve CRM’deki nihai hasta sayısı yan yana konup büyük sapmalar araştırılır. Örneğin reklam paneli 50 dönüşüm gösterirken CRM’de sadece 30 kayıt varsa, aradaki 20 kaydın nereye kaybolduğu (form gönderildi ama danışman aramadı mı, yoksa dönüşüm sayımı yanlış mı) mutlaka araştırılmalıdır.

Bu üç testi çeyreklik bir takvime bağlamak, attribution sisteminin zamanla “sessizce” bozulmasını (script hatası, yeni bir kampanya türünün sözlüğe dahil edilmemesi, ekip değişikliğiyle eğitim eksikliği gibi nedenlerle) önler.

Kurulum Kontrol Listesi

Attribution sistemini sıfırdan kurarken veya mevcut sistemi denetlerken izlenebilecek adım adım kontrol listesi:

1. UTM sözlüğünü yazılı hale getirin ve tüm reklam yöneten kişilere (iç ekip, ajans, yurt dışı temsilciler) dağıtın.
2. Tüm aktif kampanya linklerini denetleyin — kaç tanesinde UTM eksik veya tutarsız, listeleyip düzeltin.
3. Call tracking numara havuzunu kurun ve web sitesindeki dinamik numara ekleme kodunu test edin (farklı kaynaklardan siteye girip doğru numaranın göründüğünü doğrulayın).
4. WhatsApp click-to-chat linklerini kanal bazında ayırın ve her landing page’e kendi linkini yerleştirin.
5. CRM’de kaynak alanını zorunlu ve seçmeli (açılır liste) hale getirin, serbest metin girişini kapatın.
6. Acente/broker taksonomisini iki seviyeli kurun (kaynak türü + spesifik acente adı).
7. İlk temas ve son temas alanlarını CRM’de tanımlayın, ilk temasın otomatik kilitlenmesini sağlayın.
8. Offline dönüşümleri reklam platformlarına geri besleyin (offline conversion import / Conversions API) ki algoritmalar da doğru sinyali görsün.
9. Danışman ekibine kısa bir eğitim verin: kaynak kodu görünmeyen her temas noktasında hastaya nereden ulaştığını sormak standart prosedür olmalı.
10. Aylık bir veri denetimi rutini kurun — kaynak alanı boş bırakılan kayıt oranını takip edin ve sıfıra yakın tutmayı hedefleyin.

Sık Yapılan Hatalar

1. UTM’i sadece reklam ekibi biliyor, landing page ve e-posta linklerinde unutuluyor. Kampanya bütünlüğü bozulduğunda raporlar parça parça hale gelir; UTM standardı tüm dijital temas noktalarını (reklam, e-posta, sosyal medya biyografi linki) kapsamalıdır.

2. Call tracking numaraları çok sık değiştiriliyor. Bazı klinikler her kampanya için yeni numara açıp eskisini kapatıyor; bu, Google’ın işletme profilindeki numarayla tutarsızlık yaratıp güven sinyalini zedeleyebilir ve eski aramaların geçmiş verisini karmaşıklaştırır. Sabit bir ana numara + kaynak bazlı ek numaralar dengesi tercih edilmelidir.

3. Danışmanlar kaynak alanını “hızlı geçmek için” rastgele dolduruyor. Zorunlu alan tek başına yeterli değildir; doğru doldurmanın neden önemli olduğu (bütçe kararlarını doğrudan etkilediği) ekibe somut örneklerle anlatılmalıdır.

4. Offline dönüşümler reklam platformlarına hiç geri beslenmiyor. Bu durumda algoritma yalnızca online formu dolduranları “iyi kullanıcı” olarak öğrenir, telefonla kapanan yüksek değerli hastaları hiç göremez ve optimizasyon yanlış yöne kayar.

5. Tek bir attribution modeline körü körüne güveniliyor. Sadece “son tıklama” veya sadece “ilk temas” raporuna bakıp bütçe kararı vermek, resmin yarısını görmemek demektir. En az iki modelin (ilk temas + son temas) yan yana okunması gerekir.

6. Acente kaynaklarında spesifik acente adı kaydedilmiyor. “Acente” tek bir kategori gibi ele alınıp hangi acentenin performansı iyi hangisinin zayıf olduğu görülemiyor; bu da komisyon anlaşmalarının veri yerine ilişkiye dayalı yenilenmesine yol açıyor.

7. WhatsApp kaynak kodu, kullanıcı mesajı düzenlediğinde kayboluyor. Bazı kullanıcılar otomatik doldurulan mesaj metnini silip kendi cümlelerini yazıyor; bu ihtimal göz ardı edilip danışman ekibine “kaynak kodu yoksa sor” talimatı verilmiyor.

8. Veri denetimi hiç yapılmıyor. Sistem bir kez kurulup unutuluyor; aylar sonra kaynak alanının yüzde 40’ının boş veya “diğer” olarak dolduğu fark ediliyor. Aylık kısa bir denetim bu aşınmayı erken yakalar.

Vaka Kurgusu

Orta ölçekli bir saç ekimi kliniği, aylık yaklaşık 900.000 TL dijital reklam bütçesi yönetiyor ve buna ek olarak beş farklı ülkede acente ağıyla çalışıyor. Pazarlama ekibi, hangi kanalın gerçekte hasta getirdiğinden emin olmadığı için bütçeyi geçmiş yılın oranlarına göre kabaca dağıtıyordu: yüzde 60 Google Ads, yüzde 25 Meta, yüzde 15 diğer.

Attribution denetimine başladıklarında ilk tespit, WhatsApp üzerinden gelen dönüşümlerin yüzde 70’inin CRM’de “kaynak: WhatsApp Organik” olarak etiketlendiği, oysa bu mesajların büyük kısmının aslında Meta reklamlarındaki click-to-chat linklerinden geldiğiydi — sadece link bazlı kaynak kodu hiç kurulmadığı için Meta’nın gerçek katkısı “organik” kategorisinde kayboluyordu.

Ekip, dört haftalık bir kurulum sürecinde şu adımları uyguladı: tüm Meta ve Google kampanyalarına standart UTM sözlüğü eklendi, her landing page’e kanal bazlı ayrı WhatsApp linki tanımlandı, call tracking numara havuzu kuruldu ve CRM’de kaynak alanı zorunlu hale getirildi. Ayrıca beş acente için ayrı ayrı kaynak kodları oluşturuldu ve her acenteden gelen hasta, acente adıyla eşleştirilerek kaydedilmeye başlandı.

Altı haftalık yeni veriyle yapılan analizde tablo değişti: Meta reklamlarının gerçek katkısı önceki tahminin neredeyse iki katıydı (WhatsApp’a giden trafiğin büyük kısmı artık doğru etiketleniyordu), buna karşılık beş acenteden ikisinin — toplam komisyon harcamasının yarısını oluşturmasına rağmen — dönüşüm oranı diğer üçünün oldukça altında kaldığı görüldü. Klinik, Meta bütçesini kademeli artırırken zayıf performans gösteren iki acenteyle komisyon oranını yeniden görüştü, üç ay içinde toplam hasta başı maliyette azalma gözlemlendi. Elde edilen verinin bütçeyi nasıl daha ileri optimize edeceği ayrı bir konu; burada önemli olan, doğru etiketleme yapılmadan bu farkın hiç görünmeyecek olmasıydı. (Vaka temsilidir.)

Kaynak Verisiyle Kampanya Bütçesi Optimizasyonu

Attribution sistemi kurulduktan ve birkaç ay boyunca güvenilir veri biriktikten sonra, bu veriyi bütçe kararlarına dönüştürmenin birkaç pratik yolu vardır.

Kanal bazlı gerçek dönüşüm oranını hesaplayın. Tıklama başına değil, tam yolculuk başına: bir kanaldan gelen 100 ilk temasın kaçının nihayetinde işlem yaptırdığını (ilk temas kaynağına göre gruplayarak) görün. Bu rakam, sadece “form doldurma” oranına bakmaktan çok daha güvenilir bir performans göstergesidir.

İlk temas ve son temas raporlarını yan yana okuyun. Bir kanal ilk temasta güçlü ama son temasta zayıfsa (örneğin YouTube içerikleri), bu kanalın rolü “talep yaratmak”tır ve bütçesi kesilmemeli, farklı bir başarı kriteriyle değerlendirilmelidir. Tersine, bir kanal son temasta güçlü ama ilk temasta neredeyse hiç görünmüyorsa (örneğin marka aramaları), bu kanalın “kapatıcı” rolü olduğu ve talep yaratan kanallara bağımlı olduğu anlaşılır.

Acente performansını komisyon oranıyla birlikte değerlendirin. Sadece hasta sayısına değil, komisyon dahil gerçek maliyete göre acente sıralaması yapın — bu konudaki detaylı maliyet hesaplama yöntemi ayrı bir konudur, ama kaynak verisi doğru etiketlenmeden bu hesabı yapmak mümkün değildir.

Çeyreklik bazda kaynak karışımını (source mix) gözden geçirin. Tek bir ayın verisiyle büyük bütçe kararı vermek riskli olabilir; mevsimsellik ve kampanya döngüleri nedeniyle en az çeyreklik trend üzerinden karar almak daha sağlıklıdır.

Bu üç pratik, doğru kurulmuş bir attribution altyapısı olmadan sadece varsayıma dayalı tahminler olarak kalır. Kaynak verisi ne kadar temiz ve tutarlıysa, bütçe kararları da o kadar isabetli olur.

SSS

Sonuç

Sağlık turizminde hasta kaynağı takibi, tek bir araç kurup unutulacak bir teknik görev değil; dijital tıklama, telefon/WhatsApp iletişimi, offline referanslar ve çoklu-temas yolculuğunu bir araya getiren dört katmanlı bir disiplindir. UTM sözlüğü, call tracking numaraları, WhatsApp kaynak kodları ve CRM’de zorunlu kaynak alanları — bu dört parça birlikte çalıştığında, hangi kanalın gerçekte hasta getirdiği artık tahmin değil, kayıtlı veri olur.

Bu veri bir kez güvenilir hale geldiğinde, bütçe kararlarınızı raporlama ve ekip yönetimi süreçlerine taşıyabilirsiniz — bunun için CRM pipeline raporlama ve ekip yönetimi rehberimize bakabilirsiniz. Lead geldikten sonra doğru danışmana nasıl yönlendirileceği için de lead takip ve yönetim otomasyonu yazımız yol gösterici olacaktır.

Kliniğinizin hasta kaynağı takip altyapısını uçtan uca (UTM, call tracking, CRM entegrasyonu ve otomasyon) kurmak isterseniz yapay zeka ve otomasyon hizmetlerimizi inceleyebilirsiniz.