Sorunuzu sorun, hedef kitlenizi seçin — yapay zeka 1 milyon gerçekçi Türkiye personası üzerinde simülasyon yapar, makine öğrenmesi ile analiz eder ve saniyeler içinde raporlar.
4 adımda Türkiye genelinde yapay zeka destekli pazar araştırması
Açık uçlu, çoktan seçmeli veya 1-10 ölçek sorularınızı dakikalar içinde tasarlayın. Hazır şablonlardan da başlayabilirsiniz.
İl, ilçe, yaş, gelir, eğitim, meslek gibi demografik filtreleri uygulayın. Hedef kitlenizi hassas biçimde daraltın.
1 milyon gerçekçi persona üzerinde yapay zeka yanıtları üretir. Her persona kendi TÜİK bazlı profiliyle tutarlı cevap verir.
Rastgele Orman ML modeli ile karar etkenleri, güven aralıkları, demografik kırılımlar ve PDF rapor anında hazır.
Amacınıza göre AI motorumuz farklı kitle profilleri ile çalışır
Siyasi eğilimler, oy verme davranışı ve belediye memnuniyeti gibi konularda geniş kitle simülasyonu. İl-ilçe bazında gerçek seçmen dağılımları kullanılır.
Online alışveriş, marka tercihi, fiyat hassasiyeti ve tüketim alışkanlıkları üzerine hedefli simülasyon. Gelir ve harcama profilleriyle desteklenir.
Belirli bir il, ilçe veya sektör odaklı derinlemesine analiz. Ulaşım, konut, sağlık, eğitim gibi yaşam kalitesi göstergeleriyle zenginleştirilmiş profiller.
Her aşama bir öncekinin çıktısını alır. Sorudan rapora kesintisiz bir veri hattı.
Kullanıcının belirlediği hedef kitle filtreleri (il, yaş, gelir, eğitim vb.) veritabanına uygulanır. İstatistiksel olarak yeterli örneklem otomatik hesaplanır.
Her seçilen persona için 27 çekirdek alan + ~90 attributes birleştirilerek zengin bir metin profili derlenir. İl bazlı gerçek veri katmanları entegre edilir.
Claude AI, her persona profilini sistem promptu olarak alır ve soru bazında tutarlı yanıtlar üretir. Çoktan seçmelide optionAppeal + temperature=1 çeşitlilik sağlar.
Aynı persona + aynı soru kombinasyonu tekrar sorulduğunda LLM çağrısı yapılmaz. Maliyet düşer, tutarlılık artar. personaId + questionHash composite unique key.
Ham yanıtlar, TÜİK census verisiyle ağırlıklandırılır. Örneklemdeki olası demografik sapmalar düzeltilerek popülasyon düzeyinde temsili sonuçlar elde edilir.
Saf TypeScript Rastgele Orman (25 ağaç, OOB) + permütasyon değişken önemi. Yaş, gelir, eğitim, cinsiyet, il, siyasi ve dini eğilim üzerinden karar etkenleri hesaplanır.
Katman 1: ML karar etkenleri (%±güven aralığı). Katman 2: "Neler değişse?" senaryosu. Katman 3: Kişi bazında LLM gerekçeleri (talep üzerine).
Tüm grafikler, kırılımlar, güven aralıkları ve karar etkenleri profesyonel PDF raporuna dönüştürülür. Ham veri CSV olarak indirilebilir.
Simülasyon sonuçlarınızı farklı açılardan derinlemesine analiz edin
Rastgele Orman ML modeli ile hangi demografik faktörün sonuca en çok etki ettiğini tespit eder.
Her sonuç için hata payı (MoE) ve güven aralığı hesaplanır. İstatistiksel güvenilirlik şeffaf biçimde gösterilir.
En güçlü karar etkeni üzerinden karşıolgusal analiz: "Bu değişken farklı olsaydı sonuç nasıl değişirdi?"
Seçilen personanın neden o yanıtı verdiğini LLM ile derinlemesine analiz eder. Profil + yanıt → gerekçe zinciri.
Sonuçları yaş, cinsiyet, gelir, eğitim, il gibi boyutlara göre kırarak segment bazlı farklılıkları ortaya koyar.
TÜİK nüfus verileriyle ağırlıklandırılmış sonuçlar, örneklem sapmasını düzelterek popülasyon tahminleri sunar.
Aynı güçlü simülasyon motoru, farklı sektörlerin ihtiyaçlarına göre özelleştirilir
Siyasi partiler, STK'lar, medya
Seçmen eğilimlerini il bazında ölçün, politika değişikliklerinin etkisini simüle edin, referandum öncesi kamuoyu nabzını tutun.
Pazarlama ekipleri, ajanslar
Ürün lansman öncesi tüketici tepkisini test edin, fiyat hassasiyetini ölçün, marka algısını segmentlere göre kırın.
Belediyeler, kamu kurumları
Ulaşım, altyapı veya sosyal hizmet projelerinin vatandaş memnuniyetine etkisini önceden değerlendirin.
Üniversiteler, araştırma merkezleri
Büyük ölçekli anket çalışmalarını düşük maliyetle pilotlayın, hipotezlerinizi 1 milyon persona ile test edin.
27 çekirdek alan + ~90 öznitelik, her personaya özel sistem promptuna dönüştürülür. Claude AI bu profille tutarlı, bireysel yanıtlar üretir.
Saf TypeScript Rastgele Orman (25 ağaç) + permütasyon değişken önemi. Python/scikit-learn bağımlılığı olmadan üretim ortamında çalışır.
Hedef kitle büyüklüğüne göre istatistiksel yeterlilikte örneklem otomatik hesaplanır. Küçük kitleler için tam sayım, büyük kitleler için MoE tabanlı formül.
Çoktan seçmeli sorularda optionAppeal skoru ile seçenek çekiciliği hesaplanır, temperature=1 ile doğal dağılım sağlanır.
Aynı persona-soru çifti tekrar sorulduğunda önbellekten sunulur. Maliyet düşer, tutarlılık artar, bayat iş otomatik temizlenir.
ML karar etkenleri → karşıolgusal senaryo → kişi bazında LLM gerekçesi. Her katman birbirini destekleyen şeffaf bir açıklama zinciri sunar.