Mikro dönüşüm makro dönüşüm ilişkisi, dijital pazarlama analitiğinin en güçlü ancak en çok yanlış uygulanan metodolojilerinden birini oluşturur. Mikro dönüşümler, newsletter kaydı, video izleme tamamlama, ürün galerisi etkileşimi, karşılaştırma sayfası ziyareti, nihai satın alma ya da form doldurma gibi makro hedefin öngörücüleri olarak modellenebildiğinde, analitik güç dönüşüm hunisinin henüz erken aşamalarına taşınmış olur.\n\nMikro dönüşüm makro dönüşüm ilişkisinin doğru kurulması için önce her mikro olayın makro hedefle olan istatistiksel korelasyonu ölçülmelidir. Her mikro olayın makro dönüşüm tahmininde ayrı ağırlığı vardır ve bu ağırlıklar a priori değil veri bazlı belirlenir. Örneğin bir e-ticaret sitesinde \"ürünü favorilere ekle\" mikrosu, \"sepete ekle\" mikrosundan daha düşük tahmin gücüne sahip olabilir; ancak segmentler arası bu ilişki beklenilenin tersi yönde çalışabilir.\n\nMakro dönüşüm tahmini için mikro olayları kullanmanın pratik yolu, lojistik regresyon veya gradient boosting gibi sınıflandırma modelleridir. Model, kullanıcı oturum davranışlarını giriş değişkeni olarak alır ve makro dönüşüm gerçekleşip gerçekleşmeyeceğini tahmin eder. Bu modelin eğitim verisi kalitesi, mikro dönüşüm kayıt hassasiyetine doğrudan bağlıdır; eksik ya da yanlış tetiklenen eventler model gürültüsünü artırır.\n\nBütçe optimizasyonu açısından mikro dönüşüm makro dönüşüm tahmini değerli bir araçtır. Yeterli makro dönüşüm hacmi oluşturamamış kampanyaları makro hedefe göre optimize etmek istatistiksel olarak yetersiz veri üzerinde çalışmak anlamına gelir. Bu durumda güçlü bir öngörücü mikro olayı kampanya optimizasyon sinyali olarak kullanmak, hem bütçe verimliliğini artırır hem de öğrenme döngüsünü kısaltır.\n\nBir uyarı: Mikro dönüşümün makro dönüşümle korelasyonu, proxy'nin nedensel ilişki olduğu yanılgısına yol açmamalıdır. Mikro olayları optimize ederek makro dönüşüm artırılmaya çalışıldığında Goodhart Yasası devreye girer; ölçüt hedefe dönüştüğü an iyi bir ölçüt olmaktan çıkar.