Kuantitatif İçerik Metodolojisi: 5 Katmanlı İçerik Kurgusu
Kuantitatif İçerik Metodolojisi (KİM), içeriği bir metin olarak değil, arama motorları ve LLM'ler için optimize edilmiş matematiksel bir veri seti olarak ele alır. Bu yazıda, herhangi bir konuda uygulanabilir 5 katmanlı içerik kurgusunu adım adım anlatıyoruz.
Önemli noktalar
Kuantitatif İçerik Metodolojisi, sayfayı semantik vektör, bilgi yoğunluğu ve olasılıksal kelime dağılımı üzerine kurar.
- Üretim öncesi entity havuzu çıkarılır ve içerik bu havuzdan beslenir; rastgele kelime seçimi yapılmaz.
- Her bölüm için bilgi yoğunluğu bütçesi belirlenir — her 100 kelimede en az 2.5 doğrulanabilir veri noktası hedeflenir.
- Her H2 başlığının altındaki ilk cümle "atomik cevap" niteliğindedir; LLM bağlamdan koparıp aldığında bile anlamlı kalır.
- JSON-LD şemaları (FAQPage, HowTo, Dataset) içeriği değişken-değer eşleşmesi olarak arama motorlarına sunar.
İçeriğinizin ilk sayfada görünmesi artık tek başına yeterli değil. Google'ın AI Overviews, ChatGPT ve Gemini gibi üretken arama motorları, kullanıcı sorularına doğrudan cevap üretirken kaynak olarak yalnızca yapılandırılmış, bilgi yoğunluğu yüksek sayfaları gösterir. KİM, bu yeni gerçekliğe göre tasarlanmış bir içerik üretim çerçevesidir.
Aşağıdaki 5 katman, içerik üretim sürecinin her aşamasında uygulayacağınız metodolojik adımları gösterir. Örnek konu olarak "E-Ticaret Sitelerinde Core Web Vitals Optimizasyonu" üzerinden ilerleyeceğiz, ancak iskelet her sektöre uyarlanabilir.
KİM'in 5 katmanı
Her katman bir önceki üzerine inşa edilir. Sırayı atlamak, sonraki adımların etkisini düşürür.
1. Semantik vektör haritası
Yazıma başlamadan önce, ana entity (çekirdek kavram) ve ona vektörel yakınlıktaki alt entity'ler belirlenir. Embedding modelleri (BERT, Sentence-BERT) kelime yakınlığını kosinüs benzerliği ile ölçer. İçerik bu küme dağılımı korunarak yazılırsa, sayfa "konunun tamamını kapsıyor" sinyali verir.
Aşağıdaki tablo, örnek konumuz için entity haritasının nasıl çıkarıldığını gösterir.
| Katman | Entity | Yakınlık | Hedef sıklık |
|---|---|---|---|
| Çekirdek | Core Web Vitals | 1.00 | 8–12 |
| Birincil | LCP, INP, CLS | 0.85–0.92 | 4–6 |
| İkincil | TBT, TTFB, FCP | 0.70–0.80 | 2–3 |
| Bağlamsal | e-ticaret, dönüşüm, sepet | 0.55–0.65 | 1–2 |
| Otorite | PageSpeed, Lighthouse, web.dev | 0.50–0.60 | 1–2 |
Bir konu için en az 15 entity belirlenmesi önerilir. Daha az entity, içeriğin yüzeysel kalmasına; daha fazla entity ise konunun dağılmasına yol açar.
2. Bilgi yoğunluğu bütçesi
Her 100 kelimeye düşmesi gereken minimum somut bilgi birimi — sayı, eşik değer, prosedür, tanım — bölüm bazında önceden hesaplanır. Bu yaklaşım, içeriğin "boş paragraf" sendromuna düşmesini önler ve Information Gain oranını yükseltir.
Aşağıdaki tablo, örnek konumuz için bölüm bazlı bütçe planlamasını gösterir.
| Bölüm | Kelime | Min. veri | Min. tanım | Min. prosedür |
|---|---|---|---|---|
| Tanım | 150 | 2 | 1 | 0 |
| Eşik değerler | 200 | 5 | 0 | 1 |
| Ölçüm yöntemi | 300 | 3 | 1 | 2 |
| Optimizasyon adımları | 600 | 4 | 0 | 5 |
| SSS | 250 | 3 | 2 | 1 |
Hedef Information Gain: Rakip ilk 10 sayfanın ortalamasının üzerinde en az 1.3 katı. Yani aynı 100 kelimede rakipten %30 daha fazla doğrulanabilir veri.
3. Olasılıksal kelime dağılımı
Anahtar terimlerin sayfada hangi sıklıkta ve hangi konumlarda geçeceği önceden belirlenir. TF-IDF ve BM25 hedeflerine göre, aşırı tekrar (keyword stuffing) ile eksik tekrar (semantik zayıflık) arasında matematiksel denge kurulur.
Önemli konum kuralları şöyledir:
- Çekirdek terim H1, H2 ve hem ilk hem son 100 kelimede mutlaka geçmelidir.
- Birincil terimler en az bir H2 başlığında konumlanmalıdır.
- Bağlamsal terimler doğal akış içinde 1–2 kez geçmeli, zorlama hissetmemelidir.
Doğal okunabilirlik her zaman frekans hedeflerinin önüne geçer. Hedefler bir tavandır, mecburiyet değildir.
4. Yapısal iskelet (LLM-friendly layout)
LLM'lerin ve AI Overviews'ın içeriği doğrudan kaynak gösterebilmesi için her bölüm soru-cevap atomu halinde yapılandırılır. Cevap ilk cümlede tamamlanır; gerekçe sonraki cümlelerde verilir.
Atomik cevap kuralı: Her H2 altındaki ilk cümle, sorunun bağımsız okunabilir cevabını içerir. LLM o cümleyi tek başına alıp gösterse bile bilgi tam ve doğru kalmalıdır. Gerekçe, örnek ve sayısal veriler sonraki cümlelerde gelir.
Daha fazla oku: LLM'ler içeriği nasıl seçer ve gösterir?5. JSON-LD şema katmanı
Sayfanın matematiksel netliğini Google'a ve LLM'lere açıkça bildiren yapıdır. JSON-LD şemaları, içerikteki bilgiyi "burada şu yapıdadır" sinyaliyle değişken-değer eşleşmesi olarak sunar. Google botları artık "burada ne anlatılıyor?" diye sormaz; "Soru A'nın cevabı B'dir" netliğine ulaşır.
KİM uygulamasında kullanılan temel şemalar:
- Article — Yazar, tarih, yayıncı bilgisi. E-E-A-T sinyalleri için zorunlu.
- FAQPage — SSS bölümündeki her soru-cevap atomu. AI Overviews için doğrudan kaynak adayı.
- HowTo — Sıralı prosedürler için. LCP düşürme gibi adım adım işlemler.
- Dataset — Sayısal eşikler ve tablolar için yapılandırılmış işaretleme.
- BreadcrumbList — Sayfanın site mimarisindeki konumu. Topic cluster için kritik.
Üretim öncesi ve sonrası denetim
Yazıma başlamadan önce şu sorulara sayısal cevap verilmiş olmalıdır:
- Entity havuzu çıkarıldı mı? (En az 15 entity)
- Her bölüm için bilgi yoğunluğu hedefi belirlendi mi?
- Rakip ilk 10 sayfanın ortalama veri noktası sayısı ölçüldü mü?
- Hedef Information Gain oranı belirlendi mi? (1.3× önerilir)
- H2 başlıkları gerçek arama sorgusu mu, yoksa pazarlama dili mi?
- Her bölümün ilk cümlesi atomik cevap niteliğinde mi?
- JSON-LD şemaları hangileri kullanılacak, listelendi mi?
- En az 3 birincil akademik kaynak hazır mı?
Yayın öncesinde ise içerik şu metrikler üzerinden doğrulanır:
| Metrik | Ölçüm aracı | Eşik |
|---|---|---|
| Semantik kapsam | InLinks / Surfer SEO | ≥ %85 |
| Bilgi yoğunluğu | Manuel sayım (veri / 100w) | ≥ 2.5 |
| TF-IDF dağılımı | Surfer / NeuronWriter | Yeşil bant |
| Schema doğruluğu | Rich Results Test | 0 hata |
| Okunabilirlik | Flesch-Kincaid (TR) | 50–60 |
| LLM kaynak testi | ChatGPT / Gemini sorgusu | İlk 3 kaynak |
KİM hakkında daha fazlasını öğrenin
Kuantitatif İçerik Metodolojisi, arama motoru optimizasyonunun matematiksel temelleri üzerine kurulu bir çerçevedir. Aşağıdaki kaynaklar, metodolojinin teorik altyapısını derinleştirmek için iyi bir başlangıç noktasıdır:
- Akademik kaynak: GEO: Generative Engine Optimization (KDD 2024)
- Temel okuma: BERT: Pre-training of Deep Bidirectional Transformers
- Yapısal veri standardı: JSON-LD 1.1 W3C Recommendation
Bu metodolojiyi kendi sitenize uygulamak ve veriyle şekillenen, yapay zekayla konuşan içerikler üretmek için iletişime geçebilirsiniz.