OTA sıralama algoritmaları gerçekte nasıl çalışır?

OTA sıralama algoritmaları gerçekte nasıl çalışır?

Yanılgı

Gelir yöneticisine Booking.com’un mülkleri nasıl sıraladığını sorduğunuzda genelde şunu duyarsınız: «Çoğunlukla fiyat.»

Öyle değil. Bu yanılgı otellere OTA platformlarında görünürlük kaybettiriyor ve — paradoks olarak — OTA bağımlılığını azaltmak için gereken stratejik içgörüyü de.

OTA sıralama algoritmaları platform gelirini optimize eden gelişmiş makine öğrenmesi sistemleridir — otellere adil görünürlük sağlamak için değil. Gerçekte nasıl çalıştıklarını anlamak tüm dağıtım stratejinizi değiştirir. Ayrıca birçok otelcinin kaçırdığı şeyi ortaya çıkarır: OTA sıralamanızı belirleyen sinyaller, Google’da, yapay zekâ platformlarında ve gezginlerin otelleri keşfettiği diğer her kanalda görünüp görünmediğinizi belirleyen sinyallerle yakından ilişkilidir.

Booking.com’un kendi araştırması ne gösteriyor?

Booking.com, bir OTA için olağandışı derecede şeffaf şekilde sistemlerinin nasıl işlediğini anlatıyor. En önemli yayınlanmış kaynak „150 Successful Machine Learning Models: 6 Lessons Learned at Booking.com” (Bernardi, Mavridis, Estevez), ACM SIGKDD 2019’da sunuldu.

Makale, üretimde çalışan yaklaşık 150 makine öğrenmesi modelini, onlarca ekip tarafından geliştirildiğini, yüz milyonlarca kullanıcıya sunulduğunu ve randomize kontrollü deneylerle doğrulandığını anlatıyor. Temel bulgu: model performansı iş performansı değildir. Yani Booking.com soyut anlamda gezgin için „en iyi” oteli optimize etmiyor — platform için en çok değer üreten sonucu optimize ediyor.

Eşlik eden makale „Beyond Algorithms: Ranking at Scale at Booking.com” (Mavridis ve ark., RecSys 2020) mimariyi derinleştiriyor. Sistem tek algoritma değil, birlikte çalışan uzmanlaşmış ML modelleri kümesi. Her biri farklı metrik tahmin ediyor: tıklama olasılığı (pCTR), dönüşüm olasılığı (pCVR), algılanan kalite. Gradyan artırmalı karar ağaçları LambdaMART çerçevesinde kullanılıyor; kullanıcı profilleri, mülk özellikleri ve bağlamdan binlerce girdi işleniyor.

2024 mühendislik blog yazısı hem statik özellikleri — konum, olanaklar, oda tipleri — hem de güncel oda fiyatları ve canlı müsaitlik dahil gerçek zamanlı dinamik özellikleri doğruluyor.

Özet: Fiyat yüzlerce değişkenden biridir. Önemlidir ama hikâyenin küçük bir parçasıdır.

Çekirdek formül: sıralamayı gerçekte ne sürüklüyor?

2025’te MyDataValue, Booking.com’da 621 mülkü üç ay boyunca (Ocak–Mart 2025) analiz etti ve bugüne kadarki en ayrıntılı kamusal modeli geliştirdi. Analiz beklenen kâra indirgenebilir:

Beklenen kâr = (Rezervasyon sayısı × ortalama satış fiyatı × komisyon yüzdesi) − edinim maliyetleri

Bu formül — Otamiser’in bağımsız araştırmasıyla da doğrulandı — algoritmanın kimin çıkarına hizmet ettiğini gösterir: Booking.com için arama başına geliri maksimize etmek, otellere adil görünürlük dağıtmak değil.

1. Dönüşüm oranı

En önemli faktör. Listelemenizi görüp gerçekten kaç kişi rezervasyon yapıyor? Yüksek trafik, düşük rezervasyon cezalandırılır — algoritma bunu düşük ilgi veya kalite olarak yorumlar ve sizi aşağı iter.

MyDataValue çalışması, dönüşüm iyileştirmesinin genel sıralama skoruna +1,8 puan katkısını buldu — ve bu birikimli çünkü daha yüksek sıralama daha fazla gösterim getirir; dönüşüm korunursa sıralama daha da yükselir.

Kıyas: mülkler genelde %2–5 dönüşüm görür. %2’nin altı genelde fiyatlandırma, liste içeriği veya rezervasyon sürtünmesi sorunlarına işaret eder.

2. Fiyatlandırma ve promosyon uyumu

2025 MyDataValue çalışması, sıralama faktörlerinin %35’ten fazlasının misafir davranışıyla uyumlu fiyat ve promosyon ayarlarıyla ilgili olduğunu buldu. Sadece ucuz olmak değil — pazarınıza göre rekabetçilik, promosyon programları (Genius, mobil fırsatlar, son dakika) ve tarife esnekliği.

Temel ADR iyileştirmesi en yüksek tek faktörü verdi (+2,8 puan) — ama dönüşüm için fiyatı optimize etmek anlamında, yalnızca indirmek değil.

Kritik: yalnızca dinamik fiyatlandırma, Booking.com’da optimal net RevPAR için zorluğun yaklaşık %10–40’ını çözüyor. %60–90ı fiyat dışı faktörlere bağlı.

3. Komisyon kademesi

Otelcilerin en az konuştuğu faktör: daha yüksek komisyon ölçülebilir görünürlük artışı sağlar. Booking.com şeffaflık sayfası bunu doğrular: komisyon seviyesi açıkça sıralama faktörü olarak listeleniyor.

Preferred Partner programı (öncelikli yerleşim karşılığı daha yüksek komisyon) ortalama %65 daha fazla sayfa görüntüleme ve %40 daha fazla rezervasyon sağlıyor. Genius programına katılan mülklerde %29 rezervasyon artışı görülüyor. Visibility Booster geçici olarak komisyonu artırarak daha iyi konum sağlar.

„How We Work” sayfası açıkça belirtiyor: sıralama „rezervasyonlar için bize ne kadar komisyon ödedikleri” ve „genelde ne kadar hızlı ödedikleri” ile etkileniyor.

4. Yorum puanı, hacim ve güncellik

2025 güncellemesinde Booking.com puan hesaplamasını değiştirdi. Güncellik artık çok önemli. Tüm yorumlara eşit ağırlık yerine 36 aylık hareketli ortalama ve yeni yorumlara ağırlık kullanılıyor. Güçlü güncel puanlara sahip mülkler %15–20 daha yüksek rezervasyon dönüşümü görüyor.

Son altı ayda 40 yorumla 9,2 puanlı bir otel, eski yorumlara dayalı 9,4 puanlı bir oteli geçebilir. Yorum hızı — ayda kaç yeni yorum — puanın kendisi kadar önemli.

5. Property Page Score (içerik kalitesi)

Booking.com her mülke liste kalitesini ve tamlığını yansıtan bir „Property Page Score” atar: açıklama, olanak doğruluğu ve özellikle fotoğraflar.

Kendi deneyleri, 24 veya daha fazla yüksek çözünürlüklü fotoğraf ve oda tipi başına yaklaşık 4 fotoğraf (en az bir banyo dahil) göstermenin dönüşümü belirgin şekilde artırdığını gösteriyor. Az veya kalitesiz görsel tıklanma oranlarını düşürür ve sıralamayı etkiler.

6. Müsaitlik ve iptal politikası

Ücretsiz iptal seçenekleri daha yüksek sırada — rezervasyon sürtünmesini azaltır. Daha ileri tarihli müsaitlik (ideal 12+ ay) listelenen mülkler daha fazla gösterim alır; bu da dönüşüm verisini ve sıralamayı besler.

7. Yanıt oranı ve hızı

Çoğu otelcinin tamamen kaçırdığı faktör: onaylarda gecikme, sık red, mesajlara geç yanıt — algoritma sizi güvenilmez işaretler. Sıralama düşer — her zaman tek seferde dramatik değil, sessizce ve birikimli.

Kişiselleştirme katmanı

OTA algoritmalarını özellikle opak yapan kişiselleştirme katmanıdır. „Learning to Match” makalesi (Mavridis, 2018) kullanıcı tercih profillerini — tarihler, mülk tipi, fiyat hassasiyeti, konum tercihi — esnek skorlarla nasıl kurduğunu anlatıyor.

Singapur’dan bir gezginin mobilde gördüğü sonuçlar, Almanya’dan birinin masaüstünde gördüklerinden kökten farklı olabilir — aynı destinasyon ve tarihler için bile. Algoritma arama geçmişi, uyruk, cihaz türü, rezervasyon davranışı ve hatta oturum içi gezinmeyi tartar.

2025 Hotelub analizi bir sıralama paradoksunu doğruluyor: otel kendi sitesinde daha düşük fiyat sunma hakkına sahip olsa bile, algoritma fiyat kırılması tespit ederse listeyi cezalandırarak sıralamayı düşürebilir. 2025 Google Hotels çalışması: resmi otel siteleri vakaların %75’inde OTA’ların altında sıralanıyor.

Expedia: benzer mimari, farklı vurgu

Expedia Group, 2024 sonunda kendi sıralama araştırmasını mühendislik blogunda yayınladı. Sistem iki aşamalı: önce aday üretimi, sonra derin sinir ağları ile maliyetli bir sıralama geçişi.

Booking.com gibi geçmiş alışveriş verileriyle eğitilmiş learning-to-rank modelleri kullanılıyor. Farklar: komisyon marjı ağır basıyor (platform için daha fazla gelir üreten listeler öne çıkıyor), ilgi eşleşmesi daha belirgin (açıklamalardaki anahtar kelimeler yardımcı oluyor), esnek iptal tüm Expedia ekosisteminde öncelikli.

Tüm OTA’lardaki örüntü

Farklılıklara rağmen büyük OTA’lar ortak bir hedef paylaşır: arama başına platform gelirini maksimize etmek.

Rahatsız edici sonuç: algoritmalar otellerden maksimum değer çıkarmak için tasarlanmıştır — görünürlüğü adil dağıtmak için değil. Anlayan stratejik oynar; anlamayan kör uçar.

Doğrudan rezervasyon stratejiniz için anlamı

Çoğu OTA optimizasyon yazısının kaçırdığı şey: OTA sıralamanızı belirleyen sinyaller, başka her yerdeki görünürlüğünüzü belirleyen sinyallerle yakından ilişkilidir.

• Yorum hızı OTA sıralamanızı, Google sıralamanızı ve yapay zekâ platformlarının sizi önerip önermeyeceğini etkiler.
• İçerik kalitesi OTA dönüşümünüzü, web sitenizdeki dönüşümü ve yapay zekâ sistemlerinin mülkünüz hakkında çıkardığı bilgileri etkiler.
• Marka arama hacmi — tüm kanallardan beslenen — sizi zaten duymuş gezginler için OTA sonuçlarının kişiselleştirilmesine geri beslenir.

Bu yüzden yalnızca OTA için optimize etmek kaybeden bir stratejidir. Komisyonu maksimize etmek üzere tasarlanmış bir platformda görünürlük için savaşıyorsunuz. Rezervasyon karışımını iyileştiren oteller yalnızca OTA algoritmasını daha çok „oynamıyor“ — içerik, yorumlar, sosyal varlık, arama otoritesi gibi aynı görünürlük sinyallerinin gezginlerin karar verdiği her kanalda biriktiğini anlıyor — SiteMinder 2026 gezgin verisi analizimizde anlattığımız parçalanmış keşif ortamı dahil.

Soru yalnızca Booking.com’da nasıl daha yukarı çıkılacağı değil. Soru: oteliniz tüm keşif ekosisteminde ne kadar görünür? Her yerde görünürseniz OTA bağımlılığı kendiliğinden azalır. Yalnızca OTA’larda görünürseniz ömür boyu köprü ücreti ödersiniz.

---

Kaynaklar ve ek okuma

Akademik ve sektör makaleleri

• Bernardi, Mavridis & Estevez. „150 Successful Machine Learning Models: 6 Lessons Learned at Booking.com.“ ACM SIGKDD 2019.
• Mavridis ve ark. „Beyond Algorithms: Ranking at Scale at Booking.com.“ RecSys 2020.
• Mavridis. „Learning to Match.“ arXiv:1802.03102, 2018.
• MyDataValue. „Cracking the Booking.com Ranking Algorithm.“ 621 mülk çalışması, Q1 2025.
• Expedia Group Technology. „Choosing the Right Candidates for Lodging Ranking.“ Medium, Aralık 2024.
• Expedia Group Technology. „Channel-Smart Property Search.“ Medium, Temmuz 2024.

Platform kaynakları

• Booking.com Partner Hub. „Search results, ranking, and visibility.“
• Booking.com. „How We Work“ şeffaflık sayfası.
• Booking.com Engineering. „The Engineering Behind High-Performance Ranking Platform.“ Medium, Temmuz 2024.
• GuestTouch. „Booking.com 2025 Review Score Updates.“ Şubat 2025.

Sektör analizi

• Otamiser. „How to Boost Your Ranking on Booking.com“ ve „Does Every OTA Determine Their Ranking Differently?“ 2025.
• Hotelub. „Booking.com: A Strategic Guide for Owners.“ Aralık 2025.
• Lighthouse. „The Top 3 OTA Trends of 2025.“ Ekim 2025.