FlowDx'in dikkat ısı haritaları, DeepGaze IIE modeline dayanmaktadır. Bu model, Linardos ve ark. tarafından ICLR 2021 makalesi "DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling" kapsamında sunulmuş olup, Almanya'daki Tübingen Üniversitesi Bethge Lab Hesaplamalı Sinirbilim Laboratuvarı'ndan gelmektedir. MIT/Tilburg Saliency Benchmark'ta DeepGaze IIE birçok göstergede birinci sırada yer almaktadır ve tahmin sonuçlarının gerçek insan göz hareketleri verileriyle korelasyonu 0,87'nin üzerindedir.
Isı haritasındaki renkler ne anlama geliyor?
| Renk | Anlamı | Dikkat Yüzdesi |
|---|---|---|
| Kırmızı | En yüksek dikkat alanı — Kullanıcılar ilk buraya bakar | İlk %10 |
| Turuncu-Sarı | Yüksek dikkat — Bakışlar hızla buraya kayar | %10-30 |
| Yeşil | Orta düzey dikkat — Göz gezdirme sürecinde fark edilir | %30-60 |
| Mavi | Düşük dikkat — Çoğu kullanıcı burayı görmezden gelir | %60-90 |
| Koyu/Renksiz | Dikkat kör noktası — Neredeyse hiç kimse görmez | Son %10 |
Yaygın Isı Haritası Desenleri
Desen 1: Merkez Odaklı (Sağlıklı)
Kırmızı alanlar içeriğin çekirdek bilgilerine (yüzler, başlıklar, CTA butonları) odaklanmıştır. Bu, görsel hiyerarşinin net olduğu ve kullanıcının iletmek istediğiniz mesajı hızla anlayabildiği anlamına gelir.
Desen 2: Dağınık (Sorunlu)
Kırmızı alanlar birden fazla konuma dağılmıştır ve net bir ana odak yoktur. Bu, görselde çok fazla öğe olduğunu ve dikkatin dağıldığını gösterir. Çözüm: Öğe sayısını azaltın ve net bir görsel özne oluşturun.
Desen 3: Yanlış Hizalanmış (Ciddi Sorun)
Kırmızı alanlar kullanıcının bakmasını istemediğiniz yerlerde (örneğin arka plandaki alakasız bir öğe) yoğunlaşırken, ana mesajınız (başlık, ürün) mavi veya yeşil alanlardadır. Bu bir TO (Tıklama Oranı) katilidir.
Desen 4: Kenar Odaklı (İsraf)
Dikkat görselin kenarlarında toplanmıştır. Bu genellikle ana özne çok küçük olduğunda veya çok fazla boşluk bırakıldığında gerçekleşir. Beyin, kenarlardaki yüksek kontrastlı alanlara (örneğin resim çerçevesi ile arka planın birleştiği yer) çekilir.
Görsel Yol: Kullanıcının "Okuma Rotası"
Isı haritalarına ek olarak FlowDx, kullanıcının gözlerinin nereden başladığını ve görseli hangi sırayla taradığını tahmin eden Görsel Yollar oluşturur. İdeal bir görsel yol şöyle olmalıdır:
- En güçlü dikkat çapasından başlar (genellikle bir yüz veya en büyük metin)
- Yardımcı bilgilere geçer (alt başlıklar, ürün görselleri)
- Son olarak CTA (Eylem Çağrısı) üzerine düşer.
Eğer yol kritik bilgileri atlıyorsa veya alakasız alanlarda geziniyorsa, görsel yönlendirmede bir sorun var demektir.
Beş Boyutlu Bilişsel Puan Detayları
FlowDx size sadece toplam bir puan vermez, içeriğinizi beş bilişsel boyutta değerlendirir:
- Dikkat — İçeriğin 0,3 saniye içinde göz yakalayıp yakalayamadığı
- Görsel Odak — Net bir görsel hiyerarşi ve yönlendirme yolu olup olmadığı
- Duygusal Etki — Duygusal bir tepkiyi (merak, heyecan, empati) tetikleyip tetiklemediği
- Eylem Dürtüsü — Net bir eylem çağrısı (CTA) olup olmadığı
- Hafıza Gücü — Kullanıcının izledikten sonra içeriğinizi hatırlayıp hatırlayamayacağı
Her boyut 0-100 puan arasındadır. 70+ mükemmel, 50-70 optimizasyon gerektirir, 50 altı ciddi sorunlar olduğunu gösterir.
Isı Haritası Teşhisi ile Başlayın
Teşhis Raporuna Göre İçerik Nasıl Optimize Edilir?
FlowDx teşhis raporunu aldıktan sonra sorunları şu öncelik sırasına göre ele alın:
Öncelik 1: "Yanlış Hizalanmış" Sorunları Giderin (Kırmızı Teşhis Öğeleri)
Eğer dikkat yanlış yerlere (arka plan öğeleri, alakasız detaylar) odaklanmışsa bu en ciddi sorundur. Çözüm genellikle şudur: Dikkat dağıtan öğelerin görsel ağırlığını azaltın (bulanıklaştırın, doygunluğu düşürün) ve aynı zamanda ana mesajın belirginliğini artırın (büyütün, kontrast ekleyin, çerçeve ekleyin).
Öncelik 2: Net bir Görsel Yol Oluşturun (Turuncu Teşhis Öğeleri)
Isı haritası dikkatin dağınık olduğunu gösteriyorsa, net bir görsel hiyerarşi kurmanız gerekir. Kullanıcının bakışlarını önceden belirlediğiniz yolda yönlendirmek için boyut kontrastı (en önemli öğe en büyük), renk kontrastı (ana mesaj için yüksek doygunluklu renkler) ve mekansal yönlendirme (oklar, çizgiler, karakterin bakış yönü) kullanın.
Öncelik 3: Genel Bilişsel Puanı Yükseltin (Sarı Öneri Öğeleri)
Beş boyutlu puanlamada 60'ın altında kalan boyutlara odaklanılmalıdır. Yaygın geliştirme yöntemleri:
| Düşük Boyut | Olası Neden | Geliştirme Yönü |
|---|---|---|
| Dikkat < 60 | Görsel çok sönük, belirginlik eksik | Kontrastı artırın, yüz ekleyin, yüksek doygunluklu renkler kullanın |
| Görsel Odak < 60 | Çok fazla ve karmaşık öğe | Öğe sayısını azaltın, ana-yan hiyerarşisi kurun |
| Duygusal Etki < 60 | İçerikte duygusal tetikleyici eksik | Duygusal ifadeler kullanın, zıtlık yaratın, hikaye anlatın |
| Eylem Dürtüsü < 60 | CTA veya eylem ipucu eksik | Oklar, butonlar, "Hemen", "Sınırlı Süre" gibi tetikleyici kelimeler ekleyin |
| Hafıza Gücü < 60 | İçerik çok sıradan, benzersizlik eksik | Marka sembolleri oluşturun, benzersiz renk paletleri kullanın, görsel hatırlatıcı noktalar yaratın |
Isı Haritası Analizinin Sınırları
Dikkat ısı haritaları güçlü araçlardır ancak bazı sınırları vardır. Bu sınırları dürüstçe bilmek, aracı daha iyi kullanmanıza yardımcı olur:
- "Ortalama kullanıcıyı" tahmin eder — Isı haritaları grup ortalamasını yansıtır, bireysel kullanıcıların bakış yolları farklılık gösterebilir.
- Doğrudan tıklama oranına eşit değildir — Yüksek dikkat her zaman yüksek tıklamaya dönüşmez. Kullanıcı fark edebilir ama tıklamamayı seçebilir (örneğin içerik yeterince ilginç görünmüyorsa).
- Görüntü kalitesine bağlıdır — Düşük çözünürlüklü veya aşırı sıkıştırılmış görüntüler tahmin doğruluğunu etkileyebilir.
- Kültürel farklılıklar — Farklı kültürel geçmişlere sahip kullanıcıların renklere, yüzlere ve sembollere dikkat dağılımı farklı olabilir.
FlowDx'in beş boyutlu bilişsel puanı, tam da saf ısı haritası analizinin eksikliklerini gidermek için tasarlanmıştır; dikkat, duygu ve hafıza gibi çoklu boyutları dikkate alarak daha kapsamlı bir içerik teşhisi sunar.
Sıkça Sorulan Sorular (SSS)
Isı haritasındaki kırmızı alan her zaman en iyisi midir?
Şart değil. Kırmızı, kullanıcının ilk baktığı yeri gösterir ancak önemli olan kırmızı alanın iletmek istediğiniz en önemli mesajın üzerine düşüp düşmediğidir. Eğer kırmızı alakasız bir arka plandaysa, bu bir sorun olduğunu gösterir. İdeal durum: Kırmızı ana mesajı (ürün, yüz, başlık), mavi ise ikincil alanları kapsamalıdır.
Görsel yolda kaç odak noktası olması iyidir?
Küçük resimler ve kapaklar için 3-5 odak noktası ideal aralıktır. Çok az (1-2) olması içeriğin bilgi açısından yetersiz olduğunu, çok fazla (6+) olması ise dikkatin çok dağınık olduğunu gösterir. İdeal yol: Ana odak → Yardımcı bilgiler → CTA şeklinde net bir anlatı hattı oluşturmalıdır.
Neden benim ısı haritam başkasının aynı görsel için yaptığı analizden farklı?
FlowDx deterministik bir model (DeepGaze IIE) kullanır, bu nedenle aynı görsel için analiz sonuçları tamamen tutarlıdır. Farklı sonuçlar görüyorsanız, bunun nedeni görsel çözünürlüğü, kırpma yöntemi veya dosya sıkıştırma düzeyindeki farklılıklar olabilir. Analiz için orijinal çözünürlükteki görselleri kullanmanız önerilir.
Video ısı haritaları ile statik görsel ısı haritaları arasındaki fark nedir?
Video içeriğinde dikkat dağılımı zamanla değişir. FlowDx videoyu kare kare analiz eder ve her karenin bağımsız bir ısı haritası vardır. Video, statik görsele göre ek bir boyuta sahiptir: Dinamik öğeler (hareket eden nesneler, değişen sahneler) dikkati güçlü bir şekilde çeker. Video analizinde kritik olan, dikkatin en zayıf olduğu kareleri bulmaktır, çünkü bunlar kullanıcının videodan ayrılma olasılığının en yüksek olduğu anlardır.
Isı Haritası Teşhisi ile Başlayın
FlowDx'e içeriğinizi yükleyin; dikkat ısı haritası, görsel yol ve beş boyutlu puanınızı alın. İçeriğinizin kullanıcıların beyninde gerçekte neler yarattığını görün.
Kaynakça
- Linardos, A. et al. (2021). DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling. ICLR 2021.
- Borji, A., & Itti, L. (2013). State-of-the-art in visual attention modeling. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1), 185-207.
- Bylinskii, Z. et al. (2019). What do different evaluation metrics tell us about saliency models? IEEE TPAMI, 41(3), 740-757.