TikTok Algoritması Nasıl Çalışır: Kapsamlı Ana Rehber

TikTok algoritması hakkında Türkçe internette dolaşan bilginin büyük bölümü, birbirinden kopyalanmış eşik değerlerinden ve doğrulanmamış yüzdelerden oluşuyor. "Yüzde 70 tamamlanma oranını geçmezsen viral olamazsın", "algoritma videoyu önce 500 kişiye gösterir", "sinyallerin yüzde 50'si izlenme süresidir" gibi cümleler kaynak gösterilmeden tekrarlanıyor. Bu rehberde o cümlelerin hiçbirini tekrar etmeyeceğiz, çünkü TikTok bunların hiçbirini açıklamadı.

Bunun yerine iki şeye dayanacağız. Birincisi, TikTok'un kendi resmî kaynakları: Newsroom yayınları, "How TikTok recommends videos #ForYou" dokümanı, AB Çevrimiçi Güvenlik sayfasındaki öneri sistemi açıklamaları ve Topluluk Kuralları altındaki For You Feed uygunluk standartları. İkincisi, bu resmî ifadelerden mantıksal olarak çıkarılabilen dağıtım mimarisi. Nerede resmî bilgi bitip yorum başlıyorsa, bunu açıkça söyleyeceğiz.

Bu yazının sonunda şunu bileceksiniz: TikTok bir videoyu neye göre puanlıyor, o puan hangi aşamalarda yeniden hesaplanıyor, hangi etkileşim türü neden diğerinden ağır basıyor, negatif sinyaller dağıtımı nasıl sessizce kesiyor, video süresi ölçümü nasıl değiştiriyor, arama yüzeyi For You'nun yanında neden ikinci bir dağıtım kanalı hâline geldi, Türkiye'nin dil ve coğrafya havuzu ne anlama geliyor ve "hesabım yandı, sıfırdan açayım" refleksi neden yanlış bir teşhise dayanıyor. Ayrıca analitiğinizdeki bir sayıya bakıp hangi aşamada takıldığınızı teşhis edebileceğiniz özgün bir matris vereceğiz.

TikTok algoritması nasıl çalışır: tek cümlelik cevap

TikTok algoritması, her izleyici-video çifti için "bu kişi bu videoyla etkileşime girer mi" sorusunun olasılık tahminlerini üretir, bu tahminleri ağırlıklandırıp tek bir skora çevirir ve en yüksek skorlu videoları For You akışına dizer. Sistem videoyu değil, videonun o kişideki tahmini davranış sonucunu sıralar.

TikTok Newsroom'un "How TikTok recommends videos #ForYou" yayınında sistem üç faktör ailesiyle tarif ediliyor: kullanıcı etkileşimleri (beğendiğiniz veya paylaştığınız videolar, takip ettiğiniz hesaplar, yazdığınız yorumlar, ürettiğiniz içerik), video bilgisi (altyazılar, sesler, hashtagler) ve cihaz ile hesap ayarları (dil tercihi, ülke ayarı, cihaz tipi).

Kritik nokta bu üç ailenin eşit olmaması. TikTok aynı dokümanda şunu net biçimde söylüyor: bir kullanıcının uzun bir videoyu baştan sona bitirmesi gibi güçlü bir ilgi göstergesi, videonun izleyicisi ile üreticisinin aynı ülkede olması gibi zayıf bir göstergeden daha fazla ağırlık alır. Yani TikTok, kendi sinyal hiyerarşisinin varlığını resmen doğruluyor; sadece tam ağırlıkları yayınlamıyor.

Sistemin optimize ettiği şey görüntülenme değil

Algoritmanın amacı videonuzun izlenmesi değil, kullanıcının uygulamada kalması ve geri dönmesi. New York Times'ın 2021'de eriştiği ve TikTok sözcüsünün gerçekliğini doğruladığı "TikTok Algo 101" başlıklı şirket içi eğitim belgesi, sistemin iki metriği optimize ettiğini aktarıyordu: retention, yani kullanıcının geri gelmesi, ve time spent, yani uygulamada geçirilen süre.

Aynı belgede aktarılan puanlama denklemi şu yapıdaydı: beğenme olasılığı çarpı beğeninin değeri, artı yorum olasılığı çarpı yorumun değeri, artı tahmini izlenme süresi çarpı izlenme süresinin değeri, artı oynatma olasılığı çarpı oynatmanın değeri. Bu formülün bugünkü üretim sisteminde birebir aynı kaldığını varsaymak yanlış olur; belge 2021 tarihli ve öneri sistemleri sürekli yeniden eğitiliyor.

Ancak formülün mimarisi hâlâ açıklayıcı. Skor, tek bir metrikten değil, birden fazla olasılık tahmininin ağırlıklı toplamından geliyor. Bu yüzden "tek bir sayıyı yükselt, viral ol" mantığı yapısal olarak yanlış. Bir videonun tamamlanma oranı yüksek ama paylaşım olasılığı sıfırsa, toplam skoru yine sınırlı kalır.

Bu çerçeve, platformlar arası genel eğilimle de uyumlu. Meta, YouTube ve TikTok'un son iki yıldaki yön değişikliklerini sosyal medya algoritmalarındaki büyük güncellemeleri özetlediğimiz yazıda yan yana koymuştuk: üç platform da yüzeysel etkileşimden uzaklaşıp niyet taşıyan derin sinyallere doğru kaydı.

For You dağıtım mimarisi: kohort testi ve havuz genişleme

TikTok, videonuzu tek seferde büyük kitleye açmaz. Videonuz önce küçük bir izleyici kümesine sunulur, bu kümedeki davranış ölçülür ve sonuç yeterince iyiyse daha büyük bir kümeye taşınır. Bu kademeli genişleme, TikTok'un resmî dokümanlarında adım adım anlatılmaz; ancak sistemin olasılık tahminine dayandığı ve takipçi sayısının doğrudan faktör olmadığı resmî beyanlarından mantıksal olarak zorunlu bir sonuçtur.

Neden zorunlu? Çünkü sistem bir videonun etkileşim olasılığını tahmin ediyor. Yeni bir videonun etkileşim geçmişi yoktur. Tahmin üretmek için gerçek davranış verisi gerekir. Bu veriyi toplamanın tek yolu, videoyu sınırlı bir kitleye gösterip tepkiyi ölçmektir. Buna öneri sistemleri literatüründe "cold start", yani soğuk başlangıç problemi denir.

İlk kohort nasıl oluşur

İlk kohort rastgele seçilmez. TikTok'un "Why this video" özelliğini duyurduğu Newsroom yayını, sistemin bir videoyu önerme gerekçeleri arasında "bölgenizde yakın zamanda paylaşılan içerik" ve "bölgenizde popüler içerik" maddelerini açıkça sayıyor. Bu iki gerekçe, yeni ve henüz sinyal biriktirmemiş videoların coğrafi yakınlık üzerinden ilk izleyicilerine ulaştığını gösteriyor.

Buna video bilgisi eklenir. Altyazınız, sesiniz ve hashtagleriniz sistemin videoyu hangi ilgi kümesine yerleştireceğine dair ilk ipuçlarıdır. Yani ilk kohort, kabaca şu kesişimden çıkar: sizinle aynı dil ve bölge havuzunda olan, video bilgisinin işaret ettiği konuya daha önce ilgi göstermiş, ve o an akışta aktif olan kullanıcılar.

Takipçileriniz bu kohortun içinde olabilir, ama kohortun tamamı değildir. TikTok'un net beyanı burada belirleyici: takipçi sayısı öneri sisteminde doğrudan bir faktör değil. Takipçi kitlesi size sadece hazır bir izleyici tabanı sağlar, algoritmik bir çarpan sağlamaz.

Genişleme mutlak eşikle değil, göreli rekabetle olur

Burada sektörde en çok tekrarlanan hatayı düzeltmek gerekiyor. "Yüzde 70 tamamlanma oranını geçersen genişlersin" tipi sabit eşik iddialarının resmî bir karşılığı yok. Sistem olasılık tahmini yapıyor ve skorları sıralıyor. Sıralama, mutlak bir barajı geçmekle değil, aynı akış slotu için yarışan diğer adaylardan daha yüksek skor almakla ilgili.

Bunun pratik sonucu şu: aynı video, aynı performansla, farklı zamanlarda farklı sonuç verebilir. Çünkü rakip havuz değişir. Yoğun bir gündem gününde, aynı tamamlanma oranı sizi genişleme havuzuna taşımayabilir; sakin bir günde taşıyabilir.

Takiplus olarak gözlemlediğimiz hesaplarda, ilk saatlerdeki dağıtımın kademeli sıçramalar hâlinde ilerlediğini görüyoruz. İzlenme eğrisi düz bir çizgi değil, basamaklı bir yapı çiziyor. Her basamak yeni bir havuza geçişe karşılık geliyor ve her basamakta ölçüm yeniden yapılıyor. Bu, sabit bir eşikten çok, tekrarlanan bir eleme turuna benziyor.

Beş aşamalı dağıtım hattı

Aşağıdaki beş aşamalı model Takiplus'un kendi çerçevesidir; TikTok'un resmî terminolojisi değildir. Analitiğinizdeki bir sorunun hangi aşamada doğduğunu ayırt etmek için kullanıyoruz.

1. K0 - Uygunluk: Video For You akışına aday mı? Topluluk Kuralları ve For You Feed uygunluk standartları burada devreye girer. Bu kapıdan geçemeyen video, ne kadar iyi olursa olsun kohort testine bile girmez.
2. K1 - İlk kohort testi: Sınırlı, coğrafya ve ilgi kesişimiyle seçilmiş bir izleyici kümesinde davranış ölçümü. Bu aşamada mutlak sayılar küçüktür, oranlar belirleyicidir.
3. K2 - Genişleme: Skor rakiplerini geçtiyse video daha geniş ve daha heterojen havuzlara taşınır. Kitle çeşitlendikçe oranların düşmesi normaldir.
4. K3 - Doygunluk: İlgili havuz tükenir, sistem videoyu daha uzak ilgi kümelerine sunmayı dener, oranlar düşer, dağıtım yavaşlar.
5. K4 - Uzun kuyruk: Video For You'dan düşer ama arama, hashtag, ses sayfası ve profil üzerinden izlenme almaya devam eder. Bu aşama haftalar hatta aylar sürebilir.

Bu ayrım önemli, çünkü K1'de takılan bir videonun sorunu ile K2'de duran bir videonun sorunu aynı değildir ve aynı müdahaleyi gerektirmez. Yazının ilerleyen bölümündeki teşhis matrisi tam olarak bu ayrımı yapmak için var.

Sinyal hiyerarşisi: hangi etkileşim neden ağır basar

TikTok tüm etkileşimleri eşit saymaz. Resmî ifadeyle, güçlü ilgi göstergeleri zayıf göstergelerden daha fazla ağırlık alır. TikTok tam ağırlık tablosunu yayınlamadığı için, buradaki sıralamayı platformun kendi "güçlü/zayıf gösterge" mantığından ve sinyalin izleyiciye maliyetinden türetiyoruz.

Sinyal Maliyeti Merdiveni

Takiplus'un kullandığı çerçeve şu: bir sinyalin haber değeri, o sinyali üretmenin izleyiciye maliyetiyle orantılıdır. Ucuz sinyal az bilgi taşır, pahalı sinyal çok bilgi taşır. Bu, TikTok'un "güçlü gösterge daha fazla ağırlık alır" beyanının altındaki ekonomiyi açıklar.

Beğeni bir parmak hareketidir, maliyeti neredeyse sıfırdır. Kaydetme, kullanıcının "buna sonra döneceğim" kararını gerektirir, bilişsel maliyeti vardır. Paylaşım en pahalısıdır, çünkü kullanıcı kendi sosyal itibarını riske atar; kötü bir videoyu arkadaşına göndermez. Takip ise süreli bir taahhüttür, gelecekteki akışını değiştirmeyi kabul eder.

Tamamlama ve yeniden izleme bu merdivenin dışında ayrı durur, çünkü bunlar beyan edilen değil, gözlenen davranışlardır. Kullanıcı beğenmeyi unutabilir ama videoyu bitirmişse zamanını gerçekten harcamıştır. Zaman yalan söylemez ve TikTok'un optimize ettiği metrik zaten "time spent".

Sinyal	İzleyiciye maliyeti	Taşıdığı bilgi	TikTok statüsü
Tamamlama (bitirme)	Zaman	Gerçek ilgi, beyan değil gözlem	Resmen "güçlü gösterge" olarak anılıyor
Yeniden izleme (rewatch)	Zaman, ikinci kez	Yoğunluk, kaçırılan detay, tekrar değeri	Süreye katkısı doğrudan
Paylaşım	Sosyal itibar riski	Başkasına anlatmaya değer bulma	Etkileşim ailesinde, TikTok'un saydığı ilk örneklerden
Kaydetme	Bilişsel karar	Fayda, sonra dönme niyeti	Etkileşim ailesinde
Yorum	Yazma eforu	Duygusal veya bilişsel tepki	Resmî faktör listesinde açıkça yer alıyor
Takip	Süreli taahhüt	Hesap düzeyinde güven	Resmî faktör listesinde açıkça yer alıyor
Beğeni	Tek dokunuş	Yüzeysel onay	Resmî faktör listesinde, ancak zayıf gösterge sınıfında
Aynı ülkede olmak	Yok	Neredeyse hiç	Resmen "zayıf gösterge" örneği olarak veriliyor

Tablodaki son satır özellikle öğretici. TikTok, kendi dokümanında zayıf sinyal örneği olarak tam da coğrafi eşleşmeyi seçmiş. Yani "Türkiye'de olmam beni Türk izleyiciye taşır" beklentisi, platformun kendi ifadesiyle en zayıf katmanda duruyor. Coğrafya bir başlangıç filtresidir, bir itki değil.

Bu sinyallerin hesap büyümesine nasıl döndüğünü, hangi sinyalin takipçi kazanımıyla doğrudan ilişkilendiğini takipçi büyümesini tetikleyen altı etkileşim sinyalini incelediğimiz yazıda ayrı ayrı ele almıştık.

Yeniden izleme neden ayrı bir kategori

Yeniden izleme, tamamlanmanın daha güçlü bir versiyonu değil, farklı bir sinyaldir. Tamamlanma "bu videoyu bitirdim" der; yeniden izleme "bitirdim ve yetmedi" der. İkincisi, olasılık tahmini açısından çok daha nadir ve çok daha ayırt edici bir olaydır.

TikTok'un yeniden izlemeyi ayrı bir ağırlıkla ele aldığını resmî olarak açıklamadığını belirtmek gerekiyor. Ancak platformun optimize ettiği metrik "time spent" olduğu için, yeniden izlemenin katkısı matematiksel olarak zorunlu: aynı izleyici aynı videoda iki kat süre harcamış olur ve bu süre doğrudan sisteme yazılır.

Buradaki pratik sonuç, kurgu tarafında somut. Sonu başına bağlanan, ilk izlemede kaçırılan bir detay içeren veya son karesi ilk karesiyle anlam kazanan videolar, izleyiciyi ikinci tura sokar. Bu, süre kazanmanın videoyu uzatmadan mümkün olan tek yoludur.

Takiplus olarak gözlemlediğimiz hesaplarda, yüzde 100'ün üzerinde tamamlanma oranı raporlayan videoların dağıtımda belirgin biçimde daha uzun süre kaldığını görüyoruz. Yüzde 100'ü aşan oran, tanımı gereği yeniden izlemenin varlığını gösterir ve bu eşiği geçen videolar K2 genişlemesinde nadiren takılıyor.

Yorumun iki yüzü

Yorum, sinyal hiyerarşisinde yanıltıcı bir yerde durur. Hem güçlü bir etkileşimdir hem de her zaman olumlu değildir. Bir videonun altındaki yüzlerce "bu ne saçmalık" yorumu da yorum sayısını yükseltir.

Sistem yorum sayısını değil, yorumun tetiklediği davranış zincirini görür. Yorum yazan kullanıcı videoyu genelde tekrar izler, yorum bölümünde vakit geçirir, başka yorumlara yanıt verir. Bu, "time spent" metriğine doğrudan katkıdır. Yorumun gücü içeriğinden değil, ürettiği süreden gelir.

Bu yüzden yorum kışkırtan içerik kısa vadede işe yarar. Ancak izleyicinin videoyu bitirmeden yoruma atlaması, tamamlanma oranını düşürür. İki sinyal birbirini yer. Sağlıklı olan, videoyu bitirdikten sonra yorum yazdıran kurgudur.

Negatif sinyaller: dağıtımı sessizce kesen davranışlar

Negatif sinyaller ceza değil, veri. TikTok'un AB Çevrimiçi Güvenlik sayfasında anlattığı üzere, kullanıcı bir videoyu "İlgilenmiyorum" olarak işaretlediğinde sistem benzer içerik önerilerini azaltır. Yani negatif sinyal, bir sonraki tahminin girdisidir.

En sık göz ardı edilen negatif sinyal ise düğmesi olmayanıdır: atlama. Kullanıcı videoyu ilk saniyelerde geçtiğinde hiçbir buton basılmaz, hiçbir bildirim gitmez, ama sistem "bu izleyici bu videoyu istemedi" verisini alır. Atlama, en yüksek hacimli negatif sinyaldir çünkü üretmesi hiçbir efor gerektirmez.

• Erken atlama: İzleyici videoyu açılışta geçer. En yaygın ve en belirleyici negatif sinyal. Doğrudan tamamlanma oranını çökertir.
• İlgilenmiyorum: Kullanıcı açıkça beyan eder. TikTok'un ifadesiyle benzer içeriğin önerilmesini azaltır. Hem videoya hem konu kümesine yansır.
• Ses veya hesap gizleme: TikTok kullanıcılara belirli bir sesi veya üreticiyi atlama seçeneği sunuyor. Bu, video düzeyinden hesap düzeyine çıkan bir reddir.
• Anahtar kelime filtresi: TikTok'un sunduğu kelime ve hashtag filtresi, kullanıcının akışından belirli terimleri kalıcı olarak çıkarır. Sizi o kullanıcı havuzundan tamamen siler.
• Bildirme: En ağır sinyal. İnceleme sürecini tetikler ve TikTok'un beyanına göre inceleme altındaki videolar For You akışından filtrelenir.

Bu listedeki hiçbir sinyal "hesabınıza puan kırmaz". Sistem hesabınızı cezalandırmaz, o izleyici kümesi için tahmin skorunuzu düşürür. Fark önemli: cezalandırma kalıcıdır, düşük tahmin skoru ise bir sonraki videoda sıfırdan hesaplanır.

Açılışta izleyiciyi kaybettiren tekrar eden kurgu hatalarını, kanibalizasyona girmemek adına burada tekrar listelemiyoruz; bunları izlenmeyi düşüren sekiz açılış hatasını incelediğimiz yazıda tek tek ele aldık. Buradaki mesele şu: erken atlama bir üretim hatası değil, bir dağıtım kesicisidir. K1 aşamasında oluşur ve videonun geri kalanı ne kadar iyi olursa olsun telafi edilemez.

Video süresine göre değişen ölçüm

Aynı tamamlanma oranı, farklı sürelerde farklı şey ifade eder. TikTok'un resmî dokümanında güçlü sinyal örneği verilirken özellikle "uzun bir videoyu baştan sona bitirmek" ifadesi kullanılıyor. Bu, sürenin ölçüme dâhil olduğunun doğrudan kanıtı.

Mantık basit: 8 saniyelik bir videoyu bitirmek 8 saniye harcamaktır. 3 dakikalık bir videoyu bitirmek 180 saniye harcamaktır. İkisi de yüzde 100 tamamlanma gösterir ama sistemin optimize ettiği "time spent" metriğine katkıları yirmi kat farklıdır.

Bunun tersi de doğru. Kısa videolarda yüksek tamamlanma oranı ucuzdur ve bu yüzden daha az ayırt edicidir. Herkesin 7 saniyelik videosu yüzde 90 tamamlanma alıyorsa, yüzde 90 artık bir üstünlük değil, taban çizgisidir.

Video süresi	Tamamlanma oranının anlamı	Baskın sinyal	Asıl risk
0-10 saniye	Ayırt edici değil, taban çizgisi	Yeniden izleme ve paylaşım	Yüksek oran yanılsaması, mutlak süre çok düşük
10-30 saniye	Orta düzeyde ayırt edici	Tamamlanma ve kaydetme	Ortada anlatı çöküşü
30-60 saniye	Güçlü ayırt edici	Tamamlanma ve ortalama izlenme süresi	Değer vaadinin geç gelmesi
60-180 saniye	Çok güçlü, düşük oran bile yüksek süre üretebilir	Mutlak izlenme süresi	Sürenin içeriği taşımaması
180 saniye üstü	Oran ikincil, toplam süre birincil	Mutlak izlenme süresi ve geri dönüş	K1 kohortunda erken eleme

Uzun videoların ölçüm mantığı, kısa formatın mantığından yapısal olarak ayrılır ve ayrı bir üretim disiplini ister. Bu farkı burada derinleştirmiyoruz; uzun video algoritmasının kısa içeriklerden farkını anlattığımız yazı konuyu tek başına ele alıyor.

Pratik çıkarım şu: süreyi içerik belirlemeli, hedef metrik değil. Videoyu tamamlanma oranını korumak için kısaltmak, aslında ölçülen toplam süreyi düşürür. Takiplus olarak gözlemlediğimiz hesaplarda, süre kısaltıldığında tamamlanma oranının yükselip toplam izlenme süresinin düştüğü durumlar sık görülüyor. Panelde iyi görünen sayı, sistemde daha kötü bir skor üretebiliyor.

Ses ve trend sinyali: ne yapar, ne yapmaz

Ses, TikTok'un resmî faktör listesinde "video bilgisi" ailesinin içinde yer alır ve bir sınıflandırma sinyalidir, bir yükseltme sinyali değil. Trend bir sesi kullanmak videonuzu otomatik olarak daha fazla kişiye göstermez; videonuzun hangi ilgi kümesine ait olduğunu sisteme daha hızlı anlatır.

Bu ayrımı kaçırmak yaygın bir hataya yol açıyor. Trend sese uymayan bir içeriği trend sesle yayımladığınızda, sistem videonuzu o sesin ilgi kümesine yerleştirir, ama o kümedeki izleyici beklediği şeyi bulamaz ve atlar. Yanlış kohorta girmek, küçük kohorta girmekten daha kötüdür çünkü negatif sinyali kaçınılmaz kılar.

TikTok'un ses konusunda açıkladığı bir sınır daha var ve bu sınır çoğu stratejiyi doğrudan etkiliyor. Newsroom'daki öneri çeşitliliği yayınında platform, sistemlerinin arka arkaya aynı üreticinin veya aynı sesin iki videosunu önermeyeceğini belirtiyor.

Bunun sonucu şu: bir sesin popülerliği arttıkça, o ses üzerinden alacağınız dağıtım payı azalır. Çeşitlendirme kuralı, aynı sesin akışta tekrar etmesini engeller ve bu da doygun sesler için rekabeti sertleştirir. Trende geç kalmak sadece "eski" olmak değil, yapısal olarak daha dar bir slot için yarışmaktır.

Çeşitlendirme kuralının stratejik anlamı

TikTok'un çeşitlendirme politikası sadece ses için değil, hesap için de geçerli. Aynı üreticinin arka arkaya iki videosunun önerilmemesi, günde beş video yayımlayan bir hesabın aynı izleyiciye beş kez ulaşamayacağı anlamına gelir.

Platform bu konuda net bir amaç beyan ediyor: her kişinin For You akışında içerik, üretici ve konu genişliği olması. TikTok ayrıca aşırı diyet, aşırı fitness, üzüntü veya ayrılık gibi kümelerde art arda benzer içerik önermemek için testler yürüttüğünü açıklamıştı.

Yayın sıklığını artırmanın getirisi bu yüzden doğrusal değil. Takiplus olarak gözlemlediğimiz hesaplarda, günlük yayın sayısını artırmak toplam izlenmeyi belirli bir noktaya kadar yükseltiyor, sonra video başına ortalama performans gerilemeye başlıyor. Aynı izleyici havuzu için kendi videolarınızla yarışmaya başlıyorsunuz.

Hashtag ve altyazının gerçek işlevi

Hashtag bir yükseltme aracı değil, bir sınıflandırma aracıdır. TikTok'un resmî faktör listesinde hashtagler, altyazılar ve seslerle birlikte "video bilgisi" ailesinde yer alır; yani sistemin videonuzun ne hakkında olduğunu anlamasına yarayan girdilerdir, dağıtım hacmini belirleyen çarpanlar değil.

Bu ayrım, Türkçe içerik dünyasındaki en pahalı alışkanlığı geçersiz kılıyor: yüksek hacimli genel etiketleri arka arkaya dizmek. Popüler bir etiket eklemek videonuzu o etiketin izleyicisine taşımaz; sistemin videonuzu o konu kümesine yerleştirmesine neden olur. Yerleştiği küme içerikle uyuşmuyorsa, sonuç yanlış kohorttur ve yanlış kohort doğrudan negatif sinyale dönüşür.

Yani genel etiketler dağıtımı artırmaz, hedeflemeyi bulanıklaştırır. Sistem videonuzu neye benzeteceğini bilemediğinde, K1 kohortunu daha geniş ve daha isabetsiz kurar. Geniş kohort iyi bir şey değildir; içinde sizi isteyen izleyici oranı düşük olan bir kohorttur.

Altyazı ise iki işi birden yapar. Hem sınıflandırma girdisidir hem de arama tarafında indekslenen metindir. Bu, altyazıyı video bilgisi ailesinin en yüksek getirili alanı yapar: aynı cümle hem K1 kohort isabetini artırır hem de K4 kuyruğunu açar.

Takiplus olarak gözlemlediğimiz hesaplarda, etiket sayısını azaltıp altyazıyı konuya özgü ve açıklayıcı hâle getiren hesaplarda K1 elemesinin gerilediğini görüyoruz. Değişen şey dağıtım hacmi değil, kohortun isabeti oluyor.

İzleyici kontrolleri ve üreticiye yansıması

TikTok, izleyiciye kendi akışını şekillendirmesi için doğrudan araçlar veriyor ve bu araçların her biri üretici tarafında bir dağıtım sonucu üretiyor. AB Çevrimiçi Güvenlik sayfasında platform bu araç setini açıkça sıralıyor: "İlgilenmiyorum" işaretlemesi, kelime ve hashtag filtreleri, "Bu video neden" aracı ve akış yenileme.

Bu araçların varlığı tek bir şeyi kanıtlıyor: dağıtım tek taraflı değil. Sistem sizin sinyalinizi ölçerken, izleyici de sistemin size verdiği erişimi geri alabiliyor. Kelime filtresi kullanan bir izleyici, sizi o terim üzerinden kalıcı olarak akışından çıkarıyor ve bu karar sizin video kalitenizden bağımsız.

Aynı sayfada TikTok, kişiselleştirilmemiş alternatifleri de sayıyor: Takip Edilenler akışı, LIVE akışı ve Arkadaşlar sekmesi. Bu, For You'nun TikTok'taki tek tüketim yüzeyi olmadığı anlamına geliyor ve üretici için stratejik bir sonuç doğuruyor.

Takip Edilenler akışı algoritmik sıralamaya değil, takip ilişkisine dayanır. Yani takipçi sayısı öneri sisteminde doğrudan bir faktör olmasa bile, takipçi kitlesi size For You'dan bağımsız ikinci bir dağıtım yüzeyi verir. Takipçinin değeri algoritmik değil, yapısaldır.

"Bu video neden" aracı ise üreticiler için ücretsiz bir teşhis kaynağı. TikTok'un duyurduğu dört gerekçe kategorisi (kullanıcı etkileşimleri, takip edilen veya önerilen hesaplar, bölgede yakın zamanda paylaşılan içerik, bölgede popüler içerik) rakip videolarda incelendiğinde, o videonun hangi kanaldan dağıtıldığını gösterir. Rakibinizin videosu "bölgede popüler içerik" gerekçesiyle karşınıza çıkıyorsa, o video K2 genişlemesinde demektir.

Arama yüzeyi: For You artık tek kapı değil

TikTok'ta dağıtım artık iki kanaldan geliyor: öneri akışı ve arama. TikTok'un kendi Newsroom yayınında aramanın konumu açıkça tarif ediliyor: arama TikTok'ta keşfi güçlendiriyor, insanların tariflerden nasıl yapılır içeriklerine kadar merak ettikleri konulara dalmasını sağlıyor.

Bu, algoritma açısından iki yönlü bir değişiklik. Birincisi, arama bir dağıtım yüzeyi. İkincisi, arama aynı zamanda bir sinyal. TikTok'un "Why this video" duyurusunda, bir videonun önerilme gerekçeleri arasında kullanıcının yaptığı aramalar da sayılıyor. Yani kullanıcının arama geçmişi, For You akışını besliyor.

TikTok bu yönelimi ürünle de kurumsallaştırdı. Creator Search Insights aracını tanıtan Newsroom yayınında platform, üreticilere insanların TikTok'ta ne aradığını gösteren bir araç sunduğunu açıklıyor ve içinde özellikle bir "içerik boşluğu" işlevi bulunduğunu belirtiyor: sık aranan ama çok sayıda videoda işlenmemiş konular.

Aynı duyuruda ekonomik bir bağ da kuruluyor. TikTok, aranan konularla ilgili içerik üretmenin, Creator Rewards Programı kapsamında içeriğin arama değerini artıracağını söylüyor. Platform arama uyumunu doğrudan ödüllendirdiğini beyan ediyor.

Arama neden K4 aşamasının motoru

For You dağıtımı gün ve haftalarla ölçülür, arama dağıtımı aylarla. Bir video For You havuzunda doygunluğa ulaşıp düştükten sonra bile, doğru sorguyla eşleşiyorsa izlenme almaya devam eder. Bu, beş aşamalı modeldeki K4 aşamasıdır ve çoğu hesabın hiç ölçmediği kanaldır.

Arama sıralamasının kendi sinyal seti For You'nunkinden ayrışıyor ve ayrı bir optimizasyon disiplini gerektiriyor. Bu rehberde konuyu özetle bırakıyoruz; arama sıralama sinyallerini ve yaratıcılara yansımalarını incelediğimiz yazı sinyal sinyal ilerliyor. Aramanın Z kuşağı davranışındaki yerini ve bunun içerik planına etkisini ise TikTok SEO rehberimizde ele aldık.

Pratik sonuç: altyazı ve ekran üstü metin artık sadece bağlam değil, indeks. Sözlü olarak söylediğiniz ama hiçbir yerde yazmadığınız terim, arama tarafında eksik kalır.

Coğrafi ve dil havuzu: Türkiye özelinde ne değişiyor

Türkiye, TikTok için hacim olarak büyük ama sinyal olarak zayıf bir havuz. DataReportal'ın Digital 2026: Turkey raporuna göre TikTok'un Türkiye'de 18 yaş üstü 44,9 milyon kullanıcıya reklam erişimi bulunuyor; bu, 18 yaş üstü nüfusun yüzde 68,6'sına ve tüm yaş gruplarındaki internet kullanıcı tabanının yüzde 57,9'una karşılık geliyor.

Aynı rapor, 2024 sonu ile 2025 sonları arasında bu erişimin 5,80 milyon kişi, yani yüzde 14,8 arttığını gösteriyor. Türkiye'de internet kullanıcısı sayısı 77,5 milyon (nüfusun yüzde 88,3'ü) ve sosyal medya kullanıcı kimliği sayısı 62,3 milyon (nüfusun yüzde 70,9'u) olarak raporlanıyor. Rapordaki kullanıcı verileri Ekim 2025 referanslı ve DataReportal, TikTok'un reklam araçlarının yalnızca 18 yaş üstünü gösterdiğini not ediyor.

Cinsiyet dağılımı da stratejik olarak anlamlı: rapora göre TikTok'un Türkiye'deki 18 yaş üstü reklam erişiminin yüzde 59,4'ü erkek, yüzde 40,6'sı kadın. Bu, kohort oluşumunda karşınıza çıkacak izleyici profilini doğrudan etkiliyor.

Havuz büyüklüğü neden avantaj değil

Sezgi şunu söyler: havuz büyükse dağıtım kolaydır. Gerçek tersidir. Havuz büyüdükçe aynı slot için yarışan aday sayısı da büyür. 44,9 milyonluk bir erişim, 44,9 milyon potansiyel izleyici değil, aynı zamanda çok daha kalabalık bir üretici rekabeti demektir.

Dil havuzu ayrıca bir tavan koyar. Türkçe içerik, dil ayarı Türkçe olan kullanıcılar dışına doğal olarak taşmakta zorlanır. Bu, İngilizce üreten bir hesabın sahip olduğu küresel genişleme opsiyonunun Türkçe hesapta bulunmaması anlamına gelir. K2 ve K3 aşamalarında havuz daha erken doygunluğa ulaşır.

Ancak burada telafi edici bir gerçek var. TikTok'un kendi ifadesiyle coğrafi eşleşme zayıf bir sinyal. Yani coğrafya sizi otomatik olarak Türk izleyiciye taşımaz, sadece başlangıç kohortunun bileşimini etkiler. Videonuz sinyal üretmezse, Türkiye'de olmanız hiçbir şey kazandırmaz.

Takiplus olarak gözlemlediğimiz Türkçe hesaplarda, coğrafi havuzun doygunluğa İngilizce hesaplardan belirgin biçimde daha erken ulaştığını görüyoruz. Bu, Türkçe içerik için K4 aşamasının, yani arama kanalının, orantısal olarak daha değerli olduğu anlamına geliyor. For You havuzu daha hızlı tükendiği için, uzun kuyruk daha büyük bir pay taşıyor.

Yeni hesap davranışı ve "sıfırlanan hesap" miti

Yeni hesabın algoritmik bir dezavantajı yoktur. TikTok bu konuda açık bir beyanda bulunuyor: ne takipçi sayısı ne de hesabın daha önce yüksek performanslı videolarının olması, öneri sisteminde doğrudan bir faktör. Yani "hesabım eski, o yüzden ölü" veya "hesabım yeni, o yüzden şansım yok" cümlelerinin ikisi de platformun kendi ifadesiyle çelişiyor.

Bu beyan, sektörün en pahalı refleksini de geçersiz kılıyor: hesabı silip yeniden açmak. Eğer geçmiş performans doğrudan bir faktör değilse, geçmişi silmek de bir kazanç sağlamaz. Sildiğiniz şey algoritmik bir yük değil, kendi izleyici tabanınız ve K4 kuyruğunuzdur.

"Sıfırlama" gerçekte kimin tarafında

Kafa karışıklığının kaynağı, TikTok'ta gerçekten var olan bir sıfırlama özelliği. Ancak bu özellik üretici tarafında değil, izleyici tarafında. TikTok, For You akışını yenileme özelliğini duyurduğu Newsroom yayınında, önerileri artık alakalı gelmeyen kullanıcıların akışlarını yenileyebileceğini açıklıyor.

Yayındaki tarif net: yenileme sonrası kişi For You akışındaki içeriği "TikTok'a yeni kaydolmuş gibi" görür ve sistem yeni etkileşimlere göre içerik sunmaya başlar. Bu, izleyicinin kendi ilgi profilini sıfırlaması. Sizin hesabınızın dağıtımıyla hiçbir ilgisi yok.

Aynı yayında TikTok, öneri sistemlerinin doğasına dair önemli bir itirafta da bulunuyor: herhangi bir öneri sisteminin doğal zorluklarından biri, izleyiciye sunulan içerik genişliğinin fazla dar veya fazla tekrarlı olmamasını sağlamak. Bu cümle, çeşitlendirme kurallarının neden bu kadar agresif olduğunu açıklıyor.

Yeni hesapta gerçekte ne oluyor

Yeni hesapta olan şey ceza değil, veri yokluğu. Sistemin sizin içeriğinizin hangi ilgi kümesine oturduğuna dair geçmişi yoktur, bu yüzden ilk kohortları video bilgisi ve coğrafya üzerinden kurar. Bu kohortlar daha genel, dolayısıyla daha az isabetlidir.

Sonuç, tecrübeli üreticilerin "yeni hesap baskılanıyor" diye yorumladığı şeydir: ilk videolarda oranlar düşük çıkar, çünkü kitle hedeflenmemiş genel bir kitledir. Bu bir baskılama değil, bir belirsizlik maliyetidir ve içerik tutarlı sinyal ürettikçe kendiliğinden azalır.

TikTok yeni kullanıcı tarafında da benzer bir mantık işletiyor. Newsroom'a göre yeni kullanıcılar ilgi kategorileri seçiyor; seçmeyenler ise popüler videolardan oluşan genelleştirilmiş bir akış alıyor ve akış erken etkileşim sinyalleriyle şekilleniyor. Aynı belirsizlik problemi, aynı çözüm.

For You uygunluk standartları: dağıtımın görünmez tavanı

Bir videonun For You akışına hiç girmemesi mümkündür ve bu sinyal performansıyla ilgili değildir. TikTok'un Topluluk Kuralları altındaki For You Feed uygunluk standartları, geniş bir izleyici kitlesi için uygun olmayabilecek belirli içerikleri For You akışına uygun olmaktan çıkarıyor.

Platform bu politikanın gerekçesini şöyle kuruyor: For You akışı gençlerden büyük ebeveynlere kadar geniş bir yelpazeye hitap ediyor ve sistemlerin olumsuz deneyime yol açabilecek içerikleri tekrar tekrar önermesini engellemek istiyorlar. Örnek olarak aşırı fitness veya diyet, cinsel çağrışım, üzüntü ve aşırı genelleştirilmiş ruh sağlığı tavsiyesi gibi kategoriler veriliyor.

TikTok ayrıca özgün olmayan veya çoğaltılmış içeriğin öneri ve arama görünürlüğünü kısıtladığını, bunun For You Feed uygunluk standartları kapsamında olduğunu bildiriyor. Bu, yeniden yüklenmiş, filigranlı veya birebir kopyalanmış içeriğin neden hiç dağıtım almadığını açıklıyor.

Kritik bilgi şu: uygunluk dışı kalmak hesabınızı kapatmaz. TikTok, For You'ya girmeyen bir videonun hâlâ arama üzerinden veya üreticinin profiline gidilerek bulunabileceğini belirtiyor. Ayrıca üreticilerin analitiklerinde videolarının öneriye uygun olmaktan çıkarılıp çıkarılmadığını görebileceğini söylüyor.

Yani teşhis için tahmin yürütmeye gerek yok. K0 aşamasında elenmiş bir videoyu analitikten doğrulayabilirsiniz. Bu kontrolü yapmadan içeriği "algoritma beni sevmedi" diye yorumlamak, çözülebilir bir sorunu çözülemez sanmaktır.

TikTok'un ayrıca spam olarak işaretlenen ve inceleme altındaki videoları For You akışından filtrelediğini, tekrarlanan ve daha önce izlenmiş içeriği de eleme kapsamına aldığını hatırlatmakta fayda var. Bu filtreler skorlamadan önce çalışır; puanınız ne olursa olsun bu kapıdan geçemezsiniz.

Takiplus Dağıtım Teşhis Matrisi

Analitikteki bir sayı tek başına anlam taşımaz; hangi aşamada oluştuğu anlam taşır. Aşağıdaki matris, gözlemlenebilir bir belirtiyi beş aşamalı modeldeki bir aşamaya bağlar ve o aşamaya özgü müdahaleyi verir. Bu matris Takiplus'un kendi çerçevesidir, TikTok'un resmî sınıflandırması değildir.

Gözlenen belirti	Takıldığı aşama	Olası neden	Doğru müdahale
İzlenme birkaç yüzde sabitlendi, oranlar da düşük	K0	Uygunluk standartları dışı, özgün olmayan içerik veya inceleme	Analitikten öneri uygunluğunu doğrula, içeriği değil statüyü çöz
İzlenme düşük ama tamamlanma oranı yüksek	K1	Yanlış kohort, konu-ses uyumsuzluğu	Altyazı ve sesi içerikle hizala, doğru ilgi kümesini işaretle
İzlenme düşük ve tamamlanma da düşük	K1	Erken atlama, açılış izleyiciyi tutmuyor	İlk saniyeleri yeniden kur, vaadi öne al
İlk saatlerde sıçradı sonra durdu	K2	Geniş havuzda oranlar rakip eşiğinin altında kaldı	Paylaşım ve kaydetme üreten bir sonuç bölümü ekle
Yüksek izlenme, düşük takipçi dönüşümü	K2	Video hesap düzeyinde güven üretmiyor	Seri kimliği ve tekrar gelme nedeni kur
İzlenme yükselirken oranlar kademeli düştü	K3	Doygunluk, sistem uzak ilgi kümelerini deniyor	Müdahale etme, bu normal seyir
Video düştü ama haftalarca izlenme geliyor	K4	Arama eşleşmesi çalışıyor	Aynı sorgu ailesinde içerik derinleştir
Günlük yayın arttı, video başı performans düştü	K2	Çeşitlendirme kuralı, kendi videolarınla rekabet	Sıklığı düşür, video başına kaliteye yatır

Matrisin işlevi, yanlış müdahaleyi engellemek. K3'teki doğal doygunluğu K1 sorunu sanıp açılışı sürekli değiştirmek, çalışan bir formatı bozar. Aynı şekilde, K0'da elenmiş bir videoya daha iyi bir kanca yazmak hiçbir şey değiştirmez.

48 saatlik ölçüm protokolü

Algoritmayı okumak, tek bir videoya bakmakla değil, kontrollü bir ölçümle olur. Aşağıdaki protokol, bir videonun hangi aşamada takıldığını 48 saat içinde teşhis etmek için kullandığımız sıradır.

1. Saat 0-1: Hiçbir şey yapma, hiçbir sonuç çıkarma. K1 kohortu henüz oluşuyor, mutlak sayılar anlamsız.
2. Saat 1-3: Sadece tamamlanma oranına ve ortalama izlenme süresine bak. İzlenme sayısına bakma; bu aşamada izlenme sayısı kohort büyüklüğünün fonksiyonu, kalitenin değil.
3. Saat 3-6: İzlenme eğrisinde basamak var mı kontrol et. Basamak varsa K2'ye geçmişsin demektir. Yoksa K1'de elenmişsindir.
4. Saat 6-24: Paylaşım ve kaydetme sayılarının izlenmeye oranını izle. Bu oran K2 genişlemesinin en iyi öncü göstergesi. Beğeni oranına bakma, ayırt edici değil.
5. Saat 24-48: Oranlar düşerken izlenme yükseliyorsa K3 doygunluğundasın, bu sağlıklı. Hem oranlar hem izlenme düşüyorsa video bitmiş demektir.
6. Gün 7 ve sonrası: İzlenme akışının kaynağını kontrol et. Arama payı artıyorsa K4 çalışıyor, bu videonun içeriğini bir seriye çevir.
7. Her ölçümde: Analitikte öneri uygunluğu uyarısı olup olmadığını doğrula. K0 elemesi tüm diğer ölçümleri geçersiz kılar.

Bu protokolün en önemli maddesi ilki. Takiplus olarak gözlemlediğimiz hesaplarda en sık görülen hata, ilk bir saatteki izlenme sayısına bakıp video silmek. K1 kohortu daha oluşurken alınan bu karar, sistemin ölçüm yapmasına fırsat vermeden çıkarım yapmaya çalışıyor.

Algoritma okumada sık yapılan yorumlama hataları

Algoritma hatalarının çoğu üretim hatası değil, ölçüm okuma hatası. Aşağıdakiler, doğru veriye bakıp yanlış sonuca varmanın en yaygın biçimleri.

• Oranı mutlak sayı sanmak: Yüzde 90 tamamlanma, 300 izlenmede ile 300 bin izlenmede aynı şeyi ifade etmez. Kitle genişledikçe oran düşer; bu başarısızlık değil, genişlemenin kendisidir.
• Beğeniyi sağlık göstergesi saymak: Beğeni, TikTok'un resmî faktör listesinde yer alır ama maliyeti en düşük sinyaldir. Beğeni oranı yüksek, paylaşım oranı sıfır bir video K2'de durur.
• Takipçi sayısını dağıtım gücü sanmak: TikTok net söylüyor, takipçi sayısı doğrudan faktör değil. 100 bin takipçili hesabın kötü videosu, 500 takipçili hesabın iyi videosundan daha az dağıtım alabilir.
• Tek videodan çıkarım yapmak: Skor rakip havuza göre hesaplanır ve rakip havuz gün içinde değişir. Tek videonun sonucu bir gözlem, bir kanıt değil.
• Doygunluğu cezalandırma sanmak: K3'te oranların düşmesi sistemin videoyu daha uzak kümelerde denemesinden kaynaklanır. Bu, dağıtımın devam ettiğinin göstergesi.
• Arama trafiğini saymamak: K4 aşaması aylara yayılır ve çoğu hesap bu kanalı hiç ölçmez. For You düştü diye videoyu ölü saymak, en uzun ömürlü kanalı görmezden gelmektir.

Bu yorumlama hatalarının yanı sıra, format ve dağıtım tarafında tekrar eden yapısal hatalar da var. Bunları burada tekrarlamamak için ayrı tutuyoruz; viral olmayı sabote eden sekiz kritik hatayı ayrı bir yazıda topladık.

Algoritmayla çalışmak: uygulanabilir çerçeve

Algoritma bir muhatap değil, bir ölçüm sistemi. Onunla çalışmanın yolu, ölçtüğü şeyi gerçekten üretmek. Aşağıdaki dört ilke, bu rehberdeki tüm resmî bulguların pratik özeti.

Birinci ilke: doğru kohorta girin. Altyazı, ses ve hashtag seçimleriniz sistemin sizi hangi ilgi kümesine yerleştireceğini belirler. Yanlış kümede yüksek üretim değeri hiçbir işe yaramaz, çünkü orada izleyici sizi istemiyor. Trend sesi içeriğe uydurmak yerine, içeriğe uyan sesi seçmek K1 başarı oranını doğrudan etkiler.

İkinci ilke: pahalı sinyal üretin. Beğeni istemek ucuz sinyal üretir. Videoyu paylaşılmaya değer kılmak veya kaydedilecek somut bir fayda vermek pahalı sinyal üretir. Sinyal Maliyeti Merdiveni'nin üst basamakları K2 genişlemesinin gerçek yakıtı.

Üçüncü ilke: süreyi içeriğe göre seçin, metriğe göre değil. Videoyu tamamlanma oranı için kısaltmak, sistemin optimize ettiği toplam süreyi düşürür. Uzun video, izleyiciyi tutabiliyorsa daha güçlü sinyal üretir.

Dördüncü ilke: iki kanalı birden kurun. For You dağıtımı günlerle, arama dağıtımı aylarla ölçülür. Söylediğiniz her önemli terimi altyazıya ve ekran metnine yazmak, K4 kuyruğunu açan tek adım.

Ölçüm altyapısı olmadan strateji olmaz

Bu çerçevenin işe yaraması için düzenli ve karşılaştırılabilir veri gerekiyor. Videolarınızın hangi aşamada takıldığını görmek, tek tek video analitiğine bakmakla değil, zaman içindeki eğilimi izlemekle mümkün.

Hesabınızın TikTok tarafındaki genel performansını ve hangi içerik tipinin hangi aşamada elendiğini takip etmek için TikTok büyüme araçlarımızı kullanabilirsiniz. Ölçümün kendisi bir strateji değil, ama ölçüm olmadan strateji yalnızca tahmindir.

Yeni açılan veya uzun süredir yayın yapmamış hesaplarda sık karşılaşılan sorun, K1 kohortunun çok küçük kalması ve sistemin ölçüm yapacak veri toplayamaması. Bu tür durumlarda içeriğe erken görünürlük kazandırmak için TikTok izlenme hizmetimiz ve TikTok beğeni hizmetimiz başlangıç ivmesi sağlamak amacıyla kullanılıyor. Bunlar içeriğin yerini tutmaz; zayıf bir video hiçbir başlangıç ivmesiyle K2'ye geçmez, çünkü genişleme kararı gerçek izleyici davranışına bakar.

Sonuç: algoritma bir bilmece değil, bir ölçüm sistemi

TikTok algoritması hakkında bilinmesi gereken en önemli şey, onun ne yaptığı değil, neyi optimize ettiği. Sistem izlenme dağıtmıyor; kullanıcının uygulamada kalma ve geri gelme olasılığını maksimize ediyor. Videonuz bu amaca hizmet ettiği ölçüde dağıtım alıyor.

Bu rehberdeki resmî bulgular üç cümlede özetlenebilir. TikTok, güçlü ilgi göstergelerinin zayıf göstergelerden daha fazla ağırlık aldığını doğruluyor ve güçlü sinyal örneği olarak uzun videoyu bitirmeyi, zayıf sinyal örneği olarak aynı ülkede olmayı veriyor. Takipçi sayısı ve geçmiş video performansı öneri sisteminde doğrudan faktör değil. Çeşitlendirme kuralları aynı üreticinin veya aynı sesin arka arkaya önerilmesini engelliyor.

Bu üç gerçek birlikte okunduğunda ortaya çıkan tablo şu: her video kendi başına yarışıyor, coğrafya size bir şey kazandırmıyor, takipçi sayınız sizi kurtarmıyor ve sıklık artışının bir tavanı var. Kalan tek kaldıraç, izleyicinin gerçek zamanını hak eden içerik.

Bugün yapabileceğiniz üç somut şey var. Birincisi, son on videonuzu Dağıtım Teşhis Matrisi'nden geçirin ve kaçının K0, K1, K2 veya K3'te takıldığını işaretleyin; büyük ihtimalle hepsini aynı sorun sanıyordunuz. İkincisi, bir sonraki videonuzda 48 saatlik ölçüm protokolünü uygulayın ve ilk bir saatte hiçbir karar vermeyin.

Üçüncüsü, arşivinizdeki en iyi performanslı üç videonun altyazısını açın ve videoda söylediğiniz ama yazmadığınız terimleri ekleyin. K4 kuyruğu, çoğu Türkçe hesabın hiç kullanmadığı en ucuz dağıtım kanalı ve Türkiye'nin dil havuzu erken doygunluğa ulaştığı için orantısal olarak en değerli olan da o.