DDDM 101: Verilere dayalı karar mekanizmalarına giriş

DDDM 101: Verilere dayalı karar mekanizmalarına giriş Data-Driven-Decision-Making-101

“Big data, medium data, small data, nano data” derken içimiz dışımız data oldu. “Yahu eve kadar indirin şu sanal zekâlı aletleri de benim yerime bir -şey- karar alsın, yürüsün. Ben de işime bakayım” deme noktasına varmamıza çok az kaldı.

Mevzu karışık gözüküyor. Biliyorum. Başlıktaki DDDM, bizim ofiste “Data Driven Decision Making” yaklaşımı için kullandığımız kısaltma ve bu bile tek başına insanın tüylerini diken diken etmeye yeterken, bir de o alt başlığa “Matematik Sevmeyen” ekleyince, kendi kendinize “Gördüğüm anda beyinciğime karıncalar bastıran türevli ve integralli günlere mi dönüyoruz?!” diye sormuş olabilirsiniz. Korkmayın! Türev de integral de geçmişte kaldı. Aksine bu yazıda, verilere dayalı karar mekanizmaları oluşturmanın aslında ne kadar kolay ve zaman kazandırıcı bir çalışma sistemi olduğunu sizlere aktarmaya çalışacağım.

Hızlı bir geçmiş bakış desteği ile belleklerinizi zorlamama izin verirseniz, şu soruya bir yanıt verin: Sizin hiç MS Excel üzerindeki verileri mıncık mıncık edip, rapordan rapora koşarken, “Yahu ben senin o 4 saatte yaptığını, bir Macro yazarak 15 dakikada yapabiliyorum” diye sizinle dalga geçen, dayanamayıp ağzına klavyeyle vurmak istediğiniz bir iş arkadaşınız olmadı mı? İçinizi rahat tutun, ben bu yazıda, hiçbir zaman o role bürünmenizi gerektirecek ya da “Aslında, istatistik gurusu olarak standart sapmaların içerisinde sapıtmanıza gerek var” diyeceğim bir dünyanın kapısını aralamayacağım.

“Veri” neden bu kadar önemli?

Bugünün iş hayatı, bir çırpıda sayılabilecek; reklamdan pazarlamaya, insan kaynaklarından finansa, ürün geliştirmeden lojistiğe kadar birçok alanda ham veriyi adeta vakumlayan iş araçları ve süreçleri üzerinden işlem görüyor. En basit haliyle şu soru bile verinin neden bu kadar önemli olduğunu anlamamıza yeterli olacaktır: “Elimizde bu kadar çok veri varken, onları neden bilgiye çevirip kullanmıyoruz?”. Yanıtınız “Ya ben onları biliyorum, zaman kaybetmeye gerek yok” ise şimdi, hemen, hiç vakit kaybetmeden bir sonraki makaleye geçin. Zira bu düşüncedeyseniz yazının geri kalanını okumakla zaman kaybetmenize gerek yok.

Andrew McAfee ve Erik Brynjolfsson 2012’de Harvard Business Review’da yayınladıkları Big Data: The Management Revolution adlı makalelerinde, veri temelli karar verme prosedürlerini içselleştirmiş (kendi endüstrilerinin ilk üçünde) yer alan firmaların, rakiplerine oranla ortalamada yüzde 5 daha üretken ve yüzde 6 daha kârlı olduklarını belirtiyorlar. (Rapor dipsiz kuyu… Konuyla yakından ilgili olanların mutlaka göz atmasını öneririm.) McAfee bu durumun şaşırtıcı olmadığı ve “veri temelli karar mekanizmalarının birçok alanda iç güdelere bağlı alınan kararlara karşı üstünlük gösterdiği” çıkarımında da bulunuyor.

Yola nasıl çıkmalısınız?

Maratonumuza, sayılar ve o sayıların ne anlama geldikleri arasında çok ama çok büyük bir fark olduğunu kabul ederek başlayabiliriz. Veri temelli karar mekanizmalarının tamamı “Doğru metrik (ölçümleme birimi) seçiminin bu işin olmazsa olmazı olduğu konusunda hemfikirler. Faydalı/iyi metriklerin ortak paydalarının ise tutarlı, (hasadı) ucuz ve kolay olanlar olduğu ipucunu verebilirim. Daha da nokta atışı konuşmam gerekirse, asıl mevzu, seçtiğiniz metriklerin “sizin işinizle” doğrudan ilgili olmalarıdır. İşinizin bilgi istihbaratındaki gereksinimlerine odaklanırsanız, grafikler içerisinde geçen yoğun ve baş ağrılı gecelerin sabahında oluşacak meşhur veri kusmuklarından da uzak durursunuz.

Analitik veriler ve deneyler

Veri size birçok yoldan ulaşacaktır: Müşteri anketleri, iş zekâsı yazılımları, 3. parti yazılımlar ve daha nicesi… İşte, tam da bu konuda analitik veriler ile deneyler diye özetleyeceğimiz kavramları birbirinden ayrıştırabilmeyi başarmalısınız. Analitik veriler, işinizin özelinde neler olup bittiğini gösterirken, deneyler farklı müşteri/kullanıcı segmentleri üzerinde, farklı sürelerde yürütülecek testler aracılığıyla farklı yaklaşımları gözlemlemenizi sağlarlar. Analitik veriler ile ilgili daha fazla okuma için Analytics 3.0‘a, deneyler için ise How To Design Smart Business Experiments‘e göz atmanızı öneririm.

Doğru veriye ulaşmanın en kolay yolu

Doğru soruları sormaktan geçer. İstatistik cambazlıklarını uzmanlarına bıraktığımızı düşünürsek, matematik sevmeyen bir yönetici olarak doğru veriye ulaşabilmek için en çok odaklanmanız gereken alan, beyninizi kemiren ve dile getirmekte zorlandığınız o soruları kağıda dökmektir. Ben sizin için en önemliler diye nitelendirebileceğim 6 tanesini aşağıda listeledim.

  1. Verinin kaynağı nedir?
  2. Örneklem neye göre belirlendi? (Ve toplam verinin ne kadarına dair bir çıkarımda bulunuyor?)
  3. Veri dağılım modeli aykırı uçları ve onların etkilerini dikkate aldı mı? (Evetse, sonuçlar nedir?)
  4. Verinin sağladığı analiz öncesindeki varsayımlar nelerdir? (Bu varsayımların analiz üzerindeki etkileri nelerdir?)
  5. (Seçilmiş olan) Veri toplama yönteminin arkasındaki tercih nedir? (Hangi diğer alternatifleri eleyerek buraya geldiniz?)
  6. Analiz içerisindeki neden-sonuç ilişkisini etkileyebilecek bağımsız değişkenler nelerdir? (Etkilerini özetleyebilir misiniz?)

İşte yukarıdaki bu 6 salvodan komaya girmeden çıkabilen her veri toplayıcısı/yorumlayıcısı, veri temelli karar mekanizmalarını anlamanızda ve içselleştirme serüveninizde size eşlik edebilecek doğru adaydır.

Korelasyon ve neden-sonuç ilişkisi

Muhtemelen siz de “Korelasyon, nedensellik değildir.” kalıbını duymuş ancak, yine muhtemelen “Şimdi durup dururken beyni yakmayalım” diyerek ortamdan ardınıza bakmadan uzaklaşmışsınızdır. Bu kavramları bir kere de anlamanıza imkân verecek bir şema bulduğumu iddia ederek sizi aşağıdaki grafiğe 5 dakika süreyle bakmaya davet ediyorum.

yakup-bayrak-data-driven-decision-making

Korelasyon diğer bir deyişle değişkenleriniz arasındaki ilişki ne kadar yoğunsa, hatalı karar verme riskiniz de o kadar düşük olacaktır.

Son olarak…

Veri görselleştirme, çağımızın her geçen gün biraz daha popüler olan veri yorumlama tekniklerinden bir tanesi. Lütfen doğru veriyi görselleştirmeden önce durup kendinize aşağıdaki soruları sormayı ihmal etmeyin:

  1. Veriyi elden ele dolaştırmak mı yoksa verinin hikâyesini mi sunmak istiyorsunuz? (Bağlama dikkat edin.)
  2. Doğru grafik tipini mi tercih ediyorum? (O grafik pastalarından mümkünse kurtulun. İlham alabilmek için bol bol infografik tüketin.)
  3. Bu veri görselleştirme ile nasıl bir mesaj vermek istiyorum? (Aksi takdirde, saatlerce uğraşıp, tüm emeğinizden hiçbir sonuç alamazsınız. Mesajınız net olsun.)
  4. Grafiklerim ile veri setlerim örtüşüyor mu? (Eğer hata varsa, tüm inandırıcılığınızı 1 saniye içerisinde gömersiniz.)
  5. Verilerim akılda kalıcı mı? (Yoksa izleyicileri / okuyucuları veri kusmuğunda boğuyor musunuz?)

Ne dersiniz? Bu iş matematiksiz de oluyormuş öyle değil mi?


100$ indirim fırsatı! Springboard Data Science (Veri Bilimi) kurs programı 100$ indirimli! İndirim kodunu almak için giriş yap ya da kayit ol.

(Bu makale Digital Age Aralık 2017 sayısı için yazılmıştır.)

  • ahuseynovteymur@gmail.com

    Doğru metriği bulmak yine kolay (aslında zor) en zor olanı o verileri toplamak (tabii psikolojide), keşke daha kolay yolu olsa. Yine deney kısmı eylenceli, veri analiz kısmı saç yolduruyor. Sonra hocam gelip diyor ki, sen daha deneye başlamadan önce verileri hangi yolla analiz edeceyini bilmeliydin…#error404

Bugün ilk makalen bizdendi.

Daha fazlası için SHERPA Blog okuru olmalısın.
Giriş Yap Ücretsiz kaydol

Benzer Yazılar

KEŞFETMEYE DEVAM ET
Nitelikli kahve tasarlanabilir mi? kronotrop-ozgun-sarisoy

Nitelikli kahve tasarlanabilir mi?

Gizle
SENİN İÇİN ÖNERİYORUZ
Homerun ile işe alım deneyimini kolaylaştırın

Homerun ile işe alım deneyimini kolaylaştırın

Gizle