E-Bülten listemize abone olun.

ABONE OL
Matematik Sevmeyen Yöneticiler İçin Data Driven Decision Making

Matematik Sevmeyen Yöneticiler İçin Data Driven Decision Making

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

Mevzu karışık gözüküyor. Biliyorum. Başlıktaki “Data Driven Decision Making (bizim ofisteki adıyla kısaca DDDM)” bile insanın tüylerini diken diken etmeye yeterken, bir de o başlığın başına “Matematik Sevmeyen” ekleyince, kendinize “Gördüğüm anda beyinciğime karıncılar bastıran türevli & 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.

SHERPA Blog her hafta e-postanızda. Ücretsiz abone olmak için tıklayın.

Ufak bir flashback desteği ile geçmişi tarayıp, 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.” modeli ağzına klavyeyle vurmak istediğiniz bir iş arkadaşınız olmadı mı? Hah, evet o adam. 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.

Kantitatif (niceliksel) veri gibi bir başlık var ki işte onun temellerini doğru anlamak tüm bu DDDM dediğimiz dünyanın da ömür boyu geçerli vizesini oluşturuyor. Vizenin detaylarına girmek için “Neden?” sorusuna yanıt vermem doğru bir çıkış noktası olacak gibi…

“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 anlamamız yeterli olacaktır: “Elimizde bu kadar çok veri varken, onları neden bilgiye çevirip kullanmıyoruz?”. Yanıtınız “Ya ben onları biliyorum, zaman kaybetmeye gerek yok.” ise şimdi tab’ı kapatın, zira bu düşüncedeyseniz yazının geri kalanını okumakla zaman kaybetmenize gerek yok.

Andrew McAfee ve Erik Brynjolfsson 2012’de Harward 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 %5 daha üretken ve %6 daha karlı 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 start verebiliriz. Veri temelli karar mekanizmalarının tamamı “Doğru metrik (ölçümleme birimi) seçimi’nin 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” direkt 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 zekası 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 İlişkisi

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 imkan verecek bir şema bulduğumu iddia ederek sizi aşağıdaki grafiğe 5 dk süreyle bakmaya davet ediyorum.

Korelasyon ile Nedensellik

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 dolaştırmak mı yoksa verinin hikayesini 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 sn içerisinde gömersiniz.)
  5. Verilerim akılda kalıcı mı? (Yoksa izleyicileri / okuyucuları veri kusmuğunda boğuyor musunuz?)
Girişimciler Ciz.io kanvasları ile fikirlerini kolayca anlaşılır iş fikirlerine dönüştürüyor ve başkalarıyla paylaşıyor. Ücretsiz kayıt olmak için tıklayın.

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

Yakup Bayrak

Founder

‘77 İstanbul doğumlu. Boğaziçi Üniversitesi mezunu. Mayıs 2013'ten bu yana SHERPA’nın başında.

0
  • M.Hüseyin Yıldırım

    Yakup bey,

    Emeğinize sağlık. Oldukça faydalı ve net bir yazı olmuş.
    Yazılarınızı zevkle ve merakla takip ediyorum.
    Umarım yakında çalışma şansımız olur.

    • Yakup Bayrak

      Beğendiğinize çok sevindim Hüseyin Bey. Umarım yakın bir tarihte bir araya gelir ve birlikte çalışma fırsatı da yaratabiliriz.