En iyi teklif

Müşteriye en iyi teklifi yapmak bir sihir değildir.
En iyi teklif

Makale Özeti

Müşteriye en iyi teklifi yapmak için sadece veriyi iyi anlamak ve modellemek yetmez. İşi iyi bilmek ve verilerin göstermediği yönleri de bulmak gerekir.

Melih Bahadır Varol şu soruyu sordu (kendisinin izni ile paylaşıyorum):

  • Bankalar kredi kartı harcamalarına göre insanların ne harcadıklarını görebiliyorlar ve bir istatistiğe ulaşıyorlar. Varsayalım şöyle bir istatistik çıktı:
    “A markasını sürekli olarak tüketenlerin %60′ı B markasını da sürekli tüketiyorlar.”
    A ve B ürününün tamamlayıcı bir ürün olmadığını varsayalım. Makyaj ve Süt markası olsunlar.
    B markası için, A markasını kullanan ama B markasını kullanmayan %40′lık kesim müşteri olma potansiyeli yüksek kişilerdir diyebilir miyiz?

Yanıtı oldukça uzun.

Verilen örnek üzerinden gidersek, CRM sadece bir yazılım diye anlaşıldığı zaman bu “B markası için, A markasını kullanan ama B markasını kullanmayan %40′lık kesim müşteri olma potansiyeli yüksek kişilerdir” diyebilenler çıkıyor. Ama CRISP-DM (Cross-Industry Standart Process for Data Mining) kurallarına bakmak gerek:

 

Gelelim sorunun doğrudan yanıtına… Bunca kuramı bir yana bırakır ve CRISP-DM’i hayatın gerçeğinde açıklamak istersek…

Verinin ne gösterdiğinden daha önemlisi, veriyi anlamaktır. Aynı bağımsız değişkene bağlı hareket eden 2 tane bağımlı değişken olabilir.

En bilinen örneği, “dondurma tüketiminin çok olduğu yıllarda boğulanların da çok olması” gerçeğidir. Buradan, dondurma yiyenler boğuluyor anlamı da çıkarılabilir. Oysa, havaların sıcak olduğu yıllarda, denize girenlerin sayısı artıyor. Boğulanların oranı aynı kalsa da, denize girenlerin sayısı arttığı için boğulanların sayısı da artıyor. Havalar sıcak olduğunda dondurma tüketimi de artıyor. Özetle, birbirinden bağımsız iki değişken, (boğulanlar ve dondurma yiyenler) ortak bir değişkene bağlı hareket ettiği için aralarında bağlantı (korelasyon) var gibi görünüyor.

Yukarıdaki örneğe gelirsek, makyaj ve süt markası kullanımı için, “anne olanlar” gibi bir bağımsız değişkene bağlı olabilirler. Bu durumda, ortak özelliklerin yüzdesel oranı ile yetinilmez. Bir adım daha ilerlemek gerekir. Verilere bakarak, bu %60 içindeki en çok rastlanan ortak özelliklere (kadın, çocuklu, çocukların yaşı 5′den küçük, vb…  gibi değişkenlere) bakılır. Bu ortak özelliklerin hepsine sahip olan kişilerin de “müşteri olma potansiyeli yüksek kişiler” olacağını söylemek mümkün.

Muhtemelen kalan %40 değil, onun içindeki ortak özellikleri olan %5 – 8 için iyi bir öneri olabilir.