Ortamın veri kaynadığı bugünlerde şirketler, big data ile uğraşan girişimcilerle birlikte çalışmak zorundalar ^[1] .

Dikkat edilirse, “big data ile ilgilenseler faydalı olur” demiyorum, “anlamak zorundalar” diyorum.

Bu yaklaşım Türkiye’de de değerlendirilmeye başlandı. Bir banka, veri görselleştirmesi konusunda çalışan girişimcilere onbinlerce kredi kartı kullanıcısının tüm hareketlerini içeren bir örneklem seçip vermiş. Arkadaşlar yorumlamışlar.

Elde edilen sonuçlar bankanın çok hoşuna gitmiş. Hangi kampanyaların işe yaradığını, hangilerinin boşa yapıldığını görsel olarak sunmuşlar. Aynı zamanda genel trendlerin yanında, gizli (banka yöneticilerinin o zamana kadar farketmedikleri) bazı eğilimleri ortaya çıkarmışlar.

Bana anlattılar. Çok heyecanlandım.

Ne de olsa 20+ yıl bankalarda ödeme sistemleri üzerine çalıştım. Verileri yorumlamaya çalışırken CRM’le tanıştım. O yıllarda böyle kolaylıklar yoktu.

Bankaya big data’yı görselleştirip sunan girişimcileri dinlerken bir nokta dikkatimi çekti. Onlara ham verileri sunan ve yorumlanmasını isteyerek aslında başarılı bir iş yapan pazarlamacı, istatistik bilgisi yeterli olmadığı için çok önemli bir fırsatı da kaçırmıştı.

Veri görselliği ile sonuç elde edecek olan pazarlamacıların bir miktar istatistik bilmesinde fayda var. Aksi koşulda, başarılı bir proje yapsalar bile, daha da başarılı olabilecek fırsatları kaçırabiliyorlar.

Kaçan fırsatı size anlatayım. Kredi kartı harcamalarında market ve akaryakıt alışverişleri toplam cironun %40’ı civarında tutuyor. Dolayısıyla, diğer alışverişleri bastıran, yüzdesi daha düşük görünen değişikliklerin farkedilmemesini sağlayan ve anlamlandırmayı bozabilen etkisi var.

Bu olumsuz etkiyi ortadan kaldırılması ve gizli eğilimlerin daha ayrıntılı belirmesi için tüm veri tek seferde ele alınmaz. Önce bu alışverişleri hiç olmayanlar ve normalin ötesinde olanlar görüntülenir. Buradan

• hiç arabası olmayanlar,
• çok fazla yakıt kullananlar (belki taksi ve servis şoförleri veya bankanın petrol şirketleriyle yaptığı kampanyaları değerlendirenler),
• kafeterya işi yapıp kişisel kartını gıda malzemesi alışverişlerinde kullananlar,
• birkaç ailenin market alışverişini yaptığı için harcaması şişenler (kapıcılar),
• vb…

gibi epey bir sonuç ve anlam çıkartılır. Örneğin, bankanın petrol şirketiyle yapığı kampanyaların başka sektörlerde harcama yapmayı ve sürdürülebilir müşteri kazanımını sağladığı – veya boşa gittiği –  öngörülmeye çalışılır.

Sonraki aşamada, baskın etmenler ayıklanıp veri tekrar incelemeye alınır. Akaryakıt ve süpermarket harcamaları dışında diğerleriyle karşılaştırılabilir harcama eğilimi olup olmadığı incelenir. Tutar olarak benzer olduğu halde, yüksek harcamalar nedeniyle yüzdesi düşük kalabilecek alışverişler ortaya çıkartılır.

Böylece anlamlandırma kolaylaşır ve görece düşük görünen oysa önemli olan gizli eğilimler, değişiklikler daha iyi gözlenebilir. Müşteri sadakatini arttırmak için hangi ürün veya hizmetin teklif edileceği ^[2] daha doğru saptanır.

.

Eğer müşteri kaybının (churn) anlaşılması konusunda çalışılıyorsa, bahsettiğim katmanlı çalışma daha da önem kazanır.

Analitik ile ilgilenenlerin önüne verileri yığıp ” Hangi davranışları gösterenlerin terk eğilimi olduğunu bulalım” veya “Terk öncesi ortaya çıkan bir patika var mı?” sorusuna yanıt aramadan önce terk nedenlerini araştırmanız gerekir. Sizin elinizde olmayan terk nedeni varsa ^[3] bunun ayıklanması gerekir.

Elimizde olmayan nedenler şunlar olabilir:

• Müşterinin evi veya işyeri taşınmış olabilir (artık yolu üzerinde değiliz, bu nedenle bize uğramıyor),
• Belediye sokağı / caddeyi kazdığı için sizin dükkana / şubeye / acenteye girilemiyordur,
• Müşterinin yaşam tarzı değiştiği için artık ona hitap etmiyor olabiliriz (hastalık geçirmiş, artık bizim lokantamızdaki yiyecekler ona uygun değil, o sporu yapmasını doktor yasaklamış vb).

Bu gibi bizden kaynaklanmayan nedenlerle terk eden kişilerin ürün kullanım patikaları normal müşterilerimizden farklılık göstermeyeceklerdir. Onların verilerini de diğer terk edenlerle aynı şekilde incelemeye kalkarsak, sonuçlar bizi yanıltabilir. Bizi gerçekten terk eden müşterilerin davranışlarını gözlemlememizi engelleyebilir.

Onların verilerini dışarıda bırakır da bizim hatalarımızdan ötürü terk eden müşterilerin ürün / hizmet kullanım patikalarını ve terk öncesi davranışlarını incelersek, doğru davranış kalıplarını çıkartabiliriz. Bilmediğimiz gizli ipuçları da ortaya çıkabilir.

“Bu nasıl modelleme” diye sorduğum yazıda ^[4]

insan aklı → analitik → insan aklı → analitik → insan aklı → analitik …

diye süregeldiğini, her aşamada çıkan sonuçlara bakarak pazarlamacının katkısıyla daha üst aşamalara gidileceğini belirtmiştim.

Son zamanlarda diğer yazılarımda en çok vurguladığımı burada da tekrarlıyorum: Veri’den anlamayan pazarlamacı kalmayacak ^[5]. Ya kendileri öğrenecekler ^[6] , ya da piyasa onları dışlayacak ^[7] .

4 Şubat 2014

Kapak resmi şuradan alıntıdır