Çok Veri, Az Anlamlandırma

Veriyi çokça bulup düzgün kullanamayan şirketlerden birçok örnek [1] , [2] , [3] vermiştim.

Bu seferki örnek bir yeni nesil oluşuma, Çiçek Sepeti’ne ait.

Çiçek Sepeti bu sene 7 Mayıs’ta Anneler günü kampanyasına ait mesajları gönderiyor.

Çiçek Sepeti       7 Mayıs 2016
Yarın Anneler Günü, çiçek ve Bonnyfood’da geçerli %15 indirim kodunuz: anne15.

Aradan 3 gün geçiyor. Serap bir mesaj daha alıyor.

Çiçek Sepeti        10 Mayıs 2016
O’nun için özel bir gün yaklaşıyor… Siparişinizi hemen verin, O’nu sürprizinizle gülümsetin.

Serap, geçen sene bu tarihte ‘özel bir O‘ya çiçek göndermediğini düşünüyor. Çiçek Sepeti’ne soruyor.

Serap
O kim acaba? Benim bilmediğimi sen nasıl biliyorsun? Yine başarısız bir kampanya maili!!!

Çiçek Sepeti hemen konuyla ilgileniyor. (Bu çok güzel. Zaten Çiçek Sepeti’nin bu konularda hassasiyetini daha önce de beğeniyle [4] yayınlamıştım.)

Çiçek Sepeti
Konuyla ilgilenebilmemiz için üyeliğinize ait mail adresinizi bize mesaj olarak atabilir misiniz? 🙂

Serap
serap@…. .com.tr

Çiçek Sepeti
Konuyu hemen yetkili birimimize ilettik Serap hanım. Kontrol edip kısa süre içerisinde geri dönüş sağlayacağız.

Bir saat sonra…

Çiçek Sepeti
Fatma M. Adına sipariş oluşturduğunuz gözükmektedir Serap Hanım. 🙂

Serap
Ne zaman göndermişim geçen sene?

Çiçek Sepeti
Geçtiğimiz sene 10 Mayıs tarihinde sipariş oluşturulmuş Serap Hanım.

Serap, uzun süreden beri veri yönetimi ve kampanyalarla ilgilenmekte… Çiçek Sepeti’nin nerede yanlış yaptığını hemen anlıyor. Bu nedenle uyarmak istiyor.

Serap
Geçtiğimiz sene 10 Mayıs anneler gününe denk geliyor. Demek ki kampanya maili yaparken biraz daha dikkat etmek gerekiyor.

Çiçek Sepeti
Kampanya maillerimiz ayrı şekilde işleme alınmaktadır Serap Hanım. Bu size gönderilen mail sadece anneler günü için değil, bir önceki sene oluşturduğunuz her sipariş için geçerlidir. Oluşturduğunuz günün tam bir sene sonrasında sistem otomatik gönderiyor. 🙂

Maalesef, Çiçek Sepeti veriyi olduğu gibi ele almış, anlamlanırmayı düşünmemiş. İşi “otomatiğe bağlamış” ve her sene aynı tarihte teklif gönderen bir motor çalıştırmış.

Bu motor da Anneler Günü veya Babalar Günü gibi yıllar itibarıyla günleri değişebilen olguları ıskalıyor.

Serap, durumu anlıyor ve karşısındaki Çiçek Sepeti elemanına da anlatmaya çalışıyor.

Serap
Ben zaten bunun otomatik gönderildiğinin farkındayım ama otomatikleşmeyen bazı şeyler var. Bunlar ince detaylar. Bunları takip edip ona göre otomatikleşmek gerekiyor. Derdimi anlatabildim mi?

Çiçek Sepeti
Tabi Serap Hanım ancak bununla ilgili kampanya mailleri farklı şekilde işleme alınıyor. Daha öncesinde anneler günü ile ilgili Mail ve SMS gönderimleri yapılmıştır. 🙂

Burada Çiçek Sepeti elemanının verdiği yanıt, derslerimde “İşi otomatiğe bağlarsanız, makine (eğer kognitif bilişimden [5] yararlanıyorsa) belki öğrenebilir. Ama siz kesinlikle öğrenemezsiniz.” diye anlattığım konuya tam bir örnek oluşturuyor.

Bu nedenle derslerimde, “otomatiğe bağlamak” öncesinde nasıl düşünüleceğini ve yapılması gerekenleri anlatıyorum.

Serap
O zaman geçen sene gönderdiğimi anneler günü olarak CRM sisteminize işlemeniz gerekiyordu.

Çiçek Sepeti
Öneriniz için teşekkür ederiz Serap Hanım. Konu yetkili birimimiz tarafından değerlendirmeye alınacaktır.

*

Çiçek Sepeti’nin Serap ile yazışmalarından ders alacağını ve makineleştirme öncesinde gerekli düzenlemeleri yapacağına inanıyorum. Yukarıda bahsettiğim güzel özür mesajını [4] gönderen şirketin, yanlışlarını düzeltmek niyetinde olacağını düşünüyorum.

Diğer yandan bu örnek, benim için iyi bir eğitim malzemesi oldu.

Veri anlamlandırma açısından “oluşturduğunuz günün tam bir sene sonrasında sistemin otomatik göndermesi”nin her zaman geçerli olmayacağını gösteriyor.

Anlamlanırma süreçlerine ilişkin çok sayıda yazı ve kısa videolar yayınladım. (Yazının sağ tarafında anlamlandırma konuluğu içeriğin bir kısmının bağlantıları var.)

Bu örnek sayesinde, hemen hiç bir verinin olduğu gibi ele alınmaması gerektiğini de öğrendik.

30 Haziran 2016

 

Modelleme – Video

Bir müşterinin verilerden yola çıkarak tanınması [1] konusunu işledikten hemen sonra şunu sorarım:

GSM operatörleri, bankalar ve süpermarket zincirleri hakkımızda birçok veriye sahipler. “Bir öğrencinin bu kadar iyi profillediği müşteriyi bu şirketler neden bir türlü tanıyamazlar. Neden bize anlamsız tekliflerle gelirler?

Bu soruyu yanıtlayanların bir kısmı, “Tek bir kişiyi tanımlamak daha kolay. Milyonlarca insanı tanımak ise çok zor” diye cevap verirler. (Yani soruyu yanıtlamazlar, bahane üretirler.)

Bu videoda, o tek bir kişiden başlayarak milyonlarca insanın tanınmasına nasıl ulaşılacağı anlatılıyor.

video-modelleme

Özetle, bu süreç veri anlamlandırma [2] ile başlar. İyi bir IT ekibinin katkısıyla ve Pazarlama – IT işbirliğiyle devam eder.

Bana “Tek kişiyi anlamak kolay, milyonlarca müşterimiz var” bahanesiyle gelmeyin.

Anlamlandırma – Video

Veri Anlamlandırma, CRM projesinin vazgeçilmez aşamalarından biridir.

Verileri, raporlarda kullanılan sayılar ve rakamlar olmaktan çıkartıp müşteri içgörüleri haline getirmek ve veriler müşterinin sesidir [1] demek için mutlaka özenle yapılması gereken bir iştir.

Veri anlamlandırma kısaca nedir?” diye sorarsanız, videoda özeti var.

Video-anlamlandirma

“Bu özet bana yetmedi, fazlasını öğrenmek isterim” derseniz, birkaç yazı daha [2] , [3] , [4]  okumanızı öneririm.

Şunu da unutmayın, veri anlamlandırma işi dışarıdan alıp sektörünüze veya firmanıza anında uygulayabileceğiniz bir iş değildir. Her firmaya özgü farklılıkları vardır. Bizzat kendi firmanızda, usta pazarlamacılarla birlikte çalışılması gerekir.

İstrseniz, verilerinizin müşteri öngürülerine dönüşmesini birikte yapabiliriz.

Kapak resmi şuradan

Öneri Sistemleri

Yaklaşık 7 – 8 sene kadar önceydi. Amazon’un “şunu okuyan bunu beğendi” önerileri çok beğenilmeye başlanmıştı. İstanbul’da da birkaç genç girişimci öneri yazılımları (recommendation engine) için çalışıyorlardı.

Bu girişimcilerden biri, çok beğendiği bir sitenin linkini incelemem için gönderdi.

Uğur abi, Ne kadar isabetli önerilerde bulunduğunu görünce şaşıracaksın” dedi. Hevesle siteye baktım.

Önce yüksek konçlu bir basketbol ayakkabısı seçtim.

40 küsür sene boyunca basketbol oynadım. Ayak bileklerimde deformasyon olduğu için, artık basket oynamasam da hemen her sporu yüksek bileklikli ayakkabılarla yapmak zorundayım.

Sonra kendime üzerinde ilginç bir resim olan kravat seçtim.

İş hayatında gömlek, ceket ve pantolon kuralları çok sıkıdır. Bir erkeğin kendince fark yaratabileceği alanlar kol düğmeleri ve kravatla sınırlıdır.

Yıllardan beri resim veya çizim olan kravatları [1] tercih ederim.

Öneri sistemi şaşırdı.  sokak-giysisi

ABD’de soğuk şehirlerde yaşayan, üst üste birkaç kat ceket giyen, parlak renkli anorak, bol pantolon ve bağlanmamış basketbol ayakkabısıyla gezen biri zannetti beni.

Daha ikinci seçimimden sonra önerilerinden hiçbiri beni ilgilendirmemeye başladı.

Sitenin önerilerini bırakıp kendim birkaç ürün seçtim. Amacım öneri yazılımının doğru tanımaya ne zaman başlayacağını öğrenmekti.

Yazılım galiba ilk yaptığı – yanlış – tanımlamadan vazgeçemedi. Çerçevesi uçuk ve fiyakalı gözlükler, insanı sosis gibi gösteren anoraklar, bol pantolonlar… önerip durdu.

.

Genç girişimci arkadaşa olan biteni bildirdim. “Öneri sistemi oluştururken nelere dikkat etmeli” gibilerden ukalalık da ettim.

Konuyu farklı açıdan incelersek, iki önemli noktayı iyi bilmemiz gerekir:

1 – Hiçbir öneri yazılımı, müşteri tercihini yüzde yüz doğru tahmin edemez. Sadece 2 – 3 satın almadan sonra doğru tahmin etmesi için, çok basmakalıp [2] ve genelin aynısı olmanız gerekir. Çok değişkenlik gösterenleri sınıflamak kolay değildir.

2 – İlk tanımlamayı doğru yapmışsanız, her istisna müşteriyi daha iyi tanımanızı sağlar [3] . İlk tanımlamada yanılmışsanız, istisnalarda ilk modelinizi sorgulamanız gerekir. Bu nedenle, müşteriyi profillerken yeterli sayıda kanaat oluşmasına dikkat etmek gerekir.

Aslında, bahsedilen öneri sisteminin fazla yanlışı yok. Farklı olan benim.

Kapak resmi şuradan, ortadaki resim buradan

29 Temmuz 2015

Yine mi Paro

Sadakat programlarına ilişkin yazılarımı okuyanlar Paro’nun ciddi bir atak yapmasını beklediğimi bilirler. Aralık 2007’de (Asiye Nasıl Kurtulur [1]  isimli tiyatro oyunundan esinlenip) Paro Nasıl Kurtulur [2]  diye yazmıştım.

O yazıda “Bildiğim kadarı ile CRM amaçlı olup da doğru vizyon ile başlamasına rağmen yanlış patikaya saptığı için hedefine bir türlü ulaşamayan çok az firma vardır. Bence, PARO da bunlardan birisidir.” diye vurgulamıştım.

O zamandan beri Paro beni birçok kez umutlandırdı. [3]  Ama hemen her seferinde umutlar söndü. Paro üyesi şirketleri / markaları düşünün. “Neler yapılabilir?” diye hayal kurun.

Paro-2

Geçtiğimiz hafta Paro’nun arkasındaki şirketin (adı TANI) Genel Müdürü Sayın Engin Oytaç’ı dinledim. Aldığım notları ve yorumlarını paylaşmaya çalışacağım.

Artık müşteri her 10 dakikada bir iz bırakıyor.

Kanalların sayısı artıyor. Mağazaya önce web, sonra mobil eklendi.

Harvard Business Review “Veri analistliği, 21’inci yüzyılın cazip işi” diyor.

Davos’ta “Veri = 21’inci yüzyılın petrolü olacak” denildi.

Yakın zamana kadar VERİ + İNDİRİM = GELİR idi. 2013’te 4000 kampanya tasarladık. 1700’ünü çöpe attık, 2300’ünü hayata geçirdik.

Bence indirim eski bir yaklaşım.

Şimdi VERİ + DENEYİM = GELİR. Müşteri deneyimini değerlendiriyoruz. Yapı Kredi’nin araba kredilerine bakan kişiye Ford araba teklif ediyoruz.

Bu cümleyi duyunca, yina hayal kırıklığı yaşadım.

“Servi gibi ümitler,
Döndü birer iğdeye,
Geçti Bor’un pazarı,
Sür eşeği Niğde’ye”

dizeleri aklıma geldi.

Burada önemli bir noktaya dikkat çekmek isterim. Kullanıcıların tıklamalarını izleyip onlara teklif sunmak web sitelerinin ilk çıktığı yıllardan beri hayatımızda. Pazarlamada ilk kullanımını 2000 yılında bir CRM konferansında izlemiştim. İlgilendiğiniz sayfalara göre Google ve Facebook reklamları çıkması da yıllardır hayatımızın içinde.

Bu işlem bir deneyim değildir. Veriye bağlı olarak önceden hazırlanmış basit modelleme (araba kredisine bakana araba teklif et) ile yapılan bir çalışmadır.

Sn. Engin Oytaç daha sonra Uber [4] , [5]  örneğini anlattı. Son değerlemede 17 Milyar dolardan fiyat biçildiğini [6] aktardı. Uber gerçekten farklı bir deneyim sunuyor.

Son olarak da Moskova’da katıldıkları konferansta matruşka hediye etme konusunu nasıl farklı bir deneyime döndürdüklerini söyledi. 3 tanesine çeşitli hediyeler koymuşlardı. “Yıllardır birçok kez matruşka alan üst yöneticilerin matruşkaları nasıl heyecanla açtıklarını görmeliydiniz” dedi.

MatruskaResim şuradan alıntıdır

CRM camiasındaki birçok kişiyle bu anlatılanları tartıştık. Web sayfalarında tıklama izlenmesi ve teklif yapılmasının deneyim olmadığını konusunda herkes aynı fikirde. İçeriden bilen bir arkadaşımız “Bugünlerde müşterilerine bu hizmeti sunuyor. Orada “farklı bir deneyim” diye anlatmasının nedeni de budur” dedi.

Paro’nun tıklamaları izleyerek yeni teklifler yapma aşamasına gelmesi (geç olsa bile) sevindirici. Burada duyurulmasına da yardımcı olayım. Üzücü olan bunu deneyim zannetmesi. Yıllardır “Öğrencimin bildiğini [7] Paro neden bilemiyor?” diye soruyorum. Sn. Engin Oytaç’ı dinleyince, daha karmaşık ve mikro segmentlere giden modeller konusunda farklılık yaratamayacaklarına dair kuşkularım arttı.

Matruşkayı piyangoya çevirince kısmen farklı bir deneyim olmuştur. Ancak mesele, piyangoyu kazanmayan kişilerin aklında ne kadar kaldığınızdır. Daha önce de yazmıştım. “Markalandırılan deneyim” [8] olmazsa bir anı bile kalmıyor.

Ben yine de Paro’nun atılım yapacağı günleri bekliyorum. Böylesi büyük potansiyel uzun süre patlamadan duramaz, durmamalı.

17 Haziran 2014

Kapak resmi şuradan alıntıdır

 

Pazarlamacılar Bigdata’yı Anlamak Zorunda

Ortamın veri kaynadığı bugünlerde şirketler, big data ile uğraşan girişimcilerle birlikte çalışmak zorundalar [1] . big-data-3

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.

topic-networks-in-USA-diseaseBankaya 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

Hangi veri gerekli?

Bir şirkette Sosyal CRM workshop’ı [1] yapıyorduk.

Eğer yeterli zamanım varsa, önce kısaca CRM’i anlatır [2], sonra Sosyal CRM’e geçiş yaparım. Burada da CRM’den giriş yaptık.

İşin veri kısmını anlatırken tahtaya

hangi-veri-2
diye yazdım.

Sonra “Hedef kitlenizdekilerin hangi bilgilerini öğrenmek istersiniz?” diye sordum.

Sektörden bağımsız olarak hemen her zaman yanı yanıtlar gelir. Onlar da aşağıdaki listeyi tekrarladılar.

  • Adı – Soyadı
  • Doğum tarihi (veya Yaşı)
  • Cinsiyeti
  • Medeni Durumu
  • Eğitimi (aslında Bitirdiği Okul olması gerekir)
  • Mesleği
  • Adresi

Söylenenlerini tahtada Veri’nin altına gelen bölüme yazdım.

hangi-veri-3

Sonra şirketin amaçlarını sordum.

  • Hangi ürün grupları kime daha iyi satar?
  • En sık gelen müşterilerim kimler ve ne alıyorlar?
  • Sunulan teklife cevap verme ihtimali yüksek olan müşteriler kimlerdir?
  • Hangi müşterilerimi kaybetme ihtimalim var?
  • Hangi müşterilerime hangi sıklıkta ve nasıl yaklaşmalıyım?

gibi cümleler söylendi.

Hangi şirket olduğu belli olmasın diye daha ayrıntılı yazmıyorum.

Bu sefer söylenilenleri İhtiyaç’ın altına yazdım.

Tahtada şöyle bir görüntü oldu.

veri-ihtiyac-2

Şimdi, bu ihtiyaçları karşılamak için bahsettiğiniz verileri nasıl kullanacağınızı konuşalım.” dedim. “Birinin ileri finansman teknikleri konusunda ABD’den doktora almış olması sizi ilgilendiriyor mu?

Hayır!” dediler.

Son 3 yıldan beri “en iyi şoför seçilmesi sizi ilgilendiriyor mu?” diye sordum.

Hayır!” dediler.

Şirketin ana iş konusu dışında birkaç tane daha eğitim ve meslek örneği verdim. Hepsinin yanıtı aynıydı: “Hayır!

Demek ki sizin için “Mesleğini bilmek” önemli değil.

Nihayet bir “Evet” yanıtı alabildim.

Şirket olarak Anadolu’ya odaklandığınız için adresi de önemli. Ama sadece şehir ve ilçe düzeyinde…

Evet!” dediler.

Şimdi az önce yazdığımız veri listesine bir de bu gözle bakalım. Bizim ihtiyaçlarımızı karşılamak için gerekli olan verileri yeniden kendimize soralım.

Bu başlangıçtan sonra, daha faydalı (ve kalıplardan uzak) bir veri sepeti oluşturduk.

 

Workshop sırasında bir ara verdik. “Hiç bu gözle bakmamıştık. Devasa sosyal veri dağında ne yapacağımızı düşünüp duruyorduk. Şimdi hedefimizi daha kolay saptayabiliriz” dediler.

Daha önce de yazdım. Elinde çoook veri olup kullanamayan (banka, GSM, süpermarket gibi) şirketler [3] var. Oysa veri’den başlanmaz, ihtiyaç’tan başlanır.

İhtiyaç → Bilgi → Malumat (info)  →  Veri

Nereye gideceğini (ihtiyacını) bilmeyene hiç bir rüzgar (veri) yardım etmez.

Kapak resmi şuradan alıntıdır

Zenginlik = Kullanmak

Konfiçyus’a ait olduğu iddia edilen bir söz vardır.

Sahip olmak değil, kullanmak zenginliktir.

Öyle ya… Arabanın sahibi babası olabilir, ama yararını direksiyondaki genç görür.  Üstelik, sahip olmanın maliyeti dediğimiz, bakım ve onarım giderleri ve vergiler de başkası tarafından ödeneceğinden, kârlılık artar. Dolayısıyla, aynı büyüklükteki taşınır veya taşınmaz varlıkları  daha iyi kullanan, daha fazla zenginlik yaratır.

Bu durum, ekonomide bahsedilen her kaynak için geçerlidir. Para, mülk (ev, tarla, arazi, tesis, fabrika, araba, kamyon, yat, gemi, tanker, vb…), insan kaynağı, ilişkiler (network), sözleşmeler…  Sahip olan değil, kullanan kazançlı çıkar.

Size ait arazi gecekondular tarafından işgal edilmişse, vergisini öderken bu sözü daha fazla hatırlarsınız.

Çağımızın en önemli kaynağı olan bilgiler [1] ve  veriler için de aynısı geçerlidir.

Çok sayıda müşteri verisine sahip olan kurumlar var. Bankalar ve telekomünikasyon şirketleri başta olmak üzere, süpermarketler, e-ticaret şirketleri müşterileri hakkında çok sayıda veriye ulaşıyor ve biriktirebiliyorlar. Turkcell’in de elinde milyarlarca veri var ama sürekli olarak anlamsız ve tutarsız mesajlar [2]  gönderiyor, etkinlikler [3] yapıyor.

Bugünlerde grup satın alma ve fırsat siteleri revaçta. Onlarda da çok sayıda müşteri verisi var. Sosyal mecralardaki veriler de var. Ne zaman evleneceğini, başka bir şehre tayin olup olmadığını, araba alma niyetini, hangi şirketle, hangi nedenle ve ne zaman sorunlar yaşadığını [4], kimlerle arkadaş olduğunu, kimlerden etkilendiğini…

Bu verileri toplayabilirlerse, müşterilerini hemen her yönden tanıyabilirler mi? Çoğunuzun EVET dediğini duyar gibi oldum. Oysa bu sorunun yanıtı “HAYIR”. Bunca verinin toplanması, müşterinin tanınması için yeterli değil.

Biriktirmek yetmez. Önce bu verileri tekilleştirilmiş [5] müşteri numarası altında bir araya getirmek gerekir. Twitter’daki takma adı @ugurabi olan kişinin müşteriniz Hami Uğur Özmen olduğunu, bazı sosyal mecralarda sadece Uğur Özmen adıyla yer aldığını, eski basketbolcu ve bugünün antrenörü diğer Uğur Özmen ile ve bazı sitelerde şiirlerini yayınlayan bir başka Uğur Özmen ile de isim benzerliği dışında hiç ilgisi bulunmadığını bilmelisiniz.

Varsayalım ki, verileri müşteri numarası altında tekilleştirdiniz. Kim olduğunu, sizinle yaptığı her bir işlemi, içinde bulunduğu yaşam evresini, bugünlerde paylaştığı dertlerini ve keyiflerini de öğrendiniz. Sizin şirketinizle yaptığı işlemleri sıralayıp raporlayabiliyorsunuz. Sizi hayal kırıklığına uğratacağım ama… yine YETERSİZ.

Kullanım alışkanlığını bilmek için, hem müşterinin yaptığı işlemlerin birbirleri ile ilişkilerini hem de diğer müşterilerle karşılaştırmasını yapmanız gerek.  Tüm diğer müşterilerle karşılaştırmanız anlamlı olmayacağından, aynı segmentteki müşterileri saptayıp onlarla karşılaştıracaksınız. Yani, önce segmentasyon [6] yapacaksınız. Benzer müşterileri saptayıp ona göre karşılaştırmalara başlayacaksınız.  Bu arada, hangi işlemlerin birbirlerini izlediğini veya etkilediğini de bulacaksınız.

Müşterinin geçirdiği yaşam evrelerini [7] izleyeceksiniz. İşlemlerdeki değişikliklerin nedenlerini kendinizce saptayacak, yorumlayacaksınız [8]. Sonra da yorumlarınızın doğruluğunu sınayıp kararlarınızı vereceksiniz.

Tüm bu işlemlere kısaca modelleme diyoruz.

Özetleyeyim. Verilerin elinizde olması, yıllardır bunları biriktirmeniz size zenginlik sağlamaz. Şimdiden doğru segmentasyon ile farklılaştırmamışsanız; veriyi modellenebilir duruma getirmemişseniz; modellemeye başlayıp kontrol grupları oluşturmamışsanız… Yani veriyi anlamlandırarak kullanılabilir durama getirmemişseniz… Siz veri zengini olduğunuzu sanabilirsiniz. Oysa elinizdeki yığın sadece bir çöplük olabilir.

İlk yayınlanması [9] 1 Temmuz 2011