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

Veri Anlamlandırma

CRM projelerinin veri ambarı oluşturma [1] kısmında

İhtiyaç → Bilgi → Malumat (info)  →  Veri

aşamalarının önemini [2] yazmıştım.

Veri anlamlandırma [3] bu noktada çok önem kazanıyor. Anlamlandıramadığımız, müşteri mutluluğuna, verimliliğe, karlılığa döndürmek için kullanamayacağımız verimi “müşteri odaklı veri ambarı”na almıyoruz.

Şirketin verilerini işlemler veya operasyonel açıdan değil, müşteriyi tanımak için nasıl kullanacağımıza bakarak anlamlandırırız.  Şu örneği [4] belki hatırlarsınız:

Veri-anlamlandirma-2
Gerek derslerimde, gerekse danışmanlık çalışmalarımda kurumun verilerini nasıl anlamlandıracağımız üzerinde duruyorum.

Müşterinin çeşitli alışverişlerinden yola çıkarak bir plaza kadını [5] olduğunu anlamışsanız, arap sabunu satın alınca şaşırmazsınız. Aksine, evine temizlikçi geldiğini anlarsınız. Demek ki, temizlik malzemelerini veri ambarına alırken bu anlayacak şekilde ayrım yaparsınız.

Bu hanımefendi, yıkanmış, temizlenmiş ve dondurulmuş ıspanak veya dondurulmuş bezelye yerine demetlerle taze ıspanak ya da ayıklanacak bezelye fasulyesi satın alıyorsa, evde yemek yapan biri olduğunu  çıkartırsınız. Öyleyse, veri ambarını oluştururken tazesi alındığında “evde yemek yapılıyor” anlamı veren gıdaları ayrıca belirlersiniz.

Ton balığı, yaprak sarma veya zeytinyağlı barbunya konservesi gibi, ek işleme gerek duymadan yenilebilen gıdalar, bize evde yemek yapılmadığı fikri verir. Çok sık satın alıyorsa, muhtemelen bekar erkek olduğunu çıkartırız. Veri ambarına alırken, anlamını ayrıştıracak şekilde işaretlersiniz.

Otomotiv üzerine çalışan bir öğrenci grubu şöyle yazmış:

Müşterimiz:

  • üst segment bir araba alıyorsa gelir düzeyi yüksektir.
  • tek kapı araç alıyorsa bekârdır veya genç-çocuksuz evli bir çifttir.
  • spor araç alıyorsa bekârdır veya genç-çocuksuz evli bir çifttir.
  • station wagon bir araç alıyorsa evli-çocuklu bir ailedir ya da çok bagaj kullanımı gerektiren kayak, oksijen tüpü vb. ekipmanları kullandığı outdoor spor yapan bir bireydir.
  • pembe/mor gibi renklerde araç alıyorsa bayandır.
  • modifiye parçalar eklettirerek araçta farklılık istiyorsa erkektir.
  • bebek koltuğu istiyorsa çocuklu bir bireydir.
  • yıl sonuna doğru araç alıyorsa ya ticaretle uğraşıyor ve vergiden düşmesi açısından araç alıyordur ya da fiyat odaklı bir bireydir ve yılsonu indirimlerinden ya da model değişim öncesi indirimden faydalanmak istiyordur.
  • aracını tamir-bakım gibi hizmetler için servise getirme zamanından çalışıp çalışmadığı anlaşılabilir. (Mesai saatinde mi yoksa hafta sonunu mu tercih etmektedir.) Aracı hafta sonu ya da şoförünün aracı getirmesinden gelir düzeyinin yüksek olduğu anlaşılabilir.
  • araç alımı sırasında hava yastığı vb. donanımlara ekstra önem gösteriyorsa güvenliği ön planda tutuyordur.
  • en düşük fiyatlı araca direkt yöneliyorsa fiyat odaklıdır. Eğer fiyatın dışında diğer konular kararında etkili ise ihtiyaç/kalite/zevk odaklıdır.
  • hafif ticari araç alıyorsa esnaf vb. ticaretle ilgili çalışıyordur ve KOBİ’dir.
  • kamyon/otobüs vb araçlar alıyorsa lojistik sektöründe çalışmaktadır.
  • dolmuş-kamyon vb. araçtan bir adet alıyorsa ya kendisi kullanacak ya da lojistik sektöründe filo sahibi ve bu filoya bir adet daha ekleyecektir. Eğer bu araçlardan çok sayıda alıyorsa lojistik sektöründe patrondur.

Geri bildirim mesajım şöyle:

Satın alma sırasında bu bilgilerin büyük kısmını öğreniyorsunuz. Yani anlamlandırmaya ihtiyacınız olmuyor. İsterseniz zaten satın alma sırasında bildikleriniz ile verilerden yola çıkarak anlamlandıracaklarınızı ayırın.

Kendiniz için daha verimli çalışma olur.

Ödevi okuyunca aklıma şu resim geldi.

Veri-anlamlandirma

Mutlaka biliyorsunuzdur. Hava durumu tahminleri, veri anlamlandırmanın en önemli uygulamaları arasındadır. Veri analizi yaparak anlamlandırma becerimiz yoksa, bu resimde yer alan yöntemi uygularız.

 20 Mayıs 2014

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

Müşterinin değeri 2

Arkadaşlarım “bankaların neden çoğunlukla anlamsız teklifler yaptığını” [1] sordu. Bildiğim kadarıyla anlatayım.

Bankaların bir çoğu müşteriyi şöyle değerlendirir. Kullandığınız krediler bankadaki varlıklarınızdan (mevduat, yatırım fonları, tahviller, vb.) fazlaysa BORÇLU (hatta RİSKLİ [2] ), varlıklarınız fazlaysa ALACAKLI.

Diğer yandan bankacılık ürünlerinin kulanımı için müşterinin gelirinin önemli değişkenlerden biri olduğu da bilinir. Kredili ürün (kredi kartı, nakit kredi, oto kredisi, mortgage) almak isteyenler zaten gelirlerini belgelemek zorundadır. Bu müşterilerin verileri kullanılarak

  • Ücret veya gelirler,
  • Harcamaların toplamı,
  • Otomatik ödemedeki elektrik, su, gaz, vb. kullanımı,
  • Motorlu Taşıt Vergisi’ne göre arabanın markası, modeli, değeri
  • Borçların toplamı,
  • Vergi ödemeleri,
  • Gayrimenkulun değeri,
  • Kredi başvurusundaki veriler,
  • Gelirler ve harcama arasındaki farklar (ücretli / profesyonel kişiler için)

gibi değişkenler modellenir. Böylece gelirini belgelememiş olan müşterilerin gelirleri de tahmin edilmeye çalışılır. (Tahmin modelinin doğruluğu, geliri bilinen müşterilerle test edilir, düzeltilir.

Buraya kadar bilinmeyen, farklı birşey yok. Ne var ki CRM’in ilerleyen aşamalarında bu model müşteri potansiyelini saptamaya yetmez. Örneğin:

Müşteri 500 bin TL değerinde bir ev almaya karar verir. 150 bin TL’yi kendisi biriktirip, bankadan 350 bin TL kredi alır. O andan itibaren BORÇLU olur.

Ödemelerini düzgün yapar. Son birkaç aya gelindiğinde 20 bin TL borcu kalmıştır. Banka için hâlâ BORÇLU’dur. Taa ki tüm ödemeleri sona erinceye kadar… Yapılan teklifler de bu doğrultuda (borçlu müşteri için) hazırlanmıştır. Oysa CRM [3] müşteriye doğru teklif [4] yapmak için vardır.

O aşamada borcun ödenmeme ihtimali onbinde bir’in altındadır. Zaten, faizleri ile birlikte 330 bin TL’yi ödemiştir. Müşteri artık 500 bin TL değerinde bir evin sahibidir. Yakın gelecekte (hatta şimdiden) yatırım ürünlerini kullanmaya aday olmuştur.

 

Bankalar müşterinin potansiyelini anlamak için hangi verileri nasıl kullanacaklarını [5] saptarlar ve doğru kriterleri geliştirirlerse, gerçek CRM kavramlarına [6] yaklaşabilirler. O zaman da size doğru teklifleri sunarlar.

Resim BKM ajandasından alıntıdır

18 Eylül 2012