"bilişim" kategorisindeki yazılar:

05 Haziran 2019 Çarşamba

Kendini “Veri Bilimcisi” sıfatlamak

Linkedin’de bir anket gördüm. “Veri ile çalışanlar anketi” diye isimlendirilmişti. Anketin arkasında bir girişimin ve bir öğretim üyesinin isimleri vardı.

Sosyal mecralarda yayınlanan anketleri ciddiye almam. Ama bir öğretim üyesinin adını görünce ciddiye aldım. Anketi inceledim. İlerleyemedim.

Öğrenim durumunuz?” sorusunu LİSE diye yanıtlıyorsunuz ve sonraki soruda “En son mezun olduğunuz alan/bölüm?” diye şu liste geliyor.

Anketi biraz daha inceledim.

Bugünün iş dünyasında en alt kademe dışında herkesin “veri ile çalışması gerektiğine” inanan ve bu konuda onlarca yazı yayınlamış biri olarak hem anketin adının, hem de kapsamının yanlış belirlendiğini gördüm.

Bunun üzerine Linkedin’de bu anketin yayınlandığı post’un altına şöyle yazdım.

Anket, araştırma yöntemlerini bilmeyen kişiler tarafından tasarlanmış. Sorular arasında büyük tutarsızlıklar var.

  • Veri ile çalışanlar anketi değil, veri ambarı sorumluları anketi haline gelmiş.
  • Son mezun olduğu okul LİSE olan biri, devamını nasıl dolduracak düşünülmemiş.

İlk 2 hücreyi doldurmuştum, devamına ilerleyemedim.

Unvanını “veri bilimcisi” (vb) olarak saptamış arkadaş ile şöyle yazıştık.

vb – “Bilmiyorum ama fikrim var.”
ben – Yazık
vb – “Bilmediğimi de bilmiyorum ama illa bişeyler söylemeliyim ki bilmediğim anlaşılmasın.”

İlk mesajımın anlaşılmadığını görünce daha ayrıntılı yazmak zorunda kaldım.

Bugünün iş dünyasında, hemen her orta-üst ve üst düzey, veri ile çalışır. Anketi düzenleyenler, sadece IT kökenliler için düzenlemişler.
Bu nedenle anketin adı “Veri ile çalışanlar” olmamalıydı.
2014 başında yayınladığım şu yazı, fikir geliştirmede yardımcı olabilir https://www.uzaktancrmegitimi.com/6509/2018-yilina-dogru

Sonra yazışma şöyle devam etti:

vb – Teşekkürler. Haklısınız işin teknik tarafı ile ilgilenenler için düzenliyorum anketi.
ben – Peki, yukarıdaki “Bilmiyorum ama fikrim var.” ve “Bilmediğimi de bilmiyorum ama illa bişeyler söylemeliyim ki bilmediğim anlaşılmasın.” cümlelerini nasıl yorumlamalıyım. Daha geniş anlatabilir misin lütfen?
vb – İç ses olmalı en azından.
ben – Kimin iç sesi?

Bu soruya uzun süre yanıt alamadım. Anladığım kadarıyla laf sokuşturma çabasında bir genç arkadaş var karşımda. (Yazışmanın devamı en altta… ama arayı okumadan son kısma geçmeyin.)

🙁

Bülent Eczacıbaşı bir konuşmasında “Hepimizin yaptığı bir hata vardır. İnsan tanımak Hemen hepimiz “insanı çok iyi tanıdığımızı” zannederiz. En büyük yanlışlardan biri “ben insanı gözünden tanırım” zannetmektir” demişti.

Bu hatayı sıkça yaparım. Sonra yanıldığımı anlarım. Yine aynı şey olmuştu.

🙁

İşin duygusal tarafını bir yana bırakayım ve araştırma yöntemlerinden bahsedeyim.

Önce KAPSAM (çerçeve) belirlenir. Kapsam, amaç ile tümden paralel olmalıdır. Bu ankette kapsam “veri ile çalışanlar” değil, “veri işlerinin teknik taraflarında çalışanlar” olmalıydı. Böylece, bugünün dünyasında orta yönetim kademelerinden başlayarak veri ile çalışan herkes değil, sadece teknik elemanların katılması sağlanırdı. Veri kirliliği engellenirdi.

Sonra soruların seçenekleri tutarlı olur. “Öğrenim durumunuz?” sorusunu LİSE diye yanıtlayana o seçenekler gösterilmez.

Seçenek hazırlarken de yapılacak önemli işler var.

  1. Bir yazılım şirketi sahibi arkadaşım var. İşletme doktorası yaptı. Verileri daha iyi anlamlandırmak için “antropoloji” doktorası yapmaya başladı. Bu arkadaşım ikinci doktorasından mezun olursa,  “En son mezun olduğunuz alan/bölüm?” sorusuna verecek yanıtı olmayacak. Seçenekler arasında işletme dışında sosyal bilimler yok.
  2. Normal lise mezunu bir genç girişimci arkadaşım var. İlk yazılımını 16 yaşındayken satmıştı. Telekom şirketlerine yıllarca tedarikçi olarak çalıştı. Veri güvenliği konusunda sayılı uzmanlardan biri. Bu anketin ilk 3 sorusunda tıkanıp kalır.
  3. Bu gibi konuları dışarıda bırakmamak ve anketi kurgularken varsayımlar dışındaki olası gelişmeleri anlamak için, mutlaka “Diğer” seçeneği eklenir. Yüzde bir, binde bir olasılık da olsa, “Diğer” mutlaka eklenmelidir.  (Bu “Diğer” seçeneği, araştırma yöntemleri dersinde sınıfta kalma / geçme çizgisidir.)

Bana hakaret eden “veri bilimcisi” olduğunu söyleyen arkadaşa şunları söylemek isterim.

  • Kapsam araştırmanın temelidir. Bunu açıkça belirlemeyen;
  • Seçeneklere “diğer” koymayı unutan;
  • Mesajı anlamak için hiç çaba sarfetmeyen;
  • Geri bildirim geldiğinde kök nedeni sorgulamadan tepki gösteren

kişi veri bilimcisi olduğunu iddia etmemeli.

🙁

Meraklısına, iletişimin devamı aşağıda:

Ben maalesef, insan konusunda yanılmakla ünlüyümdür.

🙁

8 Haziran 2019 tarihli EKLEMELER

Türkiye’nin büyük veri ile çalışan hemen her kurumuna “Pazarlamada Veri ve Büyük Veri Kullanımı” eğitimi verdim.

Benim işim veri ile çalışmak ve ben anketi dolduramıyorum.

😉

Tüm yöneticilerin veri ile çalışması gerekiyor. Ancak, bu genellemenin yanısıra;

  • CRM – Müşteri İlişkileri Yönetimi
  • CXM – Müşteri Deneyimi Yönetimi
  • Geri bildirim yönetimi
  • Dijital pazarlama – Kişiselleştirme

gibi konularda işi bizzat “veri ile çalışmak” olan çok sayıda “teknik olmayan” kişi var. Araştırmayı “Veri ile çalışanlar anketi” diye isimlendirmek yerine “verinin teknik taraflarıyla sınırlı olduğunu” belirten bir cümle eklenseydi, bu tartışma olmayacaktı.

.

01 Nisan 2019 Pazartesi

Veri Bilimi ve Büyük Soru

Veri bilimci olmak için, iş süreçlerini bilmek, sahada olan biteni anlamak ve bilançoya ve/veya stratejiye katkıda bulunacak içgörüleri geliştirmek gerektiğinden bahsetmiştim.

Bu yazıdaki şema konusunda sosyal mecralarda değil, doğrudan mesajlarda (DM) sıkı tartışmalar oldu. İş sonuçları (bilanço veya strateji) ile, hatta veri anlamlandırma ile pek ilgilenmeyen birkaç genç teknolog “İş sonuçları filan ayrı konular. Eğer makine öğrenmesi, yapay zeka, veri görselleştirme yoksa, veri bilimi yoktur” noktasında ısrarcı oldular. Hatta, “bu yazıdaki veri bilimci tanımının bana özel olduğunu” savundular.

😉

Airbnb’nin ilk zamanlarında işe başlayan veri bilimcisi Riley Newman’ın çok beğendiğimi daha önce vurguladığım yazısında bu konuda güzel ipuçları var.

Diyor ki:

Bir veri, bir hareketin veya etkinliğin kaydıdır; çoğunlukla bir kişi tarafından verilen bir kararın yansımasıdır. Eğer bu karara yönlendiren etkinliklerin sırasını oluşturursan, bundan ders alabilirsin; bu müşterilerin neleri sevip nelerden hoşlanmadıklarını söylemlerinin dolaylı yoludur

Veri bilimi bir yorumlama işidir – müşterinin sesini karar vermeye daha uygun bir duruma tercüme ederiz.

Biz aslında karar verme işindeyiz ve şirket silolaşınca bu işi başarıyla yapamadığımızı öğrendik. İş ortağı ekipler bizimle nasıl etkileşimde bunulacaklarını anlamadılar ve veri bilimci ekibimiz de neyi çözecekleri veya ne yapmaları gerektiği konusunda büyük resmi göremediler.

Zamanla bir kaynak gibi görülmeye başlandık ve bunun sonucunda reaktif (gelecek fırsatlar hakkında proaktif değil, istatistik taleplerine yanıt veren) olduk.

  • Yazıdan Türkçe alıntılar okumak isterseniz burada ve burada; yazının 2015 tarihli İngilizce aslı ise şurada. İngilizce biliyorsanız, aslını mutlaka okumanızı öneririm.

Airbnb’nin “Mühendislik ve Veri Bilimi” blogundan devam edeyim. “Yeni Veri Bilimcilere Tavsiye” adlı yazısında Airbnb’nin bir başka veri bilimcisi Lindsay M. Pettingill şöyle diyor:

Artık yeni veri bilimcisin. Tebrikler. İlk veri işindeki genç veri bilimciysen ve “Nasıl etkin iş yaparım?” diye kendine soruyorsundur. Bu yazı iş yapmaya odaklıdır.  Öncelikle ürün ekiplerinde yerleşik veri bilimcilere yöneliktir, ancak ipuçlarının çoğu teknik roldeki herhangi bir yeni işe alım için genelleştirilebilir.

Bu yazıda etkili icraatı aşağıdaki 4 kategoriye ayırdım:

  1. Önceliklendirme,
  2. Görevlerin ne kadar süreceğini tahmin etme,
  3. Sorularınızın nasıl yanıtlanacağı ve
  4. Çalışmaların iletişimi ve paylaşımı.

😉

Görüldüğü gibi gerçek veri bilimciler, iş birimleri ile sürekli yakın çalışırlar ve iş sonuçları ile ölçülürler.

Bu çerçevede, bence…

İyi bir veri analisti, 2 yıllık MIS mezunu bulur ve veri madenciliğini ona yaptırır; sonra doğru çıktılarla verinin doğru toplanması, amaçlar doğrultusunda hazırlanması, ilişki ve bağlantıları ortaya çıkaracak düzeyde modellenmesi işini kendi yapar.

İyi bir veri bilimci, tecrübeli birkaç analist + sahada çalışanlar + ürün ve pazarlama yöneticileri ile veriyi anlamlandırır ve kurumsal stratejiyi değerlendirecek hatta yönlendirecek içgörüleri üretir. (Nasıl ki, bir kuruma kredi verme kararı için bilanço analizi yapmaktan çok daha fazlası gerekiyorsa, veri bilimci için de veri analizinden çok daha fazlası gerekir).

İyi bir veri bilimci, makinenin neyi nasıl öğreneceğine karar verir. Süreç önce verinin iş birimine yarayacak duruma getirilmesi ile başlar. Makine öğrenmesi sonraki adım. (Önceki yazıdan alıntı)

😉

En yukarıdaki küçük şekildeki her bir basamak arasındaki en önemli fark nedir biliyor musunuz? Tek cümleyle özetleyeyim… Doğru Soruyu Sormak.

Not: Resimler de Airbnb blogundan alıntıdır.

 

28 Mart 2019 Perşembe

Pazarlamada Dijital Dönüşüm

Bugün OMERD tarafından düzenlenen Pazarlamada Dijital Dönüşüm konulu etkinlikte konuşmacıydım.

Son zamanlarda gündemde olan “Büyük Veri / Büyük Soru” [Big Data / Big Question] ile başlayıp, “pazarlamacılar veriden anlamalı” diye biten bir konuşma yaptım.

🙂

Bu konuşma sırasında çekilen ve Linkedin’de yayınlanan bir resim sayesinde,

doğrudan mesaj DM üzerinden bir tartışma oldu. Benim VERİ BİLİMİ kavramımın “genel kabul görmüş” veri bilimi kavramlarıyla uyuşmadığını tartıştık.

Sunumdaki resim şöyle:

Bu iç içe daireleri bir yabancı blogda gördüm. Ne var ki, oradaki aşamaları beğenmediğim için, kendi basamaklarımı yazdım.

Yabancı yayınlarda VERİ ANLAMLANDIRMA hemen hiç kullanılmıyor. Dolayısıyla, ticari sonuçlardan – neredeyse –  bağımsız, tamamen teknoloji odaklı bir VERİ BİLİMİ anlatılıyor. Veri Bilimi konulu yazıların çoğunun içinde her türlü veri teknolojisi var ama anlamlandırma, içgörüye dönüştürme ve ticari başarı yok.

🙁

Yakın geçmişte şahit olduğum bir toplantıyı anlatayım.

Dünya çapında bilinen bir teknoloji ve donanım firması, bulut bilişim konusunda bir İngiliz girişimini satın almış. Türkiye’deki müşterileri için danışmanlık hizmeti verecek kurum arıyorlardı. Öğretim üyesi arkadaşım onları “sanayi-okul işbirliği” çerçevesinde bir üniversitenin üst yönetimi ile tanıştırdı.

Masada MIS Bölüm Başkanı profesör, Mühendislik Fakültesi Dekanı profesör, Rektör Yardımcısı profesör, arkadaşım, ben ve uluslararası firmanın Türkiye Genel Müdürü ile bulut bilişimci girişimci (35 – 40 yaşlarındaki) İngiliz vardı.

MIS Bölüm Başkanı profesör “Biz veriyi öylesine inceleriz ki daha önce farketmediğiniz ilişkileri buluruz” diye başlayan birkaç dakikalık konuşma yaptı.

  • Bu “daha önce farketmediğiniz gizli bağlantılar ve ilişkiler” konuşmasının benzerlerini defalarca duymuşumdur.

İngiliz girişimci, profesöre “Biz artık veri madenciliğine veri bilimi demiyoruz” dedi.

  • Biliyor musunuz… Toplantıya gitmeden önce arkadaşıma, bunun olacağını söylemiştim.

😉

Dün akşamki tartışmamızın sonu şöyleydi. Bana “Makine öğrenmesi konusunu niye veri bilim içerisinde görmüyorsunuz? Bir araç gibi mi düşünüyorsunuz?” diye soruldu.

  • Aslında makine öğrenmesi veya yapay zekayı tümden dışlamıyorum. Zaten dışlanamaz. Sadece – gerçek zeka olmadan yapay zeka uygulamalarını gördükçe – onların yerini farklı görüyorum.

Eğer veri bilimci iyi ise, makinenin neyi öğrenmesi gerektiğini oluşturması kolay. Süreç önce verinin iş birimine yarayacak duruma getirilmesi ile başlar. Makine öğrenmesi sonraki adım.” diye yanıtladım.

😉