"bilişim" kategorisindeki yazılar:

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.

😉

24 Şubat 2019 Pazar

Veri – Soru – Pazarlama

Artık büyük veri değil büyük soru önemli” cümlesi üzerine Büyük Soru’nun ne olduğu konusunda [1] ve [2] yazı yayınladım.

Sosyal mecralarda [2]inci yazıya yapılan yorumlar üzerine, birkaç cümle daha söyleme hakkını kendimde buldum.

Teknoloji kökenli birkaç arkadaş, “pazarlamacıların teknoloji konularında konuşmaması gerektiğini” savundu. Elimden geldiğince yanıldıklarını anlatmaya çalıştım.

Neyi hatırladım biliyor musunuz? 2010 – 2011’de

birçok yazıyla uyarmaya çalıştım.

Web 2.0, bireyin kurumlardan güçlü olduğu son dönem. Beni pazarlama anlatarak sosyal mecraları kirletmekle suçlayan teknoloji kökenliler, bu dönemi sona erdirmek için var gücüyle çalışıyorlar. Sonunda kurumların işine yarayacak” diye her konuşmamda söyledim. ” “Üç satır kodlama bilmezsin, bu konularda ahkam kesme” diyen IT kökenliler sosyal mecralarda yazmadıklarını bırakmadılar.

Daha Cambridge Analytica‘nın adı duyulmamıştı.

  • Eski bir Karadeniz fıkrasının son cümlesiylle yanıt vereyim. “Hani… N’oldu?

Pazarlamacıları dışlamak, gerçeklerin görülmesini erteleyebiliyor.

😛

Şunu anlatmak istiyorum. Düşünülenin aksine, pazarlamacılar veri ve teknoloji konusunda konuşmalı. Elbette anlamalı ve konuşmalı.

Şanslı şirketlerde teknolojiden anlayan Pazarlama Üst Yöneticileri veya pazarlamadan anlayan Teknoloji Üst Yöneticileri vardır. Akıllı şirketlerde ikisini ayırt etmek zorlaşırcümlesini unutmayın.

Pazarlamacıların veriyi ve büyük veriyi bilmesi gerektiğini defalarca yazdım. Bazıları aşağıda…

Demek istediğim şu: Pazarlama ile teknoloji, iç müşteri kavramıyla değil, ekip arkadaşı kavramıyla çalışmazsa her ikisi de gerçeklerden kopuk oluyor. Pazarlama “mümkün olmayanı” istiyor; Teknoloji “müşteriyi düşünmeyen çözüm” öneriyor.

İç müşteri kavramı siloları yükseltiyor. Sadece IT değil, müşteri odaklılık yolunda Operasyon ve Hukuk gibi departmanlarla da mücadele ediliyor.

🙁

Gelişmelerden, verilerden, modellemelerden, iletişim teknolojilerinden uzak pazarlamacılar varsa, suçun hepsi değil ama çoğu pazarlamacılarla birlikte çalışmayı tercih etmeyen teknoloji insanlarının.

.