Bu blogda yayınlanan Doğru Raporlama ve Yapay Zeka yazısına yorum yapan sayın MAHİR H. “Yapay zekâ destekli raporlamaya geçmeden önce kurum genelinde ortak bir veri sözlüğünün oluşturulması gerektiğini vurguluyorsunuz. Sizce veri sözlüğünün ve kritik metrik tanımlarının sahipliği iş birimlerinde mi olmalı, yoksa iş birimleriyle veri ekiplerinin birlikte yönettiği bir veri yönetişimi yapısında mı?” diye sormuş.

Bu soru çok önemli + çokomelli. Veri sözlüğünün ve kritik metrik tanımlarının sahipliği konusu, veriye dayalı projelerin en hassas noktalarından biridir. CRM veya dijitalleşme projesine başlarken bu konuda karar vermemişseniz bile (ki çoğunlukla bu ihtiyacı bilemeyiz) süreç içinde karşımıza çıkar.

Sayın Ozan Kaan KARAMIK‘ın Linkedin’de yayınladığı “Çok acil, olmazsa olmaz denilip iş listesinin en önüne konan ama geliştirildikten sonra kimsenin kullanmadığı özellikler…” konulu bir yazısının yorumlarında bu konuya biraz dokunmuştuk. Ozan Kaan KARAMIK “Verinin sahibi ile bilginin sahibinin ayrışması meselesi az konuşulan ama sahada çok yaşanan bir durumdur” diye vurgulamıştı.

Dijitalleşme veya veriye dayalı düşünme konularına eğildiğimizde önemli duruma gelen “sahipliğin kimde olması gerektiği” konusunda ahkam (hatta racon) kesmeden önce sorumluluğun ne olduğunu tanımlamak isterim.

Kurumun Tek Doğrusu

Veri sözlüğünün amacı “kurumun tek doğrusu” diyeceğimiz alt-yapıyı, böylece kurumsal kavram birliğini oluşturmaktır. (Buna “aynı dili konuşmak” da diyoruz.) Kurumun tek doğrusu kavramı, teknoloji kavramı değil, kesinlikle iş birimi kavramıdır. Örneğin, müşteriler için:

• “Kredi alabilirliği yüksek”
• “Muhtemelen dolandırıcı”
• “Borcunu öder ama zamanında ödemez, sürekli geciktirir”
• “Gecikmeyi haklı göstermek için hep şikayetlerde bulunur”
• “Önce, çok satın alacakmış gibi pazarlık yapar. Sonra toptan fiyatına az ürün satın alır”
• vb… (yüzlerce bulabiliriz)

Bunlar teknoloji kavramları değil, bizzat iş birimlerinin kavramlarıdır. Bu noktada aynı fikirdeysek, iş biriminin “bilginin sahibi” olduğu konusunda da aynı fikirde olmamız gerektiği kanısındayım.

Bilgiden Veriye

Yukarıda “Verinin sahibi ile bilginin sahibinin ayrışması meselesi” dedik ya… Şimdi, bilgiden veriye doğru inelim. Tanımları yapmaya çalışırken, yukarıdaki her bir tanım (bilgi) cümlesi için, hangi verilere bakılması gerektiğine karar vermeliyiz.

Bu aşamayı daha ilk görüşmede anlattığımda “Aaaa… CRM çok kolay bir iş değilmiş. Danışmanın elinde sihirli değnek yokmuş. Öyleyse sonraya bırakalım” diyen kurum gibi düşünmeyin. Bir yerden başlamak gerekiyor.

O listeden tek bir cümleyi seçerek başlayalım. “Borcunu öder ama zamanında ödemez, sürekli geciktirir” diyorsak, her bir teslimat için:

• Borcun (alacak hesabının) doğduğu tarih [üretim tarihi mi, teslimat tarihi mi, kurumun zaten tanıdığı bir ileri vadeli tarih mi?]
• Borç tutarı
• Ödenmesi gereken tarih
• Gecikme olarak tanımlanan süre [çoğunlukla 3-5 gün sonra ödenmesi gecikme sayılmayabilir]
• Ödemenin yapıldığı tarih
• Ödeme yapılan tutar

verilerinin olması gerek. Ama yetmiyor.

Tanım gereği bu verilerin sonucunda şu hesaplamayı da yapmalıyız:

• Borç tutarı = Ödeme yapılan tutar [Borcunu ödedi]
• Ödemenin yapıldığı tarih (eksi) Ödenmesi gereken tarih (büyüktür) Gecikme olarak tanımlanan süre [ama gecikmeli ödedi]
• Bu iki koşulun da kaç kere tekrarlandığı [Bu bir alışkanlık mı]

Burada, bazı verilerin sahibi üretim ve/veya teslimat / lojistik ve/veya muhasebe ve/veya finansman departmanlarından biri veya birkaçı olabilir. “Borcunu öder ama zamanında ödemez, sürekli geciktirir” bilgisinin sahibi, muhtemelen Finansman veya Satış yöneticileridir. Kurum içinde bu kişi her kim ise, hesaplamanın nasıl yapılacağını da belirtmek zorundadır. (İsteyenler bu aşamada yapay zekadan destek alabilir. Hiç sakıncası yok ve hatta daha geniş görülmesini de sağlayabilir 🙂 ) Bu aşamada, veri ekiplerine güncelleme, hesaplama, rapor sıklığı, vb. gibi konularda danışılabilir ama sorumluluk ilgili iş birimindedir.

Eminim dikkat etmişsinizdir. Hem veri anlamlandırma, hem de veri modeli oluşturma örneklerini görmüş olduk. Veriden Önce Yanıtlanması Gereken Soru yazısındaki örneklerin nasıl yapıldığını da hatırladık.

CRM eğitimlerimde, farklı sektörlerdeki anlamlandırma tanımlarını ve tanım cümlesinden başlayıp veriye doğru geri yönlü yolculuğunu ödev olarak veririm. Projeye başladıkları zaman, ellerinde – kendilerinin yazdığı – bir rehber olmasını sağlamak isterim.

Sahiplik = Sorumluluk

Sahiplik kavramının bir önemli noktası, sorumluluğun
– işler kötüye gittiğinde “Ben yapmadım, Miki yaptı” diyerek başkasına bırakılan bir iş olmasını
– işler olumlu olduğunda “Hepsi benim fikrimdi. Miki’ye öyle yapmasını ben söyledim” denilmesini
engellemektir. Dolayısıyla sorumluluklar bir komiteye bırakılamaz. İlgili iş biriminde bir kişinin sorumlu olması tercih edilmelidir.

Amerikalıların “deve, komite tarafından tasarlanmış bir attır” (camel is a horse designed by committee) diye bir esprisi vardır. Ürün tasarımlarında farklı fikirler iyi olabilir ama sorumluluklar söz konusu olduğunda, tek kişinin sorumluluk almasına inanırım.

Veri Sözlüğünün Sahibi Kim?

Verinin ve bilginin sahiplerini belirledik. Onlar hep iş birimleri idi. Sıra geldi veri sözlüğüne… Burası tam da zurnanın zırt dediği yerdir.

Birçok farklı iş birimi, kendi doğruları yönünde tanımlar oluşturabilirler. Bir sözlük hazırlanacak ama her departmanın deyimleri, jargonu, beklentileri farklı olabilir. Oysa veri sözlüğü, kurumun tek doğrusunu sağlayan teknolojik alt-yapının sözel beyan ve taahhüt karşılığıdır. Farklı departmanların değişik beklentilerinin kurumun tek doğrusunu bozmamasını sağlamak, tarafları – gerekirse – bir araya getirerek sorunu çözmek ve tekrarlayan bilgilerin farklı tanımlarının olmamasını sağlamak gerekir. Biraz koruyucu hekimlik, biraz da bekçilik gerektiren bir görevdir.

Veriyle çalışmayı henüz yeterince içselleştirememiş iş birimlerinin taleplerini hizalamak için hem veri ekipleriyle yakın çalışacak, hem de iş birimlerinin sorunlarının kökenine inebilecek bir düzeyde olması gerekebilir. Benim önerim bu zor görevin, kurumun dijitalleşme projesi sponsoru (büyük olasılıkla CEO veya bir GMY) olan yöneticiye doğrudan bağlı – en az – direktör düzeyinde iş birimi kökenli olmasıdır. Zaten, veri ambarının teknoloji tarafını yöneten, teknoloji kökenli bir yakın çalışma arkadaşı olacaktır.

😉

Kültür Stratejiyi…

“Pusulanın ibresi hep iş birimlerini gösterdi ama nerede böyle ayrıntılı düşünen, veri modeli oluşturan ve anlamlandırma yapan iş birimi?” diye soruyorsanız… işte tam da bu nedenle, “dijitalleşme bir teknoloji değil kültür projesidir” diyoruz.

Eş zamanlı olarak Linkedin’de yayınlandı.

“Yapay zeka gelince …” diye başlayan soruları sıkça duyuyorum. Bir ara çok sayıda “YZ geldi, CRM öldü” diyenler vardı. Kısa yanıtını [1] – [2] kere verdim.

Bunları niye tekrar yazdım. Son zamanlarda okuduğum çeşitli makalelerde ve Linkedin paylaşımlarında YZ’nın ürettiği raporların doğruyu göstermediği, arka arkaya alınan raporlarda bile farklılık olduğu, vb. üzerinde duruluyor. Bu durumun çözüm yolları öneriliyor.

10-15 sene önceye gidersek… Danışmanlık vesilesiyle tanıdığım birkaç şirkette, farklı iş birimlerinin her birinde sadece raporlamayla uğraşan 4 – 5 kişilik gruplar vardı.  Bir bankada bu konu abartılmıştı. Bireysel Bankacılık, KOBİ bankacılığı, Ticari bankacılık, Kurumsal bankacılık, Özel bankacılık, Alternatif dağıtım kanalları, vb… her birinin ayrı raporlama birimleri vardı.

Yani 35 – 40 kişi, tüm mesailerini farklı kaynaklardan, faklı sistemlerden rakamlar bulup yönetim kademelerine rapor yazmaya ayırıyorlardı. Her bir departman farklı kaynakları ve farklı tanımları kullandığı için, aynı konudaki raporlar bile farklı rakamlar gösteriyorlardı. Aslında, yönetimin elinde sağlam ve tutarlı raporlar da olamıyordu.

Yapay Zeka Gelince

Yapay zeka ile yapılabilecekler konusunda senaryolar üretmek ve hayaller kurmak çok güzel. Bu senaryo ve hayalleri mercek altına alıp, olası sorunları aklımıza getirdiğimizde ise, bambaşka noktaları dikkate almamız gerektiğini görüyoruz.

• Serkan KAV‘ın “Bir Yapay Zeka Kararının Delili Nedir?” yazısı, bir yapay zeka kararının katmanlarına ışık tutuyor.
• İsmail Yaman‘ın  “Bazı Anlar Hâlâ Bir İnsana İhtiyaç Duyar” yazısı, havaalanlarında yapay zeka uygulamalarının senaryolarından yola çıkıp, olası sapmaların sonuçlarını incelemiş.
• Sibel Akoğlu‘nun mesajları ama özellikle “YZ destekli dinamik pazarlama kurguları” konulu yazısı.
• Bir de McKinsey makalesi ekleyeyim. AI data readiness: The key to scaling impact.

Bu dört yazıyı da, geçmişte benden eğitim almış (ve gelecekte alacak) arkadaşlara öneriyorum.

Ercüment Büyükşener‘in Linkedin’de paylaştığı yazıları ve sohbetleri de izlenmeli.

Bir de Alper Bayraklı‘nın Linkedin paylaşımları var. Yurt dışına da hizmet veren bir ajansın AI ile yolculuğunun güncesi gibi… Çoğunluğu “mutlaka okunmalı” dediğim yazılar. Bazı yazılarından seçtiğim cümleler şöyle:

• “Bunu Ahmet yaptı, ben bilmiyorum” cümlesi teknik borcun dokümante edilmemiş halidir.
• “Hafta sonu bir bakarız” cümlesi benim için sessiz bir krizdir.
• AI çağı, her şeyi yeniden yıkıp yeniden yaptığımız ilk çağ değildi. Waterfall’dan Agile’a, Monolith’ten Microservices’e geçişleri (ve zaman zaman geri dönüşleri) düşündüğümde, AI’ın bizi zorladığı yerin aynı olduğunu görüyorum: zihniyet değişikliği.

Doğru Raporlamak İçin

Mevcut durumda yaptığınız işleri (ve raporları) aynen dijitalleştirirseniz… hızını artırırsınız ve sabitlersiniz. Zaten yaptığınız yanlışı daha hızlı ve geri alınmaz büyük bir yanlış hâline getirirsiniz.

Bu kadar uzun giriş paragrafları ve referanslar yazmamın nedeni, bu cümledir.

Şimdi çözümü konuşalım.

İlk yapmanız gereken çalışma, mevcut raporları gözden geçirmektir.

Tıpkı “Veriden Önce Yanıtlanması Gereken Soru” yazısında vurguladığım gibi “Ne yapacaksın bununla?” sorusuyla başlanmalıdır.

• Bu raporu kim üretiyor?
• Neden bu rapor üretiliyor? Hangi belirsizliği azaltıyor?
• Kim kullanıyor?
• Nerede kullanıyor?
• Hesaplama yöntemi nedir?
• Bu yöntem gerçekten amaca hizmet ediyor mu?
• Başka bilgilerle desteklenirse, daha doğru karar verilebilir mi? (Hangi başka bilgiler?)
• Bu rapora dayalı kararlarda nasıl sonuçlar elde edildi? (Gerçekten işe yarıyor mı?)
• Bu rapor hâlâ geçerli mi? (Hangi durumlarda bu raporu dikkate almamamız lazım?)

Bu soruların bir kısmının yanıtını yapay zekadan alabilirsiniz. Hiç sakıncası yok, hatta yararı var. Yeter ki ilk soruları kendiniz yanıtlamaya çalışın.

Bu soruları yanıtlamaya kalkıştığınızda kendinizi “Veriden Önce Yanıtlanması Gereken Soru” yazısında anlattığım veri sözlüğünün karşısında bulacaksınız. Bu noktada “yapay zeka varken buna gerek yok” demeyin.

• Ömer KORKMAZ, Linkedin’deki yazısında şu noktalara değinmiş. “Verisini yönetemeyen bir otel, yapay zekâyı nasıl yönetecek?“, “Yoksa mevcut dijital karmaşanın üzerine eklediğimiz daha pahalı bir katman mı?“, “Daha kaliteli veri. Ve mümkünse tek bir doğruluk kaynağı.” (Aradan işime gelen cümleleri çekip aldığımı düşünürseniz, tamamını okuyuverin.)
• Sibel Akoğlu‘nun yukarıda referans verdiğim yazısı, müşteri odaklı veri ambarının önemine değiniyor.
• McKinsey’in AI data readiness: The key to scaling impact makalesinde, tekrar kullanılabilecek verilerin önemine değiniliyor.
• Elinizde veri olabilir ama bağlam ve müşteri deneyimi konusunda yeterli tecrübeniz yoksa, felaket yanlışlar yapabilirsiniz. O dönemlerde bunun sorumluluğunu insanlar üstleniyordu. Artık “Ben yapmadım, yapay zeka yaptı” mı diyeceksiniz.

Envanter yönetiminde FIFO (First in first out) ilk giren ilk çıkar – LIFO (Last in first out) son giren ilk çıkar gibi yöntemler vardır. Veri yönetiminde GIGO (garbage in garbage out) çöp koyarsan çöp alırsın değişmez bir gerçektir.

Yapay zeka bunu azaltmaz ama hızlandırır.

Özetle

“Yapay zekayı raporlama için kullanıyorum. “Şu müşterideki son durumu bana şu şekilde özetle” diyorum. Şipşak görüntü alıyorum” diyorsanız… kişisel kullanım için ehh… idare eder. Ama kurumsal boyutta böyle düşünüyorsanız.

Birkaç sene sonra anılarınızı ve hüznünüzü paylaşacağınızı şimdiden söyleyebilirim.

Eş zamanlı olarak Linkedin’de yayınlandı.

.

Toplantı daha başlamamıştı. Büyük patron salona girdi ve daha yerine oturmadan “anlaşılan müşterinin kim olduğunu bilmiyormuşuz ki bizi de eğitime çağırdılar” dedi.

Videoyu biraz geriye saralım… Birkaç markası olan bir kurumun CRM müdürü, “müşteri deneyimi” konusunda eğitimler planlamış. Planlarken iyi ama hayata geçirmek için bütçe gerekiyor. Kurumlaşma yok. Tek karar verici patronlar. Sonuçta, patronların katılacağı bir toplantı düzenlendi. Sunumu ben yapacaktım.

Toplantı salonunda masalar uzun bir U oluşturacak şekilde dizilmişti. U’nun iki yanında arkalığı kısa sandalyeler, sunumun yansıtılacağı perdenin tam karşısına ise dört tane yüksek arkalıklı sandalye koyulmuştu. Kurumdaki emir-komuta katmanları arasındaki ayrım net olarak kendini gösteriyordu.

Sahneyi en çok kullanması beklenen kişi olduğum için, U masanın bir köşesine iliştim. Karşı tarafa müdürler yerleşti. İnsan kaynakları, iletişim, bilgi işlem, pazarlama… Daha sonra soyadları holding ile aynı olan 30-40 yaş arası katılımcılar geldi. Onlar da alçak arkalıklı sandalyelere fakat U’nun köşesine (dolayısıyla yüksek arkalıklı sandalyelere) en yakın yerlerde oturdular.

Hepimiz (yaklaşık yirmi orta kademe yöneticisiyle) hazır olunca patronlara haber verildi. İkisi günlük giysiler, biri ceket – gömlek – kravat giyen üç patron geldiler. Kravatlı patron kapıdan girerken “anlaşılan müşterinin kim olduğunu bilmiyormuşuz ki bizi de eğitime çağırdılar” dedi. Kendisi ortaya, diğerleri iki yana yerleşti.

Babalarından kalan küçük dükkânı büyük bir holdinge dönüştürmüş olan kardeşler yüksek arkalıklı sandalyelere kuruldular.

Ben sahneye geçtim, kendimi tanıttım ve MÜŞTERİ’nin tanımının kafa karışıklığı yaratabileceğini söyledim. İletişim ajansı ve pazarlamaya göre tanımı ile bilgi yönetimine göre tanımı arasındaki farkları anlatmaya başladım.

Brand Map’in  Ocak-Şubat 2024 sayısında bu farklar üzerinde durmuştuk. Sahnede, neden bu farkların önemli olduğundan bahsettim. “Müşterinin tanımını, bir yazılım cümlesi ile veri ambarından alacak biçimde yapamazsanız, müşteri geri kazanım projesi yapamazsınız” dedim. Bunu derken firmanın Bilgi İşlem müdürüne baktım. Bilgi İşlem Müdürü, beni onaylayan şekilde başını sallarken yüzünde “buralarda öyle olmuyor, maalesef” ifadesi vardı.

Veriye dayalı pazarlama yapmak isteyen kurumların birçoğunda, sürecin ilk aşamalarında ticari iş birimleri ile bilgi işlem çalışanları arasında çelişkiler olması kaçınılmazdır. Pazarlama teknolojisti (mar-tech expert) unvanının çıkma nedeni bu çelişkidir. Okuduğunuz yazının amacı, yeni bir aracı pozisyon yaratma gereğini ortadan kaldırmak ve kurum içinde sözel – sayısal ayrımını azaltıp ikisinin bir arada uyum içinde çalışmasını sağlamaktır.

Neden İşlevsel Tanım

Müşterinin tanımını, ölçülebilir ve yazılım cümlesi halinde veri ambarından alınabilir şekilde yapmazsanız bazı sorunları yaşarsınız.

“Bizimle en az bir faturalı işlemi olan” diye tanımladığınızı varsayalım. Yazılım cümlesi olarak kolay bir tanım yaptınız. Fatura bilgileri sayesinde veri ambarınıza müşteriyi kaydettiniz. “Kaç müşterimiz var?” diye sorulduğunda yanıt verebilirsiniz. Müşterileri cirosuna ve karlılığına göre sıralayabilirsiniz.

İlk adımı başarıyla geçtiniz. Alışveriş devam ediyorsa sorun yok. Her yeni işlemi sisteminize kaydedersiniz. Ciro, karlılık, ürün sayısı ve birçok ek bilgi ile müşteri bilgi dosyasını güncellersiniz.

İyi de bazı müşteriler bir süre sonra işlem yapmayabilirler. Rakiplere gidebilirler, işi kapatmış olabilirler veya sektör değiştirebilirler. Sizinle belli bir süre tekrar ilişki kurmayan müşterinize kendinizi hatırlatmak istersiniz. Acaba gerçekten kaybettiniz mi, yoksa rakipler nedeniyle sizi unuttu mu?

Müşterinin sizinle yaptığı en son işlemden bu yana uzun bir zaman geçmişse, onları hâlâ müşteriniz zannetmeniz yanlış olur. Bu durumda “en az bir faturalı işlemi olan”  tanımınız geçerliğini kaybetmeye başlar. Tanıma “en son alışveriş tarihinden bu yana şu kadar zaman geçmemiş olan” diye bir sınır eklemek istersiniz. Buradaki zaman sınırı sektörünüze, hatta müşterinin aldığı ürüne göre değişir. Supermarket zinciri için 15 gün, buzdolabı için 6-7 sene diye düşünmek yanlış olmaz.

Böyle olunca aktif müşteri, inaktif müşteri ve kayıp müşteri diye (aslında ilk yaptığınız müşteri tanımına bağlı) ek sıfatlar üretmek zorunda kalırsınız. Tanımlamalar yaparken en  kolayı “şu kadar süreden beri benimle işlem yapmamışsa onu kaybetmişimdir” diye belirlemektir. Bu cümle “hâlâ geri kazanma fırsatı olan süreyi” de tanımlar.

Yeni Tanımlar

Veriye dayalı pazarlama çalışmalarını şirkette hayata geçirdikçe yeni tanımlara ihtiyaç duyarsınız. Bankacılıktan bir örnek vereceğim.

Müşterinin iki ek kartı var. Biri eşinde, diğeri kızında. Dolayısıyla eşi ve kızının da tüm müşteri bilgileri sisteminizde kayıtlı. Ek kredi kartı dışında bankayla hiçbir ilişkileri yok. Bu ikisini müşteri değil kredi kartı kullanıcısı diye tanımladık.

Bir kişi, banka müşterisinin kestiği çek ile başvurdu ve parasını istiyor. Bankayla başka hiçbir ilişkisi yok. Elbette onun da tüm bilgilerini aldınız, parasını ödediniz gitti. Onu müşteri değil keşideci diye tanımladınız.

Ticari müşterinizin mağazalarında kredi kartıyla ödeme (POS) cihazınız var. En çok işlem yapan mağazanın müdürünün bazı bilgileri muhtemelen sizde kayıtlı ama hesabı yok. Tüm şahsi bankacılık işlemlerini başka bankalarla yapıyor. Onu da müşteri değil POS kullanıcısı diye tanımladınız.

“Ne mutlu ki bankacılık sektöründe değiliz. Bu kadar çok tanım gerekmiyor” diye düşünüyorsanız, GSM operatörü için örnek vermek isterim.

Müşteriler, çocukları 10 yaşına gelince cep telefonu veriyorlar. Müşterinin iki çocuğu varsa, üzerinde üç telefon olacak. Sizdeki kayıtlarda aynı müşteri adına üç telefon görünüyor. Müşteri çocuklarıyla görüştüğünde iki telefonun birbiriyle görüştüğünü biliyorsunuz. Ağır bir kişilik bölünmesi hastalığı yoksa (ki genelde pek olası değil) müşterinin bir başkasıyla konuştuğunu anlıyorsunuz. Ama bu sefer kullanıcının kim olduğundan tümden habersizsiniz. Oysa, kendi telefonunun sahibi olacağı zaman rakibinizin değil sizin müşteriniz olmasını sağlamak için şimdiden çalışmaya başlasanız iyi olur.

Petrol istasyonu için Brand Map’in  Ocak-Şubat 2024 sayısında örnek vermiştik.

Petrol şirketi bir kurum ile anlaşıyor. Bütün makam arabaları, o şirketin istasyonlarından akaryakıt satın alıyorlar. Sürekli olarak sizin istasyonunuzdan satın alması için promosyon yapıyorsunuz. Şirketin müşterisi ve istasyonun müşterisi diye katmanlar ortaya çıkıyor.

Süpermarket zincirine gelelim.

Sadakat programı yaptınız. Eskiden kart vardı ama artık telefon numarası üzerinden çalışıyorsunuz. Ciroya dayalı özendirmeler yaptınız. Müşteriniz durumu ailesi ile paylaştı. Tüm aile, alışverişlerde aynı telefon numarasını kullanıyor. Böylece ciroya dayalı indirimlerden yararlanıyorlar.

Verilere baktığınızda en az iki hatta daha fazla kişi tarafından kullanıldığını anlıyorsunuz. Aynı gün hem Kadıköy’de hem Marmaris’te kullanılmış. Ertesi gün de Kadıköy ve Marmaris alışverişleri var. Bir de araya İzmir girdi.

Onlar yolculuk yaptığında farklı kişilerin alışverişlerini ayırt edebiliyorsunuz ama hepsi eve döndüğünde aynı mağazanızı kullanıyorlar. Belki müşteriniz vegan ama kardeşleri değil. Müşteriniz hiç kahve içmiyor ama kardeşleri kahvesiz ayılamıyor.

Farkında mısınız, kimin alışveriş yaptığını bilmediğiniz gibi müşterinizi iyi tanımanızı sağlayan alışveriş verileri de bozuluyor. Keşke farklı tanımlayabilseniz de doğru müşteriye doğru teklif yapabilseniz.

Veriye dayalı pazarlama projeleri devam ettikçe, birçok farklı tanıma gerek duyarsınız. Tanımların hepsi yazılım cümlesi ile ifade edilebilir ve veri ambarında aranılabilir tanımlar olmak zorundadır.

Devamı var

Veriye dayalı pazarlama projelerinin amacı “doğru müşteriye, doğru zamanda, doğru ürünü, doğru teklifle sunmak”. Bunu başarabilmek için müşteriyi tanımlamak, veriyi anlamlandırmak, ayrımları (belki farklı kişilerin kullandığını) fark etmek, istisnaları ve modeli saptıran durumları belirlemek, anlamları test etmek ve derinleştirmek… gerekiyor.

Bitmedi… Müşteriyi tanımaya başlayınca, deneyim yolculuğunu da çıkarmak gerekiyor. Yolculuk haritası belirlenmezse, ayrımları saptamak ve bir sonraki olası ürünü tahmin etmek imkansızlaşır.

“Bunu yapay zekâ yapıyor, öğrenmeye ne gerek var” diye sorarsanız klişe yanıtımı söylerim: “Yapay zekâ kolay, parasını verince en iyisini alıyorsun. Sorun, gerçek zekâ bulmak”.

Biz, bir sonraki yazımızda müşteri deneyim yolculuğuna giriş yapalım. Yapay zekayı biz yönetelim.

😉

Not: Bu yazı ilk olarak BrandMap’in Temmuz-Ağustos 2024 sayısında yayınlanmıştır.