Tahmine yönelik araçlarınızdan en fazla faydayı elde etmenin yolları.

Birçok yönetici karar vermek durumundadır. İK uzmanları kimi işe alacaklarını belirlerken aslında kimin en etkili olacağına karar verirler. Pazarlamacılar, hangi dağıtım kanalını kullanacaklarını belirlerken aslında ürünü en iyi nerelerde satacağını tahmin etmeye çalışırlar. Girişim sermayedarları hangi startup’a para vereceklerini belirlerken o şirketin başarılı olup olmayacağını tahmin etmeye çalışırlar. Şirketler, bunlar ve diğer iş kararlarını verebilmek için her geçen gün daha fazla oranda bilgisayar algoritmalarına başvuruyor. (Bu algoritmalar inanılmaz hızlarda ve ölçeklerde analitik işlemler gerçekleştirebiliyor.)

Algoritmalar çok daha doğru tahminlerde bulunabilir ancak kendilerine has riskleri de vardır, özellikle de onları tam olarak anlamazsak. Bu konuda yüksek profilli birçok örnek mevcut. Netflix, belirli bir kullanıcının hangi filmi beğeneceğini tahmin etmeye yönelik bir algoritma oluşturmak üzere bir yarışma açtığında, veri bilimcilerden oluşan ekipler güçlerini birleştirdi ve bir kazanan ortaya çıktı. Ancak bu yarışmada DVD’ler değerlendiriliyordu ve Netflix internet üzerinden film izlemeye yöneldiğinde kullanıcıların beklentileri algoritmanın tahminlerinin dışına çıkacak biçimde değişmeye başladı.  

Diğer bir örnek de sosyal medya dünyasından...  Bugün birçok site hangi reklamların ve bağlantıların kullanıcılara gösterilmesi gerektiğine dair algoritmalar kullanıyor. Eğer bu algoritmalar sadece ziyaretçilerin tıklamalarını artırmaya odaklanırsa siteler düşük kaliteli tıklanma noktaları haline dönüşür. Tıklama oranları artar, ancak toplam müşteri tatmini ciddi oranda düşebilir. 

Bu tür sorunlardan kaçınmayız. Birçok şirkette yaptığımız, algoritmaları tasarlama ve uygulamaya yeni veri kaynaklarını belirlemeye yönelik çalışmalarımızda sorunun algoritmalardaki hatalar olmadığını, asıl sorunun algoritmalarla etkileşimimizdeki hatalar olduğunu gözlemledik. Yöneticiler yanlış adımlardan kaçınmak için algoritmaların neleri doğru yaptığını, hangi sorulara yanıt verebildiklerini hangilerine veremediklerini doğru anlamalı. 

Akıllı Algoritmalar Neden Bizleri Yanlışa Sevkeder?

Sayısı her geçen gün artan deliller gösteriyor ki algoritmaları daha insancıllaştırmak, onları daha kolay kabullenmemizi sağlıyor. Eğer otomatik bir arama fonksiyonu tasarlıyorsanız bu yaklaşım işinize yarayabilir. İnsanlar elektronik bir sesi dinlemektense gerçek bir insanın sesini dinlemeyi tercih eder. Ancak temel sorun insanların algoritmaları ve onları çalıştıran makineleri bir çalışanı, yöneticiyi veya iş arkadaşını değerlendirir gibi değerlendirmeleridir. Fakat algoritmalar iki özellikleri nedeniyle insanlardan çok daha farklı biçimde hareket ederler: 

Algoritmalar aşırı derecede direkttir. Avengers serisinin son filminde Tony Stark (Iron Man olarak da bilinir) Ultron adını verdiği ve görevi Dünya’yı korumak olan bir yapay zeka temelli savunma sistemi yaratır. Ancak Ultron bu görevi direkt olarak değerlendirir ve sonunda Dünya’yı korumanın en iyi yolunun tüm insanlığı yok etmek olduğu kanısına varır. Ultron birçok özelliği gereği sıradan bir algoritma gibi düşünmektedir: Aslında kendisine ne söylenirse onu yapar ve diğer tüm çıkarımları göz ardı eder. Eğer algoritmaları doğru yönetmezsek başımız derde girer. 

Bir anda tıklama tuzaklarına dönüşen sosyal medya siteleri de aynı hataya düşmüştür. Hataları sadece ziyaretçilerin ilgisini çekecek ve tıklamalarını sağlayacak içerik üretmektir. Bunu algoritmayla ilişkilendirirken bir dizi talimat ortaya koyarlar ve kullanıcıların en fazla tıkladığı unsurları belirlemeye çalışırlar. Ancak seçimleri sadece tıklama özelinde yapan siteler kısa sürede itibarlarına zarar verecek kadar aşırı ve saldırgan içerikle dolup taşarlar. Bir insan, sitenin tasarımcısının “Tıklamalardan gelen bilgilere göre içeriği maksimize et” yaklaşımında olduğunu anlar. Diğer taraftan bir algoritma da sadece kendine söyleneni yapabilir.

Algoritmalar kara kutulardır. Shakespeare’in Julius Caesar oyununda kahin, Sezar’ı “Mart ayının belirli günlerine dikkat etmeye” çağırır. Tavsiye açık ve nettir: Sezar’ın bu döneme dikkat etmesi gereklidir. Aynı zamanda bir o kadar da anlaşılması zor bir tavsiyedir. Sezar neye dikkat etmeli? Neden? Bu gizemli mesajdan rahatsız olan Sezar “O bir hayalperest, bırakalım gitsin” diyerek kahini görmezden gelir. Gerçekten de Mart’ın o belirli günleri Sezar için kötü geçer. Buradaki sorun kahinin tamamlanmamış bilgi vermesidir. Neyin eksik olduğuna ve bilginin ne kadar önemli olduğuna dair bir ipucu yoktur.

Shakespeare’in kahini gibi algoritmalar da geleceği büyük bir doğrulukla tahmin edebilir, ancak bir olaya neyin neden olacağını ve olayın nedenini anlatamaz. Bir algoritma, New York Times’daki  her makaleyi okuyup hangilerinin Twitter’da daha fazla paylaşılacağını söyleyebilir. Ancak insanların neden bu makaleleri paylaşmak üzere harekete geçtiğini açıklayamaz. Algoritmalar size hangi çalışanların başarılı olabileceğini söyleyebilir ancak başarılarında hangi özelliklerin öne çıktığını açıklayamaz. 

Algoritmaların bu iki kısıtını anlamak, onları daha iyi yönetmenin ilk adımıdır. Şimdi de algoritmaları daha başarıyla kullanmak için başvurabileceğimiz diğer adımlara bir göz atalım.

Tüm Hedeflerinizi Açıkça Ortaya Koyun

Herkesin hedefleri ve direktifleri vardır ama genelde sonuçlar her noktada tatmin edici olmayabilir. Bazı yumuşak (ya da sözlü) hedefler veya ödünleşimler olabileceğini anlıyoruz. Yarın itibar kazanabilmek için bugünün kârından biraz fedakarlık edebiliriz. Kısa vadede organizasyonda rahatsızlık verse de eşitlik için mücadele edebiliriz. Algoritmalar ise sadece tek bir amacın peşinde koşar. Bundan kaçınmanın tek yolu ne istediğiniz konusunda son derece açık ve net olabilmektir. 

Eğer hedefiniz çok açık değilse onu tam olarak ifade etmeli ve olabildiğince somutlaştırmalısınız. Her ne kadar yumuşak hedefleri ölçmek kolay olmasa da bir algoritmadan sonuç elde etmeyi düşünüyorsanız bunu olabildiğince dikkate almalısınız.

Google’da (bu şirket başka alanlarda bazı çalışmalarımıza fon sağlıyor) hangi reklamların görüntüleneceğine yönelik bir algoritmada yumuşak hedef sorunu baş göstermişti. Harvard profesörü Latanya Sweeney bunu çalışmasında ortaya koydu. Sweeney, Google’da “Latanya Farrell” gibi Afrikalı-Amerikalı isimlerini yazdığınızda size olası suç raporlarını araştırmayı teklif eden reklamlar gösterildiğini ancak “Kristen Haring” gibi isimler arandığında bu reklamların görülmediğini belirledi. Google’ın tıklamaları maksimize etmeye yönelik sert hedefleri, zaman içerisinde verilen geri bildirimlere dayanan algoritmaların belirli tipte isimlere sahip olan kişileri itibarsızlaştırmasına neden oldu. Bu olayın nedeni belirli isimleri arayan kişilerin suç raporları araştırma reklamlarına tıklamış olmalarıydı. Büyük olasılıkla amaçlanan durum bu değildi ancak yumuşak bir hedef peşinde koşulurken algoritmayı bundan uzak tutabilecek bir unsur mevcut değildi.

Yakın zamanda yumuşak hedeflerin öne çıktığı üç duruma şahit olduk. Birimiz Batı Yakası’ndaki şehirlerden birinin restoran denetim sistemini iyileştirmek için çalışıyorduk. On yıllardır bu denetimler rastgele yapılıyordu ancak daha önce hatalı davranan restoranlara daha sık baskın yapılıyordu. Nerenin incelenmesi gerektiğini belirlemek bir algoritma için ideal bir iştir. Algoritmamız tahminde bulunmak için sadece geçmiş ihlalleri değil birçok diğer parametreyi de belirledi. Bu çalışma sonucunda sağlık müdürlüğü sahtecileri daha kolay belirleme ve daha az denetimle daha çok ihlal tespit etme imkanına kavuştu. 

Yetkililer süreci çok daha etkin kılma fikrine bayıldı ve bu sistemi uygulamaya koymaya karar verdi. Onlara soruları veya endişeleri olup olmadığını sorduk. Bir süre sessiz kaldıktan sonra içlerinden biri elini kaldırdı. “Bunu nasıl söyleyeceğimiz bilemiyorum” diyerek anlatmaya başladı. Şehrin belirli bazı mahallelerinde ihlal ihtimalinin daha yüksek olduğunu söyledi. Bu mahalleler genelde düşük gelir seviyesine sahip azınlıkların yaşadığı bölgelerdi. Algoritmanın bu bölgelere yoğunlaşmasını istemiyordu. Aslında adil yaklaşıma yönelik bir yumuşak hedefi ifade ediyordu. Buna çözüm olarak belirli bir bölgeye yönelik maksimum inceleme sayısına bir üst sınır koyduk. Bu, sorun olan restoranları belirlemeye odaklanan sert hedefimize uygundu. Aynı zamanda fakir mahallelerin ön plana çıkmamasına yönelik yumuşak hedefimize de hizmet ediyordu. 

Yumuşak hedefleri karşılama konusunda attığımız son adıma dikkatinizi çekerim: Herkese kaygılarını ifade edebilecek bir fırsat vermek. İnsanların yumuşak hedefleri genelde kaygı şeklinde gördüğünü belirledik bu nedenle onlara açık biçimde neden kaygılandıklarını sormak net ve faydalı bir diyalog başlatıyor. İnsanlara açık sözlü olabilme ve normalde söylemeyecekleri şeyleri söyleme şansı vermek de çok önemli. Bu yaklaşım birçok konuyu gün ışığına çıkarabilir ancak genelde adil olmak ve hassas durumları ele alış biçimi konusunda kaygıların oluştuğunu gözlemliyoruz. 

Temel bir amacı ve endişeli noktalar listesi elinde olan bir algoritma tasarımcısı ödünleşimleri oluşturabilir. Genelde bunu hedefi farklı önem derecelerine dağılan çoklu sonuçlara bağlamak suretiyle yapar.

Miyopluğu Minimize Etme

Popüler bir ambalajlı gıda şirketi, ürünlerini Çin’den ucuza alıyordu ve ardından bunları ABD’de satıyordu. Şirket bu ürünleri seçerken hangilerinin en iyi satışı yakalayacağını tahmin eden bir algoritma kullanıyordu. Satışlar artmış ve uzunca bir süre yüksek seyretmişti. Ancak birkaç ay içinde müşteriler ürünleri iade etmeye başladı.

Bu şaşırtıcı oranda yüksek iade oranı aslında tahmin edilebilirdi. (Her ne kadar algoritma bunu öngörememiş olsa da.) Şirket kaliteye önem veriyordu ancak bu bakış açısını algoritmaya yansıtılamamıştı, bunun yerine algoritmadan sadece satışlara odaklanmasını istemişti. Sonunda şirketin yeni yaklaşımı, ürünlerin hangilerinin çok iyi satacağını belirlemekle kalmayan, insanların keyif alacağı ve elde tutacağı ürünleri belirlemeye doğru evrildi. Şirket artık insanların Amazon’da ve diğer platformlarda çılgınca talep ettiği ürünlere bakıyor ve ürün iade oranları inanılmaz biçimde düştü.

Bu şirket algoritmalar konusunda genel bir hataya düşmüştü. Algoritmalar miyopluğa eğilimlidir. Elde var olan verilere odaklanırlar ve genelde veriler kısa vadeli sonuçlarla ilişkilidir. Bu durum, uzun dönemli başarı, kârlılık ve kurumsal hedeflerle çelişebilir. İnsanlar bunu doğal olarak anlar ancak algoritmalara bunu belirtmezseniz kendiliklerinden anlamayacaklardır. 

Bu sorun, amaçların belirlenmesi aşamasında uzun vadeli hedefleri ortaya koymak ve netleştirmek suretiyle çözümlenebilir. Ancak yöneticiler, algoritmanın tahminleri hakkında aksiyon alırken, algoritmanın uzun vadeli hedeflerle ne ölçüde uyumlu olduğuna dair de ayarlamalar yapmak durumundadır. 

Miyopluk, tıklama oranlarını maksimize etmeye yönelik düşük kaliteli içerik üreten programların altında yatan zayıflığın temel nedenidir. Algoritmalar anlık olarak ölçümlenebilen bir hedef için optimize edilir ve uzun vade ve kullanıcıların sitedeki deneyimlerinden tatmin olmaları amacına çok da dikkat edilmez. 

Yakına odaklanmak pazarlama kampanyalarında da sorun yaratabilir. Örneğin Gap’in Google kampanyasını ele alalım. Bu kampanya Gap.com’a ziyaretleri artırmayı hedeflemişti çünkü Google’ın algoritması kimin hangi reklamı tıklayacağını bilme konusunda oldukça iyiydi. Ancak asıl konu trafiği artırmak değil satışları artırmaktı. Reklam platformları buna çözüm bulmak için ödeme sistemleriyle olan işbirlikleri gibi birçok kanal üzerinden satış verileri toplayabilir ve bunları algoritmalarıyla birleştirebilir. 

Ayrıca, web sitesi ziyaretleri kısa vadeli bir davranışken reklamın uzun vadedeki etkisi marka imajı ve müşterinin sürekliliği gibi alanlarda kendini gösterir. Bu tür bir etkiyi sağlayacak mükemmel verileri bulmak çok zor olsa da özenli veri incelemeleri yardımcı olabilir. Yöneticiler ellerinin altında bulunan ve yardımcı olabilecek tüm dahili ve harici verileri sistematik biçimde listelemelidir. Gap yöneticileri, Google kampanyasında, yüksek satış, düşük iade, iyi bir itibar ve benzeri tüm amaçlarını ortaya koymalı ve ardından bunların her birini ölçümlemenin yollarını belirlemelidir. Ürün iadeleri, online yorumlar ve “Gap” sözcüğüne yönelik aramalar mükemmel ölçütler olabilir. İyi bir algoritma tüm bu özelliklerin bir kombinasyonundan kaynaklanan tahminler üretir ve göreceli önceliklere göre bunu uyumlandırır. 

Doğru Veri Girdilerini Seçebilmek

Gelin, hastalıklara neden olabilecek ihlaller yapma olasılıkları olan restoranları belirlemeye yönelik sağlık müdürlüğünün yürüttüğü çalışma örneğimize geri dönelim. Daha önce de belirttiğimiz gibi şehirlerde genelde tesadüfi olarak veya daha önceki sonuçlar dikkate alınarak inceleme yapılıyordu. İçimizden biri Yelp ile işbirliği yaparak Boston şehrinde hangi restoranların sağlık kurallarına uymamış olabileceğini belirlemek için metin bazlı yorumları daha önceki inceleme verileriyle bir arada yorumlayan bir algoritma geliştirdi. Boston şehri, bu algoritmayı uygulayarak normal kabul edilen sayıda ihlali belirledi. Ancak bunu yüzde 40 daha az incelemeyle yapabildi ki bu da verimlilikte ciddi bir artış anlamına gelmekte. 

Bu yaklaşımın başarılı olmasında sadece daha fazla restorana bakmak değil, Yelp’in muazzam bir veri seti sağlaması da etkili oldu. Bu, şehirlerde bugüne dek pek de dikkate alınmamış bir veri kaynağıydı: Bir Yelp yorumunda birçok kelime ve çeşitli bilgiler vardır. Veri detaylıdır çünkü birçok farklı kaynaktan gelmektedir. Kısacası sadece denetçilerin oluşturduğu verilerden çok daha farklıdır. 

Doğru veri kaynaklarını seçmek için şunları aklınızdan çıkarmayın:

Genişlik iyidir. Şirketlerin düştüğü genel tuzaklardan biri de büyük veriyi birçok kayıttan ibaret görmeleridir. Örneğin 10 bin müşteri yerine bir milyon müşteriye bakmayı tercih ederler. Ancak bu resmin yarısıdır. Diyelim ki verileriniz bir tablo biçiminde organize edilmiş olsun ve her bir satır bir müşteriyi ifade etsin. Müşteri sayınız tablonun uzunluğunu belirleyecektir. Her bir müşteriyle ilgili bildiğiniz bilgi sayısı da tablonun genişliğini verir, yani her bir satırda kaç bilgi olduğunu gösterir. Her ne kadar bu tablonun uzunluğunu artırmak tahminlerinize destek olsa da büyük verinin sağlayacağı asıl değer, tablonun genişliğini artırmakla ortaya çıkar. Detaylı bilgiyi kullanmak her tahminin temelinde yatan özelliktir. Bir hedef hakkında öğrenebileceğiniz her bir ilave veri bir ipucudur ve eldeki diğer ipuçlarıyla birlikte değerlendirilebilir. Örneğin metin belgeleri geniş veriler için mükemmel bir kaynaktır çünkü her kelime bir ipucudur. 

Çeşitlilik önemlidir. Veriler birbirleriyle göreceli olarak ilgisiz olduklarında daha fazla tahmin gücü ortaya çıkar. Her bir veri setini bir arkadaşınızdan gelen tavsiye gibi değerlendirin. Eğer veri setleri birbirine çok benzerse her birinden elde edilecek ilave fayda azalır. Ancak her bir veri setinin kendine has bir perspektifi olduğunda daha fazla değer elde edilebilir. 

Sınırlamaların Farkına Varın

Algoritmanızın size neyi söyleyemeyeceğini bilmek de çok önemlidir. Bir bağlamda yapılan tahminlerin diğer bir bağlama da uyabileceğine inanmak hatalı bir düşünce tarzı olabilir. 2009’da Netflix’in düzenlediği yarışmadan daha fazla fayda elde etmesine engel olan durum tam da buydu: İnsanların posta üzerinden hangi DVD’yi sipariş vereceğini belirlemeye yönelik algoritma, insanların internetten hangi filmi izleyeceğini belirlemekte o kadar başarılı değildi. Netflix düzenlediği yarışmadan faydalı içgörüler ve iyi bir tanıtım etkisi elde etti ancak DVD’ler hakkında toplanan veriler internetten izleme alanında kullanılamadı. 

Algoritmalar eldeki veriyi kullanarak biraz daha farklı bir kurgu, topluluk, zaman ve soru karşısında neler olabileceğini tahmin etmeye çalışır. Aslında içgörüyü bir bağlamdan diğerine transfer edersiniz. Bu akıllıca bir davranıştır. Tam da bu nedenle bir algoritmanın yeni bir sorunda kullanılamama nedenlerimizi belirlemek ve önem derecesini tayin etmek önem kazanır. Örneğin Boston hakkındaki yorumlar ve değerlendirmeleri temel alan bir sağlık ihlali algoritması, havaların daha sıcak olduğu ve dolayısıyla daha farklı gıda sorunlarına sahip olabilecek Orlando gibi bir şehirde çok da işe yaramayabilir. 

Ayrıca korelasyonun nedensellik anlamına gelmediğini de unutmayalım. Diyelim ki bir algoritma, kısa twitlerin uzun twitlerden daha fazla retwit edildiğini belirlemiş oldun. Bu bir tahmindir bir tavsiye değildir. Bir tavsiye olarak işe yarar çünkü kısa twitleri etkin kılan birçok farklı unsur söz konusu olabilir. Bu, bir tavsiye olarak başarısız olabilmesine de zemin hazırlar çünkü twitlerinizi kısaltmak bu diğer unsurları değiştirmeyecektir. 

Google üzerinden uzun yıllardır reklam yapan eBay’i ele alalım. eBay bu reklamları gören kişilerin görmeyenlere kıyasla daha fazla alışveriş yapmaya eğilimli olduklarını fark etti. Fark edemediği, (milyonlarca kişiye gösterilen) bu reklamların kullanıcıların kendi sitesine gelmelerini sağlayıp sağlamadıklarıydı. Sonuçta bu ilanlar eBay’in olası müşterilerine gösteriliyordu. Nedensellikle korelasyonu ayırmak için eBay büyük bir deney başlattı ve rastgele seçilen bazı kişilere reklam gösterilirken bazılarına hiç gösterilmedi. Sonuç mu? Reklamların genelde işe yaramadığı belirlendi çünkü onları gören kişiler zaten eBay’i biliyordu ve alışveriş yapmışlardı.

TAHMİN YAPMA YETENEĞİNE sahip olan algoritmalar neden ve sonuç arasındaki bağlantıları kurma noktasında özenli olma ihtiyacını ortadan kaldırmaz. Kontrollü deneylerin yerine geçecek bir şey değildir. Ancak çok etkili işler de yapabilirler: İnsanların gözlemle belirleyemeyeceği kadar gizli kalıpları belirlemek ve bu kalıpları kullanarak daha doğru içgörüler oluşturmak ve daha iyi karar vermeye destek olmak. Bizim önümüzdeki zorluk riskleri ve sınırlamaları anlamak ve etkin bir yönetim göstermek suretiyle algoritmaların son derece önemli potansiyelini gün ışığında çıkarmaktır.