Ekibinizdeki bazı üyeler için karar verme sürecinde veriyi kullanma fikri göz korkutucu olabilir. Güçlü analitik becerilere sahip olmadıklarını düşünebilirler. Üniversitedeki istatistik derslerinden bıkmış olabilirler. “İçgüdülerini takip etmek” isteyebilir veya bir yığın veri içinde ilerleme düşüncesinden korkabilirler. Fakat bu, böyle olmak zorunda değil. Eğer ekibinize veriyi kullanarak büyük etki oluşturmanın basit ve dolaysız yolları olduğunu gösterebilirseniz günlük karar verme süreçlerinde veriyi daha sık kullanmaya başlayacaklardır.
Şimdi bu konuya ilişkin üç örnek vereceğim. İlki Oakland Athletics’in yöneticilerinden biri. Aynı zamanda veri kullanarak beyzbolu dönüştüren, Michael Lewis’in Moneyball (Kazanma Sanatı) kitabının konu aldığı Billy Beane. Billy bunu yeni, süslü matematik veya sofistike istatistik çalışmaları kullanarak yapmadı. Önemli bir soru sorarak bunu başardı: Major League seçmelerindeki hangi oyuncular en başarılı profesyonel kariyere sahip? Billy bu soruyu cevaplamak için yıllar boyunca toplanan verileri kullandı ve sonra, bazı özellikleri baz alarak oyuncuları ayıkladı. (Örneğin, üniversite takımında oynayanlar, çok sayıda walk yapanlar gibi.)
Beane’nin içgörüsü, bir çeşit gizli istatistiksel manipülasyon falan değildi. Bundan çok daha basitti. Beane, Major League’lerde başarılı olan kişileri araştırarak kimin Major League’lerde başarılı olacağını tahmin edebileceğini fark etti. Aynı şekilde Moneyball’un arkasındaki mantık da her işletmeye uygulanabilir. Yıllarınızı istatistik çalışmaya veya karmaşık algoritmalar kullanmaya harcamadan da veriyi daha güçlü bir şekilde kullanabilirsiniz. “Büyük verinin” özü bundan çok daha basit: Önemli bir soru sor, bir cevap oluşturabilecek veriyi bul ve davranış kalıbını çöz.
İkinci örnek ise hukuki bir uygulamadan geliyor. Santa Cruz, California’daki polisler “henüz gerçekleşmeden bir suçu çözdüklerini” iddia ettiklerinde bu; fütüristik, Orwell tarzı bir suçla mücadele stratejisi değildi. Yalnızca bir davranış kalıbıydı. Santa Cruz polis ekipleri suçların en sık nerede ve ne zaman gerçekleştiğini belirlemek için suç verilerini kullandı. Sonra o konumlara daha çok polis gönderdiler. O noktalardan biri daha önce çok sayıda hırsızlığın meydana geldiği bir garajdı. Polisler, bir arabanın yakınında sinsice dolaşan, şüphe uyandırıcı görüntüye sahip iki kadın fark etti. Kadınlardan birinin hakkında tutuklama emri vardı, öteki ise uyuşturucu taşıyordu. Polisler ikisini de tutukladı, hem de görünüşe göre arabayı çalmalarından hemen önce.
Polis gerçekten de suç henüz işlenmeden olayı çözdü mü? Bu soru, asıl noktayı göz ardı ediyor. Santa Cruz polisleri suç ile ilgili davranış kalıplarını ortaya koymak için veriyi kullandı ve sonrasında polislerin en büyük etkiye sahip olacağı yerlere onları gönderdi. Bunun için matematik dehası olmak gerekmiyor, yalnızca veriyi akıllıca kullanmak yeter.
Son örnek ise, Target’tan geliyor. Target, (hamilelikleri süresince güçlü perakende alışveriş alışkanlıkları geliştirme eğilimi gösteren) hamile alışverişçilere ulaşmak için bir araç tasarlamak istedi ve bir “hamilelik tahmin endeksi” geliştirdi. Bu ne göründüğü kadar zor ne de müdahaleciydi. Target zaten ilgili veriye sahipti. Perakende şirketi, anne adayları için bebek hediyesi listesi yapıyordu. Bu anne adayları, Target’a sadece hamile olduklarını değil aynı zamanda ne zaman doğum yapacaklarını da söylemişti. Analistler, bu hamile kadınların alışveriş alışkanlıklarını inceledi ve hamile olmayan kadınlara kıyasla hangi ürünleri alma ihtimallerinin daha yüksek olduğunu belirledi: Bebek bezleri, kokusuz losyonlar, vitaminler ve daha bir sürü ürün. Bir sonraki adım oldukça mantıklıydı: Bu ürünleri almaya başlayan kadınların hamile olma ihtimali vardı ve hamilelikle ilgili ürün ve hizmetler için hedef alınabilirlerdi. Bu istatistiksel sihir değil, zekice bir iş.
Elbette hamilelik tahmin endeksi liseli bir kızın hamile olduğunu kızın babasından önce anladığında Target, muazzam bir ters tepkiyle karşılaştı. (Target’ın veri analitiği hakkındaki bir New York Times makalesine göre Target’tan gelen, hamilelikle ilgili bir dizi kupon, babayı kızı hakkında bazı isabetli sorular sormaya teşvik etti.) Büyük verinin iyi karar verme yeteneği gerektirdiğini ekibinize hatırlatmak için bu iyi bir zaman. Bazı davranış kalıplarının kişiye özel kalması daha iyi.
Fakat çoğu zaman müşteriler, iyi hedeflenmiş bilgiden muazzam ölçüde faydalanır. Hoşumuza gidecek ürünler için öneriler, kullandığımız hizmetler için indirim ve devamlı geribildirimle iyileştirilen müşteri hizmeti almayı severiz. Çalışanlarınız bu faydaları sunma gücüne sahiptir, kendilerini “matematik insanı” olarak görmeseler bile…
Bunun sebebi, geçtiğimiz 15 yılda veri analitiğinde görülen devrimin şu üç şeyle mümkün kılınması: Dijital veri, ucuz bilişim gücü ve bağlantısallık. Bundan elli yıl önce beyzbol takımları, oyuncu performansı hakkında bir yığın istatistiğe sahipti. Fakat bu, rutubetli depolarda dosyalanan klasörlerde yazılıydı. Aynısı suç verileri, kredi kartı fişleri ve müşteri memnuniyet anketleri için de geçerliydi. Kalıplar orada duruyordu. Sadece onları göremiyorduk, en azından ucuz veya kolay bir şekilde.
Sonra kişisel bilgisayar, dijitalleşme ve internet ortaya çıktı. Artık depolarda duran ağır defterlerdeki tüm bilgilere erişebiliyor ve oradaki kalıpları görebiliyorduk; üstelik ücretsiz bir şekilde ve saniyeler içinde. Veri daha değerli hale geldiğinde; sadakat programları, sosyal medya, tarayıcı verileri vb. araçlarla daha çok veri toplamaya başladık.
Kilit faktör artık doğru hesaplama değil, yaratıcı sorular. Ve artık herkes muhteşem sorular sormayı öğrenebilir. Şunu ele alalım: Ne tür insanlar satış konusunda en iyi? Bu yine bizi Billy Beane konusuna getiriyor, sadece burada söz konusu alan beyzbol değil; satış. En iyi performans gösterenlerin sahip olduğu özellikleri belirlemek için veriyi kullanabilir, daha sonra bu özelliklere sahip olan insanları işe alabilirsiniz.
Açık olmak gerekirse “dinleme” gibi önemli becerileri ölçmek ve belirlemek zor: Örneğin şansı beceriden ayırmak için veriler, uzun bir zaman diliminde toplanmalı. Yine de, veriyi soruların karşısına koyma süreci, mitlerin yalan olduğunu ortaya koyabilir ve stereotiplerin üstesinden gelebilir. Bu, Billy Beane’in ilk içgörülerinden biriydi. Billy’nin yetenek avcıları, veri tarafından doğruluğu kanıtlanmamış temel pratik kurallara dayanarak yetenek avına çıkıyordu. Örneğin onlarca yıl toplanan veriler, isabetli bir atışın daha önemli olduğunu gösterse de bu kişiler, topu müthiş hızla fırlatabilen atıcılardan büyülenmişlerdi.
Aynı zamanda akılda bulunması gereken birkaç uyarı daha var. İlk olarak büyük veri, kalıplar üretmeye yatkındır. Fakat belirleyici değildir. Billy Beane, bazı riskler alacak: Bebek bezi ve kokusuz losyon satın alan her müşteri hamile değil.
İkincisi, tüm veriler doğası gereği, geriye dönüktür; geçmişten gelir. Bu yüzden veri analitiği, sapma noktalarını gözden kaçıracaktır. Müşteriler, gözlerinde canlandıramayacakları bir ürün hakkında anlamlı geribildirimler veremez.
Üçüncü olarak, dikkatsiz bir düşünme biçimi veriyle de verisiz de tehlikelidir. Hatta belki veriyle olduğunda daha tehlikeli bile olabilir. Evet, şikâyet hattını arayan müşteriler, aldıkları hizmetten memnun kalmadıklarını belirtiyor; çünkü aradıkları yer şikâyet hattı. Burada sorulacak doğru sorular şunlar:
- Müşterilerin, konuşmanın sonundaki memnuniyeti (hâlâ sinirli olsalar bile) konuşmanın başındakine göre yüksek miydi?
- Hangi çalışanlar müşteri memnuniyetini iyileştirme konusunda en yüksek başarıya sahip?
- Bu başarılı çalışanlar hangi teknikleri kullanıyor?
Temel istatistiklerin kalıpları güçlendirdiği doğru, temel istatistik bilgisi, sahip olunması gereken önemli bir beceri. Yine de ben, bir istatistikçinin müşteri deneyimini iyileştirmeye kafa yormasını sağlamaktansa zeki bir pazarlama görevlisine temel veri analitiğini öğretmeyi tercih ederim. İlginç cevaplar, dışarıda bir yerlerde. Bu cevapları önemseyen insanların belki de biraz teşvikle, bunları araması yeterli. Tüm çalışanlarınızı veri kullanma konusunda heyecanlandırmanın en kolay yolu, olup biteni onlar için basit hale getirmektir.
