Veri Stratejisi Hakkında İş Liderlerinin Bilmesi Gereken 5 Şey

DataCamp'te veri bilimci ve eğitmen olan Dr. Hugo Bowne-Anderson, yakın zamanda iş liderlerinin veri stratejisi hakkında bilmesi gereken beş şeyi ele alan bir web semineri düzenledi. Web seminerinin özetini okumaya devam edin veya web seminerini talep üzerine izleyin.

1. Veri bilimi için 80/20 kuralı

80/20 kuralı, diğer adıyla Pareto ilkesi, pek çok olayda etkilerin yaklaşık %80'inin nedenlerin %20'sinden kaynaklandığını söyler. Örneğin 2018'de, ABD'deki vergilerin yaklaşık %80'i en çok kazanan %20 tarafından ödendi. Veri bilimine uygulandığında Pareto ilkesi, zamanın %20'sinde yapılan işin sonuçların %80'ini ürettiği anlamına gelir. Dolayısıyla veri stratejinizde işi önceliklendirirken gerçekten değer yaratan unsurlara odaklanmak istersiniz.

İğneyi oynatacak olana odaklanın

İş liderleri sıklıkla derin öğrenme, makine öğrenmesi (ML) ve yapay zeka gibi popüler başlıklara çekilir. Ancak önce büyük kazanımlar getirebilecek daha temel alanlara odaklanmalısınız, örneğin şunlar gibi:

• Veri altyapısı gereklidir ancak geri dönüşünü hemen görmeyebilirsiniz. Spotify gibi şirketler veri kaynaklarını birleştirerek veri keşfini iyileştirdi. Veri altyapısına öncelik vermek, şirketlerin bölümler arasında farklı veri standartlarından kaçınmasına, gelecekteki veri girişimlerine daha iyi hazırlanmasına ve tutarlı veri görünümleri ile panolar üretmesine yardımcı olabilir.
• Müşteri hizmetleri en iyi uygulamaları çağrı merkezi yönlendirmesi, müşteri kaybı modelleri ve konuşmaya dayalı yapay zekayı içerir.
• Satış eğilimi modelleri satış ve pazarlama ekipleriniz için önemlidir.

Açıklayıcı analitik işletmeler için değerin %80'ini sağlar

Şu soruyu soruyor olabilirsiniz: “Önce hangi tür iş analitiğine odaklanmalıyım?” Pareto ilkesi burada da yardımcı olabilir:

• Açıklayıcı analitik, yani iş zekası, birçok işletme için değerin %80'ini oluşturur. Bu, şirketinizin zaten sahip olduğu verileri alıp bunları doğru kişilere, tüketip kullanabilecekleri formatta ulaştırmaktır. Bu format panolar, raporlar ve e-postalar olacaktır. İğneyi gerçekten oynatmak isteyen tüm şirketlere, karar almanızı bilgilendirebilecek beş açıklayıcı analitik projesine odaklanmalarını ve bunları önem sırasına koymalarını öneriyoruz.
• Öngörücü analitik, yani ML, gelecekte ne olacağını tahmin ederek hazırlık yapmaktır. ML, mevcut bilgilere dayanarak geleceği tahmin etmek ve ilişkileri ile içgörüleri belirlemek için yalın istatistiksel algoritmaları kullanan öngörücü analitiğin bir dalıdır—Netflix'in öneri motorunu düşünün.
• Yönergeleyici analitik, yani karar bilimi, belirli sonuçların ne, ne zaman ve neden gerçekleşeceğini öngören ve bu bilgilerle ne yapılacağını belirleyen iş analitiğinin son aşamasıdır. Veriyi karar alma sürecine uygular. DataFramed podcast'imizde, Google Cloud Baş Veri Bilimcisi Cassie Kozyrkov, karar zekâsı ile veri bilimi arasındaki bağı açıklıyor.

2. Neden büyük veri aslında o kadar da büyük değil

Küçük verilerle daha büyük sonuçlar

Büyük veri pek çok şekilde tanımlanabilir. Hugo, büyük veri için iyi bir çalışma tanımı sunuyor:

Büyük veri, bir dizüstü bilgisayarda veya tek bir sabit diskte depolayabileceğinizden çok daha fazla veridir: depolamak, üzerinde çalışmak, iletmek ve analiz etmek için bilgisayar kümelerine dağıtmanız gerekir.

Google gibi şirketler büyük veriden büyük ölçüde yararlandı ve bu süreçte ciddi bir abartı da oluştu. Ancak Hugo, küçük verinin de gerçekte çok iyi sonuçlar üretebileceğini ve bu abartıya kapılmamamız gerektiğini öne sürüyor.

Büyük veriyi düşünmenin iyi bir yolu, Gartner Hype Cycle bağlamında ele almaktır. Beklentiler için bir vekil olarak Google trendlerini kullanırsak, Aşırı Abartılmış Beklentiler Zirvesi'ni geçmiş ve Hayal Kırıklığı Çukuruna doğru inmekteyiz.

Kaynak: Wikipedia

Öyleyse soru şu: küçük veri yeterli olabilir mi? Hugo'ya göre yanıt evet. Mesele veri dağları değil—küçük, yüksek hassasiyetli veridir. Örneğin Danimarkalı astronom Tycho Brahe, Johannes Kepler'in üç gezegen hareketi yasasına, ardından Newton'un yerçekimi teorisine yön veren yalnızca yaklaşık 2.000 veri noktası topladı. Ve anketçiler, istatistiksel olarak temsili yaklaşık 1.000 vatandaşlık bir örneklemle sonuçları %3 hata payı içinde öngörebiliyor.

Büyük veriden daha önemli olan: çeşitlilik

Hugo bir adım daha ileri gidiyor: Veri çeşitliliğine sahip olmanın, büyük veriye sahip olmaktan daha önemli olduğunu söylüyor. Kalın veri olarak adlandırılan nitel veriyi veri setinize dahil etmek daha iyi sonuçlar getirecektir. Kalın veri, sosyoloji ve antropolojiden ödünç alınmış, öncelikle betimleyici olan bir terimdir; buna karşılık ince veri sayı temellidir.

3. Veri çalışmalarının geleceği neden tıkla-seç türünde

Veri çalışmaları için GUI'ler kullanmak

Teknik veri uzmanlığı olmayan kişilerin iş zekasından yararlanmasını ve kararlarını bilgilendirmek için ML kullanmasını sağlamanın en iyi yolu nedir? Her çalışana kod yazdırmak değil. Yanıt, veri analitiğini ürünleştiren satıcılar veya araçlardır. Gelecekte, Hugo'ya göre veri çalışmalarının büyük kısmı grafik kullanıcı arayüzlerinde, diğer adıyla GUI'lerde ya da sürükle-bırak, tıkla-seç arayüzlerinde yapılacaktır.

Önde gelen teknoloji şirketleri bunun farkında. İş zekası araçlarının dikkat çekici satın alımları son dönemde haberlere konu oldu. Geçen yıl Salesforce, Tableau'yu satın aldı ve birkaç hafta önce Google, popüler bir BI aracı olan Looker'ı 2,6 milyar dolara satın almayı tamamladı.

Öngörücü analitik araçları da ML'yi ürünleştiriyor. Google AutoML, veri bilimci olmayanların tanısal ve öngörücü analitik modelleri kurmasına olanak tanıyor ve Microsoft Azure artık otomatik bir ML aracına sahip; bu araç, bir veri setini içe aktarıp hizmete hangi değeri tahmin edeceğini söylemek kadar kolay bir şekilde model kurmayı sağlıyor.

Veri ürünlerini kullanırken özfarkındalıklı olun

Bu tür araçlar, teknik olmayan çalışanların veriyi kullanmada etkili hale gelmesini sağlar. Ancak veriyi doğru şekilde kullanabilmeleri gerekir. Hugo, insanların önyargılı sonuçlara sahip olduklarını fark etmelerine yardımcı olan ürünlerle ilgileniyor. Survival of the Best Fit adlı, İK'da yapay zekâ kaynaklı önyargılar hakkında eğitici oyunu incelemenizi önerir.

4. Veri stratejisi demek veri kültürü demektir

Gerçekte ne kadar veri kullanılıyor?

Yığınla veri (büyük veri) toplamanın, esasen gerekli ve ilgili veriyi (küçük veri) toplamaktan daha önemli olmadığını zaten konuştuk. Web semineri sırasında yaptığımız bir ankette, katılımcıların %53'ünün topladıkları verinin yarısından azını kullandığını gördük. Elbette hedef, verinizin daha fazlasını sizin için çalışır hale getirebilmektir. Bu da sağlam bir veri stratejisi ve güçlü, sağlıklı bir veri kültürü oluşturmayı gerektirir.

Veri stratejisi nasıl oluşturulur

DataFramed podcast'imizin 30. Bölümünde, o dönemde McKinsey'de Kıdemli Analitik Yöneticisi olan Taras Gorishnyy, bir veri stratejisi oluşturmanın gerekli unsurlarını şöyle sıraladı:

• Şirket stratejisiyle uyumlu bir analitik vizyonu oluşturun
• Üst düzeyde güçlü destek sağlayın; örneğin savunuculuk, finansman ve heyecan
• En az birkaç kullanım örneğinden erken değer elde edin
• Şirket genelinde doğru veri becerisi karmasını sağlamak için süreçleri yeniden tasarlayın ve kültürel dönüşüm uygulayın
• Entegre, güvenilir ve zamanında veri sunmak için güçlü bir veri temeli oluşturun

Veri süreçlerinin yeniden tasarımı ve kültürel değişimin gerekliliği

DataCamp'in dünya genelinde veri becerilerini demokratikleştirme misyonu, dördüncü maddeyle yakından ilişkilidir: şirketlerin güçlü bir veri-akıcı kültür inşa etmesine yardımcı olmak. Ancak 2019'da 300'den fazla kuruluşla yaptığımız bir ankette, olgun veri akıcılığına sahip şirketlerin yalnızca %39'unun veriyle ilgili süreç yeniden tasarımı ve kültürel değişim uyguladığını, olgun olmayan veri akıcılığına sahip şirketlerde ise bu oranın yalnızca %7 olduğunu bulduk.

Kaynak: Beklemeyin: 300+ L&D Liderinin Veri Akıcılığı Oluşturma Konusunda Öğrendikleri

Veri akıcılığına giden yol işe almak değil, yetkinlik geliştirmektir

Her şirket en iyi yeteneği işe almak ister, ancak 80/20 kuralına göre şirketlerin çoğu bunu başaramayacaktır. Yapılması gereken yoğun veri işi için yetenek kıtlığı vardır ve veri stratejisini “tek boynuzlu atları” işe alma üzerine kurmak gerçekçi değildir. Alternatif nedir? Şirketinizde bir öğrenme ortamı oluşturarak mevcut çalışanlarınızı yetkinlik artırma ve yeniden beceri kazandırma üzerine kurulu bir veri kültürü tesis etmek.

5. Veri stratejisi neden aslında empatiyle ilgilidir

Paydaşlarınızı dikkate alın

Hugo'ya göre veri stratejisi, diğer tüm iş stratejilerinde olduğu gibi, kimi etkilediğinizi ve farklı paydaşların neye ihtiyaç duyduğunu dikkatle değerlendirmeyi gerektirir. Bir şirketin veri stratejisi, ürünlerini nasıl geliştirdiğini ve iş kararlarını büyük ölçekte nasıl hayata geçirdiğini belirler. Bu yüzden veri kullanırken, her veri noktasının bir kişiyi veya bir grup insanı temsil ettiğini unutmamak önemlidir. Verinin şirketlere büyük ölçekte yardımcı olabileceği tartışmasızdır—ama zarar da verebilir.

Örnek vaka: Birkaç ay önce Apple Card'ın krediye başvuran kadınlara karşı “cinsiyetçi” olduğu ortaya çıktı. Apple başvuru sürecinde adaleti baltalamayı amaçlamamış olsa da, büyük bir PR sorunuyla ve düzenleyicilerin artan incelemesiyle karşı karşıya kaldı. Algoritmalara zımnen güvenilemez—empati merceğinden değerlendirilmelidirler.

Kör noktalarınızı kabul edin

DataFramed podcast'imizin 50. Bölümünde, Weapons of Math Destruction kitabının yazarı Cathy O’Neil, “Veri bilimi sadece geleceği tahmin etmez. Geleceği yaratır.” dedi.

Ürünleri büyük ölçekte geliştiren ve geniş kapsamlı veri stratejisi oluşturan şirketlerin, sadece paydaşlarının kim olduğunu listelemekle kalmayıp mümkün olduğunca çok kişiyle istişare etmeleri gerekir; çünkü Apple'ın yaptığı gibi, kaçınılmaz olarak gözden kaçırdıkları ve etkilenen gruplar olacaktır.

Hangi görevlerin otomatikleşeceği konusunda dürüst olun

Pek çok insan, makinelerin işlerini elinden almasından korkuyor. Ancak teknoloji geliştikçe, çalışanlar için en büyük zorluk iş otomasyonu değil—görev otomasyonu olacak. Birinin işinin belirli kısımları otomatikleşebilir. Bu nedenle işverenler için zorluk, bu çalışanların bu otomasyon ışığında nasıl yetkinlik artırıp yeniden beceri kazanacağı ve daha üst düzey işlere nasıl geçirilecekleridir.

Bu konulara daha derinlemesine dalmak için Hugo'nun web seminerini talep üzerine izleyin.