Ünite 7: İnternet ve Mobil Pazarlamada Veri ve Veri Madenciliği

Giriş

Yeni teknolojiler insan dünyasının her noktasına nüfuz etmeye devam etmekte ve bu durumda insanların bahsedilen teknolojileri her kullanmalarında büyük ölçüde veri üretilmektedir. Verinin üretilmesi ve saklanmasındaki teknolojinin gelişmesi ile bu verilerin, veri olarak kalmak yerine anlamlandırılarak ise koşulabilir bir bilgiye dönüştürülmesi ve hatta bir anlayış geliştirerek yol gösterecek prensiplere ulaşmak belli ki bu alandaki uzmanların üzerinde çalışmaları gereken temel bir yetkinlik olacaktır.

Veri ve Bilgi’nin Önem Kazanması

Veri (Latince datum - çoğulu data - “verilen şey” kelimesinin Türkçe karşılığı olarak kullanılmaktadır) bir ham (işlenmemiş) gerçek ya da bilgi parçacığına verilen addır. Veriler ölçüm, sayım, deney, gözlem ya da araştırma yolu ile elde edilmektedir. Bilgi ise eğitim veya tecrübe ile elde edilen becerilerin kullanılmasını sağlayan birikimdir. Bilgi yönetimi açısından, verilerin anlamlandırılması ve is amaçları doğrultusunda kullanılması diye tanımlanır. Bilgi yönetimi , bir kurumun iç ve dış kaynaklardan edindiği bilgileri toplaması, saklaması, geliştirmesi, anlamlandırması, doğru kişilerle doğru zamanda paylaşması ve kurumsal amaçlar doğrultusunda kullanılmasını sağlamasıdır.

Veriye dayalı mesleklerin giderek önem kazanmıştır. İşlerini yaparken verileri kullanan şirketlerin daha başarılı ve daha kârlı olması, çok sayıda şirketi bu konulara yöneltti. Çeşitli kurumların yayınladıkları “Global Trendler” incelendiğinde yine verilere ve bilgi yönetimine ağırlık verildiğini görüyoruz. Müşteri verilerinin iyi modellenmesi ile bilinemeyenlerin azalması, gerek birer birey olarak müşterilerin, gerekse genel eğilimlerin ve değişimlerin erkenden öğrenilmesini ve şirketlerin gerekli önlemleri almasını sağlamıştır. Bu gelişmenin doğal sonucu olarak tüm şirketlerin karar verme mekanizmalarında verilerin kullanımı ve bilgi yönetimi baş köseye geçmiştir. Üstelik, yalnızca arama motorları, e-ticaret siteleri ve sosyal mecralar (Google, Amazon, Facebook, vb.) kişiselleştirilmiş reklamlar göstermiyor. Eğer veri analizi ve anlamlandırma yapılmaya başlanmışsa, bazı ülkelerde kanallı televizyon yayınlarında bile kişisel reklam gösterilebiliyor. O sırada televizyonun önündeki kişiler tahmin ediliyor ve onlara uygun reklamlar sunuluyor.

Büyük Veri

Büyük veri geleneksel yöntemlerle işlenmesi mümkün olmayan büyüklükte veri kümesi için kullanılan genel bir deyimdir.

McKinsey Global Enstitüsü Big Veri’nin kullanımı konusundaki raporunda şundan bahsedilir. Big veri’nin değer artıran beş kullanım yolu vardır:

• Bilgiyi daha sıklıkla şeffaf ve kullanılabilir yaparak bilgiye değer katıyor.
• Şirketler daha fazla işlemsel veriyi üretip dijital şekilde sakladıkça, ürün envanterinden hastalık günlerine kadar her şey hakkında daha doğru ve ayrıntılı bilgi edinebiliyorlar. Böylece çeşitliği artırıyor ve performanslarını katlayabiliyorlar. Lider şirketler veri toplamayı ve analizini daha iyi yönetim kararları vermek için kontrollü deneyler yapmakta kullanıyor. Diğerleri veriyi, seyrek ve uzun vadeli yerine sık aralıklı ve şimdi-vadeli tahminler ile işlerini gerçek zamanlı yapmak için kullanıyor.
• Bir data müşteri segmentlerini giderek daha da daraltıyor. Böylece daha dikkatle kişiselleştirilmiş ürün ve hizmetler mümkün oluyor.
• Sofistike analizler karar vermeyi ciddi olarak kolaylaştırır.
• Yeni nesil ürün ve hizmetlerin geliştirilmesinde kullanılabilir. Hali hazırda üreticiler ürünler içine gömülen sensörlerle elde edilen veriyi, proaktif bakım (hata oluşmadan, hatta farkedilmeden önce koruyucu önlemleri almak) gibi yaratıcı satış-sonrası hizmetlerde kullanıyorlar.

Veri Anlamlandırma

Şirketler verilerini operasyonel açıdan değil, müşteriyi tanımak ve anlamak için incelediklerinde, farklı ipuçları bulurlar. Verilerin müşteri davranışlarını anlayacak şekilde yorumlanmasına veri anlamlandırma denir. Veri anlamlandırma sayesinde hakkımızda bilinecek konuların sayısı artar. Anlamlandırma kesinlikle sadece satın alınan ürünler ile sınırlı kalmamalıdır. Müşterinin şirketimize (fiziksel veya sanal ortamlarda) dokunduğu her seferi anlamlandıracak bir beceriye sahip olmalıyız. Anlamlandırmalar bazılarımız için farklı olabilir. Gerek işimizde, gerekse müşteri ilişkilerinde ustalaştıkça daha iyi anlamlandırılacak modeller kurulur. Zaten insanların farklılıkları nedeniyle yüzde yüz geçerli bir model olamaz. Sürekli veri analizi ile modellerin ince ayarı yapılır. Kimler için geçerli olduğu test edilir. Segmentasyondan kişiselleştirmeye geçiş bu şekilde başarılır.

Yeni Meslekler

Pazarlamanın teknolojiyle bu derece yakınlaşması şirketler pazarlamayı yönetenlerin teknolojiyle, teknolojiyi yönetenlerin de pazarlamayla yakın olmasını zorunlu kıldı. General Electric’in Türkiye’nin de içinde bulunduğu bölgeden sorumlu Bilgi Yönetimi Yöneticisi Sn. İbrahim Gökçen bir sunumunda “Şanslı şirketlerde pazarlamaya yatkın Teknoloji Üst Yöneticileri veya teknolojiye yatkın Pazarlama Üst Yöneticileri vardır. Ama akıllı şirketlerde Pazarlama ve Teknoloji Üst Yöneticileri arasındaki farkı anlamak zordur.” diye vurgulamıştı. Her şirket bu kadar akıllı olamıyor, pazarlamanın giderek teknolojiyle birlikte çalışma zorunluğu artıyor. Bu iki departmanın birlikte uyum içinde çalışması için yeni meslekler konuşulmaya başlandı. Pazarlama Teknolojisti unvanı ortaya çıktı.

Veri Görselleştirme

Veri görselleştirme, bilginin açık ve etkin kullanımı için istatistiksel tablolar, grafikler, konu ağları veya çeşitli şekiller ile ifade edilmesidir. Birçok kaynakta, hem bilim, hem de sanat olduğu vurgulanmaktadır. Konu ağları (topic networks) konulu veri görselleştirmeler, bize pazarın durumu ve gelişimi hakkında önemli fikirler verebilir. Derin istatistiksel analiz bilgisi olmayanların bile verilerin oluşturduğu bilgiyi anlayabilmesi sağlanır.

Büyük Veri Herkese Lazım mı?

Verinin değerlendirilmesi, veriyle başlayan değil, veri ile biten bir süreçtir. Önce kurumun ihtiyaçları saptanır. Bu ihtiyaçları karşılamak için hangi bilgilere gerek duyulduğu ve bu bilgilerin hangi verilerden oluştuğuna bakılır. Sonra büyük verinin bu verileri ne kadar karşıladığı öğrenilir. O veriler belirlendikten sonra, zaten ihtiyaçtan yola çıkılarak başlandığı için, nasıl değerlendirileceği de saptanmış olur. Sektörlerden bağımsız olarak, ister küçük olsun, isterse büyük veri özelliklerine sahip olsun verinin değerlendirilmesi yöntemi budur.

Sosyal Mecra Verilerinin Kullanımı

Sosyal mecra verilerini kullanmanın 5 aşaması şunlardır:

1. Şikayetleri yakalayıp onlara yanıt vermek: Mevcut sosyal mecra izleme yazılımları, şirketin veya kişilerin adının geçtiği her yeni girdiyi yakalayıp size iletebiliyor. Bu aşamadan sonra PR ve pazarlama iletişimi devreye giriyor. Şikayeti kaydetmek, takip etmek, sonuçlandırmak ve müşteriye dönüş hızını arttırmak gerekiyor. Müşteriyi sonuçtan haberdar ederken, şikayetin ilk yayınlandığı sosyal mecra kanalının nasıl kullanılacağına da dikkat edilmeli.
2. Her bir mecrada müşterinin neden yer aldığını ve şirketinizin orada ne yapacağını bilmesi: Linkedin’den müşterinin uzmanlık alanlarını, yaptığı işleri, şu andaki ve geçmişteki çalışma yerlerini, Foursquare’den şimdi nerede olduğunu ve geçmişte nerelerde gezindiğini, Facebook’dan yukarıda 2’inci aşamada saydıklarımızı ve fazlasını, Twitter’dan anlık duygu durumlarını, vb… izlemek mümkündür.
3. Gerekli olan müşteri verilerini Facebook, LinkedIn ve benzeri mecralar sayesinde tamamlamak: Müşteriler kendilerine ilişkin bilgileri sosyal mecralarda herkesle paylaşıyor. Bu bilgileri, kendi veri ambarımızda bos sahaların doldurulması ve yanlış veya değişen (evlilik, taşınma, vb.) sahaların düzeltilmesi için kullanabiliriz. Doğal olarak bu aşamanın başarı ölçüsü, veri ambarımızın sağlıklı, güvenilir ve güncel olmasıdır.
4. Fırsatları saptayıp tekliflerde bulunmak: Bu aşamada, fırsatlar ve kelime kalıpları eşleştirilir. Önceden hangi kelime kalıplarının fırsat yarattığı belirlenir. Teklif, müşterinin ihtiyacını belirttiği anda, belirttiği sosyal mecradan yapılır. Bu sayede “beni bir tek bu firma anladı”, “o firma bugünümde yanımda olmak istedi” duygusu yaratılır. Öğrenen yazılımlar sayesinde, yazılım öğrendikçe (tahmin edilen yanıtın “en uygun” olma oranı %80 - 85’lerin üzerine çıktığında) teklif otomatik olarak yapılmaya başlanır. İnsan katkısı sadece sonuçların incelenmesi ve gerekli düzenlemelerin yapılması amacıyla kullanılır. Yapılan teklife olumlu yanıt verenler ve/veya şirketi kendi sosyal mecralarında ekleyenler ve beğenenler izlemeye alınır. Onlar sürekli müşteri yapılmak için gerekli pazarlama faaliyetleri sürdürülür.
5. Müşterinin duygusal durumuna göre teklif yapmak/yapmamak: Müşteriler, olumsuz ruh hâlindeyken, başka zaman kabul edecekleri teklifleri bile reddetme eğilimindedirler. Sosyal mecralarda pazarlama yapmanın bu aşamasında, müşterinin sosyal mecralarda yazdığı “öfkeliyim, kızgınım, vb..” gibi cümleler olduğunda teklif yapılmaz. Yazılımlar, teklif yapmadan önce müşterinin son girdilerini zaman özelliğini dikkate alarak gözden geçirir. Olumsuz cümlelerin yazılmasından sonra, belli bir zaman içinde öneri sunulmaz.

Mobil ve Big Data

Lokasyon bazlı hizmetler, çeşitli aletlerde bulunan sensörlerden ulaştırılan bilgilere eklenince, insanların yaşamını kolaylaştıracak çok sayıda projenin gerçekleşmesini sağladı. Trafik ve yol durumu çalışmalarıyla başlayan süreç, giyilebilir teknolojiler, sağlık uygulamaları, enerji projeleriyle devam ediyor. Makineler, her geçen gün daha fazla veri üretiyor. Endüstriyel alanda gelişmiş sensörler sayesinde toplanan büyük veri, aynı hızla analiz ediliyor. Araç (veya motor) nasıl bir sorun ile karşılaştığını tüm diğer etmenlerle ve aracın koşulları ile birlikte bildirebiliyor. Sağlıkta büyük veri kullanımı oldukça önemseniyor. Herhangi bir sağlık taramasında farklı çıkan sonuçlar, bireyin geçmişi ile karşılaştırılıyor. Daha önce benzer sorunları olan yüzbinlerce bireyin verisi taranıyor. Bu konuda yazılmış binlerce makale gözden geçiriliyor. En iyi sonuç veren tedavi öneriliyor. Giyilebilir teknoloji ürünleri sayesinde, bireylerin her türlü hareketleri ve sağlık değerleri uzaktan izlenebiliyor. Gerekli durumlarda acil müdahale ediliyor. Trafik ışıklarının hep aynı süre yanması değil, araç ve yaya yoğunluğuna göre optimum süreye göre çalışması (diğer yönde hiç araç veya yaya yokken yine kırmızı yanmaması); ambulans için trafiği hep akıcı tutması; bos park yerlerini size bildirmesi; otobüslerin hep aynı rotada gidip gelmek yerine, ihtiyacın arttığı rotalara sevk edilmesi; havanın kararma durumuna göre ışıkların aydınlığının ayarlanması; enerji kaynaklarının da, atık yönetiminin de akıllı şekilde yapılması ancak doğru modellerin oluşturulması ve big veri’nin hızlı islenmesiyle mümkün.