Harward Business Review’de yayınlanan bir makale, geleceğin veri liderlerinin sahip olması gereken 4 temel beceriden bahsediyor. Bu özellikler veri analizi eğitimi altında edinemeyeceğimiz iş hayatının içerisinden daha tepeden bir bakış açısıyla ortaya çıkartılmışlar.
Yazar, her yıl veri bilimi öğreten bir kişi olarak, öğrencilerinin ve profesyonellerin genellikle veri analizi yapmayı veya iyi modeller oluşturmayı öğrenmeyi umduklarını fark ediyor. Ancak, gerçek dünyada veri bilimcilerin yaptıklarını anlatan profesyoneller, işlerini “sorunları çözmek” olarak tanımlıyorlar. Bu, veri biliminin aslında iş dünyasının temel sorunlarını çözmekle ilgili olduğu anlamına geliyor. Yani aslında kullandığımız modeller ve analizler sadece bir araç, ana amacımız “sorun çözmek”. Bazen araç kısmını amaç gibi algılayıp asıl amacımızda uzaklaşabiliyoruz. Derin analizlere gömülüp sonuç vermeyecek çıkarım yapılamayacak kadar karmaşık yöntemlere boğuluyoruz.
Makale, sadece veri analizi yapmakla sınırlı olmayan bir bakış açısı sunuyor ve iş dünyasının temel sorunlarını çözmek için veri biliminin nasıl kullanılabileceğini vurguluyor, veri bilimcilerinin iş stratejilerini, karar alma süreçlerini, operasyonları ve diğer işlevleri nasıl etkileyebileceğini anlatan dört ana beceri ve yetenek alanına odaklanıyor:
1. Sorunları Tespit Etme:
Veri liderleri, işletmenin hemen hemen her operasyonunu yakından gözlemleyerek hem mevcut sorunları çözebilirler hem de yeni sorunları tespit edebilirler. Örnek olarak, bir otel zincirinde check-in sürecindeki sorunların aslında otel yönetimiyle ilgili olduğunu tespit eden bir örnek veriliyor.
Orta ölçekli bir otel zincirinin müşteri ilişkileri yöneticisi, check-in işlemi için düşük puanlar alıyordu ve üst yönetim tarafından eleştiriliyordu. Anketler, misafirlerin check-in’in kötü yönetildiğini, çok fazla zaman aldığını ve istedikleri sonuçları (yani sorunsuz ve keyifli bir deneyim) sağlamadığını düşündüğünü gösteriyordu. Yönetim ayrıca check-in’i kötü değerlendiren insanların oteli tekrar ziyaret etme olasılıklarının daha düşük olduğunu buldu.
Sonra bir çalışan, sürekli olarak toplanan müşteri anketlerine bakmalarını önerdi. Doğal dil metin analizi bazı temaları ortaya çıkardı – yani otel altyapısı optimal değildi. Misafirler Wi-Fi ile sorun yaşarlardı, oda anahtarları bazen çalışmazdı, mobilyalar kırıktı veya odalar misafirlerin geldiğinde temiz değildi. Bu sorunlar doğrudan check-in ile ilgili değildi, ancak misafirler bunları hatırladıkları için check-in sürecine bağladılar. Sonuç olarak, sorun otelin nasıl yönetildiğiyle ilgiliydi, check-in süreciyle değil.
Misafir ilişkileri departmanı, check-in sorununun kökenini bulmak için veri analitiği ekibine başvurdu. Müşteri demografilerine, istedikleri oda türlerine, ön büroda, bir otomat makinesinde veya telefonlarıyla check-in yapmalarına, günün saati, yılın saati ve müşterilerin sadakat programında olup olmadığına bakmalarına rağmen, veri ekibi temel nedeni belirleyemedi.
Sonra bir çalışan, sürekli olarak toplanan müşteri anketlerine bakmalarını önerdi. Doğal dil metin analizi bazı temaları ortaya çıkardı. Misafirler Wi-Fi ile sorun yaşarlardı, oda anahtarları bazen çalışmazdı, mobilyalar kırıktı veya odalar misafirlerin geldiğinde temiz değildi. Bu sorunlar doğrudan check-in ile ilgili değildi, ancak misafirler bunları hatırladıkları için check-in sürecine bağladılar. Sonuç olarak, sorun otelin nasıl yönetildiğiyle ilgiliydi, check-in süreciyle değil.
Özetle, önünüzdeki sorunu çözmek, işin diğer yollarında iyileşmeyi kaçırmanıza neden olabilir. Veri ile çalışanlar genellikle işletmenin birçok yönü hakkında derinlemesine, benzersiz içgörülere sahiptirler. Sorunları tespit etme konusunda usta olabilmek için veri liderleri, büyük resme sahip olmalı ve iş liderleri için en önemli olan şey konusunda daha fazla şeffaflık kazanmalıdırlar.
2. Sorun Kapsamı Belirleme: Netlik ve Özgünlük Kazanma:
Bir sorun tespit edildikten sonra, bir sonraki adım, sorunun kapsamını belirlemektir – yani sorunun doğası ve analitiğin nasıl yardımcı olabileceği konusunda netlik kazanmaktır. Bu özellikle bir iş liderinin belirsiz bir endişe veya zorlukla veri ekibine yaklaştığı durumlarda önemlidir.
Genellikle veri bilimciler ve iş liderleri aynı dilden konuşmayabilir. Örneğin düşük net promoter puanı (NPS) verme riski taşıyan müşterileri tanıyabilmek ve deneyimlerini iyileştirebilmek isteyen bir yönetici ekibe şu şekilde bir taleple gelebilir.
“Müşteri memnuniyeti hedeflerimize ulaşmakta zorlanıyoruz – pazarlama stratejilerimize odaklanmamız gerekiyor gibi görünüyor. Doğru kum havuzlarında oynuyoruz gibi görünüyor ama uyum sağlayamadık gibi hissediyoruz, sadece kim ve neden memnuniyetsiz bunu öğrenmemiz gerekiyor. Kulağa iyi geliyor mu?”
Bir veri bilimcisi bunun üzerine belki de “Uyum sağlama” ile ne demek istediğini sorarak başlar ve “Müşteri memnuniyeti hedeflerini nasıl ölçüyoruz?” ve “Başarılı olunduğunu gösteren hangi ölçüler var?” gibi sorular sorar. Sonuç olarak, veri analitik araçları ve kavramlarla sorunu anlamlı bir şekilde çözmek için yardımcı olacak iyi tanımlanmış bir sorunu oluşturmak için bilgi çıkarma süreci başlar.
Veri bilimcilerin yapması gereken işlerden biri, bir iş liderinin zihninde olanları alıp iyi kapsanmış bir iş problemine dönüştürmektir.
- Tam olarak çözmeye çalıştığımız sorun nedir?
- Sorunun çözüldüğünü gösterecek şekilde geliştirilen sonuçlar nelerdir?
- Sorunu çözmek için ideal olarak hangi veriler mevcut olmalıdır ve gerçekte hangi veriler mevcuttur?
- Analiz nasıl bir çözüme yol açacak?
Son soruyu yanıtlamak, uygun analitik tekniği belirleyeceği için muhtemelen en önemli bölümdür, Burada yazar, iş ekibiyle birçok “ne olur” senaryosunu çalıştırdığına değiniyor; örneğin, “Sonuçlar böyle veya şu şekilde çıkarsa ne olur? Bu size daha iyi bir karar verme konusunda nasıl yardımcı olacak?” Çoğu zaman, iş liderleri bu soruyu ertelemeye çalışırlar, analitik sonuçlar mevcut olduktan sonra eylemleri düşünebileceğimizi önerirler. Bu bir hata – analizin nasıl bir çözüme dönüşeceğini bilmek, analitik planın formüle edilmesinin önemli bir parçasıdır.
Sonuç olarak, sorun kapsamını belirleme konusunda başarılı olmak için veri bilimciler, iş lideriyle sorunu konuşmak için iyi iletişim becerilerine sahip olmalı, veri analitik araçları ve kavramlarının işe anlamlı bir şekilde katkıda bulunabilmesini sağlayacak gerekli özgünlüğe ulaşmalıdır. Ancak o zaman sorun, veri ekibine analiz için teslim edilebilir.
3. Sorunun Yönlendirilmesi: Güncel Bilgiler Almak ve Geri Bildirim Toplamak
Sorun tespit edildikten ve kapsamı belirlendikten sonra, birçok veri analisti izole bir şekilde çalışmaya başlar ve yalnızca bir çözüm bulduklarında ortaya çıkarlar. Bu yaklaşım son derece sorunlu bir yöntemdir. En etkili olmak için, süreç büyük ölçüde bilgi paylaşımını ve beklentilerin belirlenmesini gerektirir veya yazarın “sorun yönlendirmesi” olarak adlandırdığım şeyi.
Her bir iletişim, geri bildirim toplama fırsatı haline gelmelidir. Örneğin, “Bu ön sonuçlar iş ekibinin ilgisini çekiyor mu?” ve “Terimleri doğru tanımlıyor muyuz?” gibi sorular sorulabilir. Bir güncellemeden diğerine, sonuçlar sıralı güncellemelerle birleştirilir ve proje sonuca ulaşana kadar devam eder.
Bu yaklaşım, bazı veri bilimcilerinin tercih ettiği çalışma şekline ters düşer. Bazıları modelleri ve yaratıcı problem çözme tekniklerini benimserler ve işin sonunda büyük sürpriz sonucun açıklanacağı günü hevesle beklerler. Ancak “büyük sürprizler” kötü bir uygulamadır ve ters tepebilir. Final sunumunda çok fazla sürpriz, izleyiciyi defansif bir konuma sokabilir. Neden? Sürpriz sonuçlar genellikle insanları temel veri ve yöntemleri sorgulamaya başlatır.
Her veri modeli, varsayımlar gerektirir (örneğin, eksik verilerle ne yapılacağı, aykırı değerlerin nasıl işleneceği vb.). Veri analizleri üzerinde çalışan ekipler, varsayımlarını önceden açıklamaz ve tartışmazlarsa – ve bunun yerine sona kadar beklerlerse – iş ekibi sorular sormaya ve zayıf noktaları eleştirmeye başlayacaktır. Ancak iş ekibini karar sürecine dahil ederek, sonuçlara inandıracaklar ve güvenlerini sağlayacaklardır.
Özetle: Sorun-yönlendirme, iş ekibinden düzenli güncellemeler sunma ve geri bildirim toplama sürecini oluşturur. Bu alanda güçlü olan veri bilimciler, iş ekibiyle sorunsuz bir şekilde son teslimatın hedefine ulaşmasını sağlamak için birlikte çalışırlar – sürprizler olmadan.
4. Çözümün Çevirisi: İzleyici Dilinde Konuşma
Bu aşamada, sorunun çözümünden bahsedeceğiz ve başarısı, veri ekiplerinin ilk üç adımda ne kadar iyi performans sergilediğine bağlıdır. Tek bir nihai cevap belirlemekten çok, veri ekibi aynı zamanda anlaşılır ve dolayısıyla uygulanabilir bir çözüm sunmalıdır.
Bu, sadece verileri bir grafik veya başka bir görsel göstergeye koymakla ilgili değil. Aksine, çözüm iş ekibinin anlayabileceği bir dilde iletilmelidir. Yazar bu aşamada, iki sayfalık çözülmesi gereken sorunun en önemli unsurlarını vurguyan notu önermektedir. İki sayfa, özellikle veri ekiplerinin genellikle ürettikleri ağır raporlarla karşılaştırıldığında oldukça yoğun gibi gelebilir, ancak bu gizli silahın arkasındaki güç özlülüktedir.
İki sayfa sınırlaması, veri analizinin ayrıntıları hakkında uzun uzun konuşma cazibesini önleyebilir ve yapılan önerilere ve bunların kanıtlarına odaklanmayı teşvik edebilir.
Amazon’un kurucusu Jeff Bezos, fikirlerini (PowerPoint sunumlarına karşı) kolayca sindirilebilen ve tartışılabilen altı sayfalık notlarda sunma zorunluluğunu getirmiştir.
Sonuç olarak, çözümün çevirisi, veri liderlerinin analizleri ve önerileri ile en fazla etki yaratma şeklini düşünmek ve değerlendirmek için bir adım atmalarını gerektirir. Basit bir dil kullanarak, karmaşıklığı tehlikeye atmadan, bu alanda başarılı olan veri liderleri, iş liderlerini etkileyici ve anlaşılabilir çözümlerle etkilemek için bir asansör konuşmasının eşdeğerini sunabilirler.
Sonuç olarak;
İş dünyasında veri ve analitik, her geçen gün iş kararlarının temel bir parçası haline geliyor. Bu gelişimle birlikte, veri ekipleri artık sadece kendilerine verilen sorunları çözmekten daha fazlasını yapmalılar. Veri liderleri ve ekipleri artık işbirliği ve iletişim odaklı olmalılar.