tarihinde yayınlandı Yorum yapın

Ne İş Yapıyorum — Big Data ve Machine Learning — Bölüm 3

-Sabri uyan! Sanırım vakit geldi. Ekrandaki şu değerlere bir baksana.

Saat gece yarısı 03:44’tü. Yaklaşık 6 aydır, kuş uçmaz kervan geçmez bu yerde kalıyorlardı. Yasin, ilk geldiklerinde neden burada olduklarını anlayamıyordu. Tüm dünyadan uzak bir odada, bir şeylerin gerçekleşmesini bekliyorlardı. 3 hafta önce ilk belirtileri ortaya çıkmıştı ve son 1 haftadır bu belirtiler iyicene artmıştı. Ve sonunda saat 03:44’te bekledikleri olaylar gerçekleşti.

Yasin’in dürtmesiyle uyanan Sabri, siyah çerçeveli gözlüğünü taktı ve ekrana baktı. “Sonunda” dedi mırıldanarak. Hemen hazırlanıp eve dönmeleri gerekiyordu. “Ev”. Söylemesi bile garip geliyordu. Malum olaylar olmadan önce “Ev”i çok özlüyordu fakat artık anlamını yitirmişti. Sadece cümle içinde geçen bir kelimeydi Ev. Özne bile değildi. Dolaylı bir tümleçti.

Gerekli hazırlıkları yapıp hemen yola çıktılar. Yasin, “sabaha kadar bekle..” dediyse de, Sabri bunu duymamazlıktan gelerek helikopterin kapısını açıp, pervaneleri çalıştırdı. Yasin apar topar topladığı eşyalarla birlikte kendisini helikoptere attı ve kulaklıkları taktı.

Sabri derin bir nefes aldı. Helikopter havalanana kadar son 6 ay gözünün önünde film şeridi gibi geçmişti. İlk günden itibaren herkes aynı soruyu sormuştu. Neden bırakıp gitmişti, ne bu kadar önemli olabilirdi, orada ne yapacaktı ve ne yapıyordu, geri dönmeyi hiç mi düşünmüyordu. Helikopter havalanmaya başlarken gözlerinden birkaç damla yaş süzüldü. Gerçekten 6 ay boyunca ne yapmıştı ve şu anda neden bu şekilde davranıyordu. Helikopter havalandıktan 5 dk sonra, Sabri cebindeki kumandayı çıkardı ve kırmızı mı yoksa yeşil mi olduğuna emin olamadığı tuşa bastı.

Booooom!!!!

Yaptığım işleri abartarak anlatmayı çok severim. Abartmayı çıkarsak bu cümle yine doğru olur. Hatta yaptığım işleri de çıkaralım. Evet Anlatmayı çok severim. Sosyal çevremde iyi bir dinleyici olsam da, iş hayatında anlatmayı çok seven, bildiklerini paylaşan birisiyim. Hatta çok sevdiğim bir arkadaşım (Melih), bana Barış Özcan gibi bir kanal açıp insanlara bir şeyler anlatmam konusunda çok telkinde bulunsa da, ben bunu yapacak cesareti kendimde bulamamıştım ki hala bulamıyorum. Ben iyi yaptığımı düşündüğüm şeyi yapayım. Anlatacağım şeyleri yazarak anlatayım.

6 ay önce, önemli bir kariyer değişikliği yaparak TRT World’de Data & Insight Lead olarak göreve başladım. Bu değişiklik benim hayatımın tamamen değişmesine sebep oldu. Bugüne kadar hiç bilmediğim, hiç duymadığım, hiç görmediğim şeyleri öğrenme fırsatım olmuştu. Tabi sudan çıkmış balık gibiydim. Sanki yeni mezun olmuş bir mühendis gibiydim ve bunun sonucu olarak çok zorlandım.

Yazdıkça yazacaklarımı toparlayamayacığımı farkediyorum. Bu sebeple yazıyı bir kaç bölüme ayırmaya karar verdim. Birinci bölüm Yaptıklarım(ız) ve Yapmaya Çalıştıklarım(ız), ikinci bölüm Yapmak İstediklerim(iz), üçüncü bölüm Öğrendiklerim, ve son bölüm yaşadıklarım / duygularım olacak.

Yaptıklarım(ız) ve Yapmaya Çalıştıklarım(ız)
Yeni Medya. Aslında sorumlu olduğumuz her şey yeni medya ile ilgili. Peki nedir bu Yeni Medya? Yeni Medyayı anlamak için öncelikle yeni olmayan medya nedir onu bilmek gerekiyor.

Geleneksel Medya, günümüzde yaygın olarak kullanılan, gazete, dergi, televizyon gibi araçlarla tek yönlü iletişim kuran bir alandır. Herkese aynı içerik sunulur. Sadece ünlü olan kişilere yer verilir. (Zeki Müren espirisi) Televizyon hariç ulaşılması zordur. (Yakınınızda bakkal olmadığını varsayıyorum) Yapım aşaması uzundur ve yüksek maliyetlidir.

Yeni Medya, internetin birbirine bağladığı cihazlar ve sistemler arasında enformasyon akışının bireyin ve işletmelerin hayatında etki ettiği her noktayı inceleyen ve iletişimin çok yönlü olduğu bir alandır. Yeni medyada her şey kişiye özel tasarlanabilir. Ünlü olmanıza gerek yoktur, yeni medya da herkese yer vardır. Hatta özgün olursanız yeni medya ünlüsü bile olabilirisiniz. Bir mesaj ile herkese ulaşabilirsiniz. Maliyetler düşüktür ve kayıt düğmesine basmanız yeterlidir.

Aşağıda IDC konferansında yer verdiğim, Yeni Medya ve Geleneksel Medya arasındaki farkları anlatan slayta ulaşabilirsiniz.

Yeni medya, derya deniz. Sosyal medya hesapları, web-siteler, micro siteler… Nereye elimizi atsak veri akıyordu. Hatta öyle bir veri akıyordu ki, bu kadar veri ile ne yapacağımızı düşünmeden önce biz bu verileri nasıl tutacağız diye sorgulamaya başladık.

TRT World’de küçük ve çok harika bir ekibe sahibim. Ekibimde 3 kişi var. Yasin, Mehmet Emin ve Burak. Ekibimde olmasa da, tüm projelerde birlikte çalıştığımız Data Canavarı Berk de ekibin fahri üyesi. İkinci bir fahri üyemiz de Dijital ekibinden iletişim konusunda üstat Yavuz Selim. (2020 Edit: CRAWLERS)

TRT World’ün dijital hesaplarından akan milyonlarca veri var. Bu verilerin üzerine kurgulayacağımız projeler için öncelikle onları sürdürebilir bir şekilde elde etmemiz ve tutmamız gerekiyordu.

Bilgi İşlem ve Insight ekibi olarak, açık kaynak kodlu araçlar (open source tools) kullanarak bir veri akışı (data pipeline) oluşturduk. Bir cümle ile anlatmak ne kadar kolaymış. Ama yaparken gerçekten çok uğraştık. İşin ilginci, bu gibi projelerde en zor kısım kod yazmak değil bu işin mimarisi ve sürdürebilir bir şekilde çalışmasını sağlamaktır. Türkiye’de bir medya grubu bu işi daha önce yapmadığı için de her şeyi, kendimiz keşfedip yapmamız gerekti. Tekrar tekrar yazdığımız kodlar, altyapılar, tablolar, mimariler sonunda veri akışımızı ve üstüne kurduğumuz yapıyı kısmen tamamlamış olduk.

Sosyal Medya, web-siteler ve uygulamalar üzerinden akan veri, API kullanımı, scraping, vb. gibi yöntemlerle alınıp Kafka ile veri akışı sağlandıktan sonra, hem yapısal hem de yapısal olmayan yerlere kaydediliyor. Ardından bu verileri kullanılarak projelerimizi yapıyoruz. (Farkettiyseniz her şeyi çok detaylı anlatan ben, bu kısmı çok basit ve detaya girmeden anlattım. Hatta teknik terimleri kullanmaktan kaçındım. Bunun en büyük sebebi, bu bilginin “Fikri Mülkiyeti” olmasından kaynaklanıyor. Emeğe saygı, V1’e selam)

Şimdi geldik en heyecanlı kısma. TRT World’de bir çok projeye imza attık. Fakat bu projelerden 3 tanesi hem çok değerli hem de anlatması çok keyifli.

1- İçerik Potansiyel Tahmini

TRT World’deki 3. ayımda bir öğlen yemeği yerken “V1” ile karşılaştım. Hem yemek yiyor hem de muhabbet ediyorduk. Konudan konuya atlarken “Bir içeriğin ne kadar hit olacağını tahmin edebilseydik her şey daha kolay olurdu” minvalinde bir şey söyledi. Bu konuyu daha derinlemesine konuşmaya başladık ve perakendedeki ürünlerin attributelerini kullanarak tahmin edilmesine kadar geldik. Soru şuydu, bir içeriğin tüm bileşenlerini ayrı ayrı belirleyebilirsek ve bundan yola çıkarak geçmişteki içeriklerin etkileşimlerinden yola çıkarak bir model kurabilir miydik? Harika bir fikirdi. Ta ki, “V1” güzel fikir ama bunu siz yapamazsınız diyene kadar. Kafamdan kaynar sular döküldü. Bunu da yapamıyorsak, bizim orada ne işimiz vardı?

Kedi videoları her zaman çok izlenir. Fakat bir politik video her zaman çok yüksek etkileşim almayabilir. Soru şu: Bir kedi videosunun çok izlenmesindeki sebep her zaman kedi midir? Bir politikacının kedi ile tartıştığı bir video, sıradan bir kedi videosundan daha az mı izlenir? (Tabiki soru bu değil ama buna benziyor 🙂 )

Hemen ekibi topladım. Projeyi anlattım. Herkes çok heyecanlandı. Fakat nereden başlayacağımız ve nasıl yapacağımız konusunda hiç birimizin bir fikri yoktu. Daha doğrusu bu projeyi sürdürebilir bir şekilde kurgulamakta zorlanıyorduk. Önce amacımızı belirledik:

Bir editör, yeni bir içerik ürettiğinde, bu içeriğin alacağı etkileşimi 100 üzerinden tahmin edip, CMS’de (içerik yönetim sisteminde) bunu görmesini sağlayacak, yeni girilen her içeriğin sonucunu algoritmaya dahil ederek, kendini geliştiren bir model yazmak.

Bu amaç için proje adımlarmızı belirledik,

  1. Bugüne kadar yayınlanan tüm içeriklerin bileşenlerinin çıkarılması
  2. Bugüne kadar yayınlanan tüm içeriklerin etkileşimlerinin bulunması
  3. Bileşenler ve etkileşim kullanılarak tahmin algoritmasının geliştirilmesi
  4. Veri akışının oluşturularak, bu sistemin sürdürebilir bir şekilde çalışmasının sağlanması

İlk iş içeriklerin bileşenlerinin çıkarılmasını sağladık. İçerik Yönetim Sistemindeki her bir makaleyi ön işlem (pre-process), API ve son işlem (post-process) geçirerek parçalar ayırdık.

Ön ve son işlemler konusunda çok detaya girmeyeceğim. Metin madenciliği yapan kişilerin çokca bildiği, veri düzeltmelerin bol bol olduğu, her şeyin tamam olduğunu düşündüğüz an bir problem gördüğünüz, bir çok kural yazdığınız bir süreç. Hem zahmetli hem de yorucu bir süreçtir.

Makalede geçen ülkeler, şehirler, kurumlar, kişiler, önemli günler, önemli olaylar, ilgi alanları, konusu, resim olup olmaması, video olup olmaması, videonun süresi, vb. gibi bir çok kategoride bileşenlerine ayırdık.

Her bir içeriğin, bulunduğu mecraya göre, sayfa görüntülenme, etkileşimi, RT, FAV değerlerini topladık.

Çoğu kategorik olan bu bileşenleri modelleme sürecine giriştik. Bugüne kadar perakende sektöründe daha çok numerik değişkenlerle muhattap olmuştum. Bu sebeple kategorik değişkenlerin modellenmesi açıkçası biraz zorladı. Özellikle bu kategorik değişkenlerin Ordinal (sıralı) olmayışı, tamamen Nominal (atanmış) olması işleri daha da zorluyordu.

İki konu üzerine çok zaman harcadık. Dummy değişken oluşturulması ve Faktor Analizleri. (Yazar Notu: Yıl olmuş 2020 ve bunlar sizin için çok normal geliyor olabilir. Fakat 2016 yılında Türkiye’de bunları konuşan kişi sayısı emin olun çok azdı) Her bir kategorinin altında bir çok farklı alt başlık olduğu için ön işlem kısmında bunların çoğunu birleştirmiştik. Fakat yine de yüzlerce dummy değişkenimiz oluyordu. Faktör Analizleri ile en anlamlı olanları ile (yine 100 civarında) modelimizi kurmayı başardık.

İşin her aşaması zordu. Fakat en zoru, bu işin sürdürebilir bir şekilde çalışması ve ürüne dönüşmesiydi. Her yeni makale eklendiğinde, bileşenlerine ayrılması, tahmin yapılması, yazara sunulması, içerik yayınlandıktan sonra etkileşimlerin kaydedilmesi, modelin tekrardan buna göre çalışması ve bu sürecin problemsiz bir şekilde devam etmesi…

Peki bu proje ne işe yaradı daha doğrusu nerede niçin kullanılacak?

  1. Yazının başarı puanına göre, o yazı için ne kadar reklam harcanmasının hesaplanması
  2. Yazarların başarısının ölçülmesi
  3. Bileşen ve kategorik ölçüm sonuçlarına göre içerik önerisinin yapılması

2- Twitter’da Benzer Kişilerin Bulunması Algoritması

Twitter’ın bendeki yeri ayrıdır. Tüm sosyal medya araçları bir yana twitter bir yanadır. Çünkü Twitter API’sı tüm sosyal medya araçlarının API’lerini döver, ikiye böler, beşle çarpar. Hem kullanması kolaydır hem dokumantasyonu iyidir hem de diğerlerinin vermediği bir çok bilgiyi size sunar. Bu sebeple bir çok projemizin temelinde Twitter bulunuyor.

Bu proje ar-ge olarak başlayıp, ardından bir teze ve sonrasında farklı makalelere temel oluşturan, ufuk açıcı, öğretici, şaşırtıcı bir projedir. (V1 tarafından verilen bir görev neticesinde ortaya çıkmıştır. Fikir babası V1’dir.)

Öneri algoritmaları içinde çok popüler ve kimsenin dilinden düşürmediği iki örnek vardır. Birincisi Amazon’un kitap öneri sistemi. Ben de kaç sene sunumlarımda bu örneği vermişimdir. İkincisi Netflix’in öneri algoritması. Hadi bir üçüncüsü de benden olsun. Spotify’ın şarkı öneri sistemi. (Diğer ikisini sanki mahallenin muhtarı söyledi?)

Bu algoritmalar, sizin daha önceki alışveriş, izleme ve dinleme geçmişinize göre ya da oluşturduğunuz beğeni vb. listelerinize göre, benzer kullanıcıların aktiviteleriyle eşleştirip, bunu seven bunu da sever mantığıyla çalışır. Anlatırken ne kadar da kolay 🙂 Bir cümle anlatabildiğime inanamıyorum.

Twitter’da da sizin ilgilendiğiniz konulara ve o zamana kadar takip ettiğiniz kişilere göre, kimleri takip edebileceğinizi önerir. Farkettiyseniz, Amazon, Spotify, Netflix, Twitter ve diğer tüm araçlar, sizin hareketlerinize göre öneri veriyor. Bu öneriler size özel. Sizin hareketlerinize özel. Peki soru şu, ben şu 3 kitabı sevdiysem acaba hangi kitabı okusam çok severim sorusunun cevabını veriyor mu? (Bunu veren harika bir uygulama var. GoodReads’i kullanmıyorsanız tavsiye ederim. Yine kişiye özel listelere göre çözüm üretse de, farklı listeler oluşturarak başarabilirsiniz.) Ya da şu 3 şarkı benim hayatımın şarkısı, bu şarkıları döndüre döndüre dinliyorum. Bunun gibi seveceğim 3 şarkı daha olsa of ki ne of.

İşte biz bunu Twitter için yaptık. Biribine benzediğini düşündüğünüz N tane kişi girdiğinizde, size benzer M tane kullanıcı veren bir algoritma geliştirdik. Hatta test etmek için, TRT World’de çalışan 5 editörün kullanıcı adlarını girdik, bize diğer editörleri ve TRT World’de çalışsa ne güzel olur diyeceğiniz editör ihtimallerini verdi.

Bu algoritmanın detaylarını burada anlatmayı çok isterdim. Kullanıcıların aktiviteleri, takip ettikleri, takipçileri, içinde bulunduğu networkler, istatistikleri, vb. bir çok bilgi kullanılarak kurulan bu model sayesinde doğru kaynaklara ulaşmayı başardık. Peki bu ne işe yarayacak ki?

Bir aktivite düzenlediğimizi varsayalım. Veri Bilimi hakkında olsun. Bu aktiviteyi herkesi çağırmak yerine sadece ilgili olan kişileri çağırmak istiyorsunuz. Bunu yapabilmek için tek tek arama yapmanız gerekecek. Fakat bu algoritma sayesinde, veri bilimi ile ilgili yazan ya da ilgilenen bir çok kişiye 90sn gibi bir sürede ulaşabiliyorsunuz.

Tanzanya’da Politik haber yapan 5 kişiden yola çıkarak, 60 farklı kişi daha bulup bunların her gün tweetlerini çekiğinizi düşünün. Bu tweetleri anlık bir dahsboard üzerinde yayınlayarak, Tanzanya’nın politik haberlerini takip edebilirsiniz ve içerik üretme konusunda kaçırdığınız noktaları tek noktadan takip edebilirsiniz. Tüm ülkeler için bunu yapıp, Dünya Atlası üzerinde kişi başına atılan tweet sayısını da renklendirirseniz, son 1 saat içindeki tweetler sayesinde, Politik olarak dalgalanan ülkeleri rahatlıkla yakalayıp bir hikaye oluşturabilirsiniz. Bu sadece bir örnek. Biraz önce bahsettiğimiz örnekteki gibi, işe alım yapacağımız kişilerin belirlenmesinde de kullanabiliriz 😛

3- Referandum

2017 yılının en büyük olaylarından biri de Referandum’du. Türkiye, Anayasa değişikliği için referanduma gitti ve biz de ekip olarak bu tarihi olayı yakından takip ederek çeşitli projelere imza attık.

Birincisi, Twitter’da referandum için kullanılan hashtaglerin geçtiği tweetleri anlık olarak (Stream) çekip bunları Evet, Hayır ve Nötr olarak kategorize edip, yine anlık olarak dahsboardlarda yayınlamaktı.

İkinci proje biraz ilginç bir projeydi. Biliyorsunuz ki, her seçim sonrasında açılan sandıklarla ilgili büyük bir tartışma başlar. İlk başta açılan sandıktaki yüzdelerle sondaki yüzdeler neden farklı olduğu konuşulur. Bunun bir gizli bir oyun olduğundan falan bahsedilir. Biz de Referandum özelinde, yasak kalktığı ilk andan itibaren, anlık olarak AA tarafından gönderilen veriyi görselleştirdik. Sandıkların açılış yüzdeleri ve şehirlerdeki referanduma verilen oy değişimini aşağıdaki şekilde görebilirsiniz. Ortada oyun falan yok gençler rahat olun 🙂

Yapmak İstediklerim(iz) ve Yapamadıklarım(ız)

Yazının buraya kadar olan kısmı 2017 yılında yazıldı. Yani TRT World’den ayrılmadan önce. Buradan sonraki kısmı ise bugün yazıyorum. Aradan 3 sene geçmesine rağmen hala yapmak istediklerimiz aklımda.

Yukarıda yaptıklarımızın hepsinin bir amacı vardı. Bu amaçlara giden temel projelerdir. Haber Üreten Bir Araç yapmak istiyorduk. Yeni bir haberi yakalayacak, bu haberin kilit kelimelerini çıkaracak, bu kilit kelimelerinin üzerine bir metin yazacak ve bunu editörün önüne koyacak. Editör incelemeyi yaptıktan sonra yayınlayacak. Bu haberi yakalamak için, Twitter Network aracını geliştirmiştik. Bir sonraki aşamamız buydu

Her bir içeriğin, etkileşiminin tahmin edilmesini projesinin bir sonraki aşaması, hangi içeriğe ne kadar reklam verilmesinin otomatik karar verilmesiydi. İçeriklerin başarısının tahminin zaman ekseninde yapılması (yani bir içerik yayınlandıktan sonra tahminden sapmasının anlık olarak takip edilmesi) ve hangi içeriğe ne kadar reklam bütçesinin ayrılmasının optimize edilmesi olacaktı.

Bir diğer proje hedefimiz, Sosyal Medya üzerinden kişilerin yazdıkları metinlerden, saykometrik (Psychometric) profillerin çıkarılması ve bunların kategorize edilerek, hangi içerğin kime yönlendirilmesi gerektiğinin A/B testing ile karar verilmesiydi. 2016–2017 yıllarında Facebook — Cambridge Analytica skandalı ortaya çıkmıştı ve bizde bu konuda çalışmaya başlamıştık.

Bu projeleri anlatırken gerçekten çok güzel fakat, ilk 6 ayımda çok büyük bir ikilemle karşılaştım. Veri Bilimci ikilemi.

Veri Bilimci İkilemi. Bence günümüz piyasasında da yaşanan en büyük ikilemlerden biri de bu. Şöyle anlatayım. Sizden iyi bir veri bilimci tanımı yapmanızı istesem nasıl tanımlarsınız. En az 1 yazılım dilini bilsin, matematik, istatistik ve algoritmalar konusularına hakim olsun yeterli (mi acaba?) İşte günümüzde bu ikisini bilen insanlar kendini Veri Bilimci olarak tanımlıyor. Ama burada büyük bir eksiklik var. İş Bilgisi! (Domain Knowledge) Eğer yapılan iş hakkında hiç bir bilginiz yok ise, problemi çözmek için sadece algoritmalar ve programlama beceriniz sizin için yeterli olmayacaktır.

TRT World’de işe başladığımda, kendimi sudan çıkmış balık gibi hissediyordum. Tam 10 senelik sektör tecrübem vardı. 10 sene dile kolay. Çok iyi algoritma yazarım, kod bilgim var, veri akışı ile ilgili efsane tecrübelerim var, mimari desen benden sorulur ama “Geleneksel Medya, Yayın (Broadcasting), Sosyal Medya” problemleri hakkında hiç bir fikrim olmadığı için 100 olan gücüm otomatik olarak 50’ye düşmüş oldu. Bir çok makale okudum, AJ+ başarı hikayelerini inceledim, çeşitli danışman firmalarının çözümlerine baktım ama her şey havada kalıyordu. İşin içine girmeden, amiyane tabirle elinizi kirletmeden bu iş olmuyor, olmaz, olmayacak. Benim ne yaptığımı anlamam ve verimli bir şeyler ortaya çıkarmam 3 ay sürdü. Biliyorum 3 ay çok uzun bir süre. Bu kadar uzun sürmesinin sebeplerinden biri, Medya sektöründe yeni olmam, diğeri ise tamamen farklı bir kültüre adapte olup yepyeni şeyler öğrenmek oldu. 3 ay içinde o kadar çok şey öğrendim ve deneyimledim ki, sanırım hayatımdaki en öğretici zamanlar oldu.

Öğrendiklerim

2016–2017 senesi benim için çok öğretici geçmişti. San Francisco gezisi ve NRF konferansından sonra TRT World de eklenince, öğrendiklerim arşa değmişti. 2020 yılından baktığınız zaman, çok etkileyici olmasa da 2016 yılı için zamanın ilerisindeydi.

TRT World haberleşmesini Slack, proje yönetimlerini de Trello ve Jira üzerinden yapıyordu. O zamana kadar çalıştığım şirketlerde bu uygulamaları bu kadar verimli kullananın görmemiştim. Proje yönetiminde Agile (Çevik) yönetim hakimdi ve haftalık, günlük toplantılarla projeler dolu dizgin ilerliyordu. Açık kaynak kodlu geliştirmeye önem veriliyordu ve Github’ı ilk orada kullandım. Python’da proje geliştirme ve bu geliştirilen projenin devreye alınmasındaki aşamalar harika bir tecrübeydi.

O güne kadar PC kullanan ben, Mac kullandım. İlk 2 hafta gerçekten çok zordu fakat sonrasında çok memnun kaldım. Oyun oynamıyor, kod yazıyor ve Excelle hiç işim olmaz diyorsanız Mac harika bir cihaz. Fakat oyun ve excel sizin için önemliyse, Mac’den uzak durun. Diğer herşey için Mac.

Son olarak, TRT World’deki en farklı deneyimim iletişim oldu. İletişim dili İngilizce olan bir yerde çalışmamıştım. Direktörüm Riyad (Güney Afrika), diğer yönetici arkadaşlar Ned (GA), Mak (GA), Derrick (ABD) ve Hüseyin (Türk). Güney Afrika İngilizcesini anlamak gerçekten uzun sürdü. LAGli yaşıyordum. Hele ilk zamanlarda toplantılarda konuşulanları anlayamıyordum. Her hafta pazartesi günleri yapılan toplantıları pür dikkat dinliyordum fakat anlamam 5sn gecikmeli oluyordu. Herkes bir espriye güldükten 5 sn sonra gülüyordum. Fakat 2 aydan sonra artık alışmıştım. Güzel bir tecrübeydi.

Duygularım ve Son Söz

15 Temmuz sonrasında bana kapılarını açan, harika bir ekiple çalışma fırsatı veren, İstanbul’un en güzel manzaralı ofisine sahip, çok güzel insanlarla tanıştığım güzide yer TRT World.

Çok uzun bir serüven değildi. LC Waikiki benim doğduğum yerse, TRT World gençliğimi geçirdiğim yer olarak tarihe geçti. (Koton da gençliğimi elimden aldı 😀 10 yaş yaşlandım. O güzel ekibim olmasaydı 20 yaş yaşlanırdım) Start-up kültüründe çalışmak, büyüyen bir organizasyonun parçası olmak, Türkiye’de ilk defa yapılan işlere imza atmak benim için harika bir tecrübeydi.

TRT World’e girmeme vesile olan üstat Uğur T.’ye, V1’e, Riyad’a ayrı bir teşekkür etmek istiyorum.

Duvarlar, ofisler, bahçeler, manzaralar… Hepsi iyi ve güzel insanlarla anlamlı oluyor. Yıllar sonra tekrar birlikte çalıştığımız sevdiğim insan Abdurrahman Abi, cuma yoldaşları güzel insanlar Fatih Abi ve Mustafa Abi, renk körü olduğuma benden daha çok üzülen UX Magician Burak, Hüseyin başkan ve güzel ekibi, V1, V2 ve tabiki Datahon Fatihi Crawlers. Yasin, Yavuz, Berk, Mehmet Emin ve Burak. Sadece bu 5’li ile tanışmak bile TRT World’de çalışmam için yeterliydi.

Böylece, 3 yazıdan oluşan ve tamamlanması 3 sene süren yazı dizimize de burada nokta koyuyoruz. Umarım keyifli ve faydalı bir yazı olmuştur.

Sabri Suyunu

tarihinde yayınlandı 15 Yorum

Ne İş Yapıyorum – Big Data ve Machine Learning – Bölüm 2

Yazının birinci bölümünü okumadıysanız buradan ulaşabilirsiniz.

Ali, Veli ve Pelin kim olduğunu bilmiyorsanız, bu yazıyı okuyabilirsiniz.

Bir önceki bölümde, kısaca Big Data, Machine Learning kavramlarının ne olduğunu ve ayrı ayrı düşünüldüğünde Perakendede nasıl uygulanabileceğinin üzerinde durmuştuk. Şimdi ise bunlar birleştiğinde Perakendede nasıl olacağını hayal edeceğiz ve bu hayalimizi de bir hikaye ile anlatacağız. Başrolünde Pelin’in olduğu, Truman Show, Terminatör, Starbucks, Augmented Reality gibi birbirinden ilginç konuların bulunduğu bu hikayeyi tek solukta okuyacaksınız. İyi okumalar

Haydi bir hikaye yazalım. Hikayemiz Pelin hakkında. Pelin’i bilenler bilir. Analything dergisinin 3 yıldızından bir tanesiydi. Hani şu planner olan. Hikayemizin ismi de “Gelin Pelin Jacqueline”

Pelin işten çıkıp eve gittiğinde, hemen uyumak istiyordu. Çok yorulmuştu. Yaklaşan düğün heyecanı ve işlerin yoğunluğu artık son noktaya gelmişti. Bir taraftan gelinlik hakkında araştırma yapıyor, bir taraftan balayı programını en eksiksiz bir şekilde hazırlamaya çalışıyor, bir taraftan alması gereken hediyeleri araştırıyor, bir taraftan da planlama ile ilgili olan işleri yapıyordu. Yemeğini yedi, televizyonu açtı, koltuğa uzandı ve gözlerini kapattı.

06:15‘de çalan alarm ile güne gözlerini açtı. Gözlerini açtığında hala gün(düz) değildi. Gözlerini tekrar kapatmak istedi fakat servisi kaçırırsa vereceği taksi parasını düşündükçe bu fikrinden uzaklaşıyordu. Telefonunu eline aldı. LCSO (LC Waikiki Servis Otomasyonu) adlı uygulamayı açtı. Servisin 25 dakika mesafede odluğunu gördü. Şu anki yol durumuna göre her zamanki vaktinde gelecekti. Evinden servis bekleme yerine yürüme mesafesi de 2 dakika gösteriyordu. Uygulama üzerinden son 5 dakika hatırlatmalı alarmı kurdu ve hazırlanmaya başladı. “5 dakika kaldı” alarmı çaldığında hazırdı. Acele etmeyerek yavaş yavaş servis bekleme noktasına yürümeye başladı. LCSO’ya göre Ali (the Allocator) bugün servise binmemişti. Hasta olduğunu düşünerek mi üzülse yoksa işlerin bir kısmı kendisine kalacağına mı üzülse bilemedi. Neyse ki Veli kendini çok geliştirmişti. O yüzden bu konuyu düşünmeden yürümeye devam etti. Servisi 1-2 dakika bekledikten sonra geldi. servise bindiğinde kısık bir dıt sesi çıktı ve yerine geçip oturdu. LCSO’dan gelen yeni bir push notfication dikkatini çekti. (İşe gelmeyecekleri zaman, uygulama üzerinden işaretleme yapıyorlardı ve bu sayede, şoför dinamik rotalama yapabiliyordu. Çalışanlara servise binecekleri saatlerin değişmesi durumunda push notification ile haber verilebiliyordu) İşe geldiği son 10 gündür servisi hiç bekletmediği ve hep zamanında geldiği için, 1 adet tall mochasını, aşağıda bulunan kare kodu kullanarak şirketin içinde bulunan starbuckstan alabileceğini belirtiyordu. Mutlu oldu. Arkasına yaslandı.
35 dakikalık bir yolculuk onu bekliyordu. Uyumak ya da uyumamak arasında gidip geldikten sonra düşünmeyi tercih etti.

Çalışma hayatının belki de en büyük zorluklarından bir tanesi sabah erken kalkma ve servisle geçirdiğin bu koca vakitti. Düşünsene her gün gidiş geliş 1.5 saat vakit harcıyordun. Yine de bir işe sahip olmak ve sevdiğin bir işe sahip olmak bu günlerde bulunmaz nimetlerden bir tanesiydi. Son 3 sene çok hızlı geçmişti.

Allocatorlıktan plannerlığa geçmişti, ilk başta çok zor gelse de zamanla alışmıştı. Plannerlıktaki 3. senesini tamamlamıştı. Araba ve ev alma konusunda gidip gelmiş ve sonunda bir ev almaya karar vermişti. Eşyalar, taşınma, vs. derken 1 sene geçmişti bile.

Yeni hobiler edinmişti. Terrarium ile uğraşıyordu ve stresini bu şekilde atmaya çalışıyordu.
Geçen sene bir arkadaşı vasıtasıyla tanıştığı “Patrick Jacqueline” adlı kişi ile 6 ay sonra evlenecekti. Aşık olmuştu ama doğru mu yapıyorum diye de sormadan edemiyordu kendine.

Bunları düşünürken, iş yerine ulaştı. Servis kapalı otoparka girerken, yavaşçana toparlandı. Yeni bina eski binadan daha modern olmasına rağmen, arada eski binayı özlediğini farketti. Simit yemek istiyordu ama bu kadar üşengeçken çok mümkün değildi. Yavaş yavaş yukarı çıkmaya başladı. Aklına Starbucks hediyesi geldi. Starbucks’a doğru yürürken 2 şey aklına takılmıştı.
“Birincisi, son 10 gündür servise zamanında geldiğimi nereden biliyorlardı?”
“İkincisi, Mocha’yı ben sevdiğim için mi hediye etmişlerdi yoksa bu bir rastlantı mıydı?”

Tabiki rastlantıydı. Herkesin ne sevdiğini nereden bilebilirlerdi ki? Tam bu cümleyi aklından geçirirken, karşıdan Melih’in ona doğru yürüdüğünü gördü. Ağzı kulaklarına varmıştı. Söze ilk giren o oldu:

“Pelin, sana çok ilginç bir şey söyleyeceğim. Benim hep servise geç kaldığımı biliyorsun. Fakat son 5 gündür geç kalmıyordum. Bugün bir mesaj aldım. Tahmin et ne yazıyordu?”
Bu soru cümlesi cevap bekleyen bir cümle miydi, yoksa devam etmesi için doğrulaması mı gerekiyordu bilemiyordu. Sadece kafasını sağa sola çevirdi. O da devam etti.
“Bana gönderdikleri mesajı dinle: “Senin başarın diğer kişilerin başarısından daha değerli. Azmini tebrik ediyoruz. 5 kere üst üste geç kalmadın. Vanilya Cafe Latte (Yumuşak İçim) kahve bugün bizden. Afiyet olsun.” İnanabiliyor musun? En sevdiğim kahveyi hediye etmişler. Rastlantının böylesi ve bu kadarı”
“Vay be” diyebildi sadece. İçinde hem sıcak hem de soğuk bir rüzgar esti.

Kahvesini almaktan vaz geçerek masasına gitti. Masasına oturdu. (Neden sandelyede oturulmuyordu hala bilmiyordu) Veli çoktan yerine oturmuş ve çalışmaya başlamıştı. Maillerini açtı ve teker teker okumaya başladı. Günlük raporların dışında bir mail gözüne çarptı:

“WGSN Fotoğraları ile Trend Analizleri”

Reklamdır diye düşünüp devam etmek istedi fakat bir şans vermeye karar verdi. Raporu anlatan kısa bir yazı bulunuyordu:

“WGSN Worth Global Style Network, Dünyadaki her markanın vitrininden tutun da, moda dergilerinin kapaklarına kadar, önemli moda şehirlerinde yolda yürüyen insanların giydiği kıyafetlerden, “bu da moda mı yav” diyeceğiniz defilelere kadar, dünyanın modasının nabzını tutan bir portaldır. Biz Data’cılar bu siteye girdiğimizde hiç bir şey anlamıyoruz. Moda ne kadar “değişik” bir şey diyoruz. Fakat Data’nın yalan söylemeyeceğini de biliyoruz. Bu sebeple, bu sitede bulunan fotoğrafları analiz eden, sınıflandıran, kategorilere ayıran, birbirleri arasındaki ilişkiyi ortaya çıkaran bir yapı geliştirdik. Bu yapı sayesinde,

  • Yıl (Zaman)
  • Şehir, Ülke (Yer)
  • Cinsiyet (Kadın, Erkek, ?)
  • Yaş Grubu (Çocuk, Büyük)
  • Marka (X, Y, Z)

boyutlara göre, Renk ve Range bilgilerine ulaşabilirsiniz. moda olan renklerin dışında, Range bilgisi sayesinde o sene hangi tarz kıyafetlerin (Kısa kollu, uzun kollu, çizgili, düz, vs.) ve Klasman detayında analizler (Elbise, T-shirt, Etek, Pantolon, vs.) yapabileceksiniz.
Rapor test aşamasında olduğu için, herhangi bir problemle karşılaşırsanız lütfen bize iletin.”

Bu nasıl mümkün olabilirdi? Şirkette ilginç bir ekip vardı ve hep böyle değişik analizler yapıyorlardı. Geçen ay da, Sosyal medya üzerinde ünlülülerin giydiği kıyafetlerle ilgili bir veritabanı oluşturmuşlardı. Yer yerinden oynamıştı.

Bu verileri kullanarak, tasarımcılarla çok daha verimli toplantılar yapabileceğini düşündü. “Sence Bu Kaç Satar?” adlı uygulama ile bu analizler birleştirince tamamen akıllı bir planlama yapılabilirdi.

“Sence bu kaç satar” uygulaması geçmiş veriden beslenen bir uygulamaydı. Önceki senelerde üretilen ürünlerin bileşenleri ve satışa detlerine göre, her bir bileşenin satışa etkisini buluyordu. Şimdi bu sistemle, gelecek verisi birleşecekti. Dünyada bir numara olmaya çok az kalmıştı.

Morali yerine geldi. “Şimdi gidip kahvemi alabilirim” dedi. Masaüstündeki, bir uygulamayı çalıştırdı. Ekrana çıkan text alanına, “gelinlik, bride, bridal gown, wedding gown” yazdı ve kahvesini almaya gitti.

Kahvesini alıp geldiğinde, bilgisayarının ekranı dolmaya başlamıştı. Yazdığı kelimelerle ilgili, sosyal medyada en çok paylaşılanlar, instagramda en çok beğenilen fotolar, bunla bağlantılı olan web sitelerin listesi, bir liste ve klasörün içinde duruyordu. Öğlen yemeğinden sonra incelerim diyerek programı durdurdu. Tam işe başlayacaktı ki, aklına Patrick’in doğum günü için hiç bir hediye almadığı geldi. Ne alacağını düşünmüştü ve karar vermişti ama fiyat araştırması yapmamıştı. Alacağı hediye, Playstation 4’tü. Son zamanlarda kendisi de biraz oyun oynadığı için, evlendikten sonra da işe yarar bişey almak istemişti.

Bir kaç fiyat araştırma sitesine girdi, Önde gelen firmaların web sitelerine girecekti ki trading toplantısının başlayacağı aklına geldi. Hemen apar topar koştura koştura toplantı odasına gitti. Toplantı başlamıştı. Fast seller ürünlerin artık duvara dizilmek yerine hologram ile duvarların üzerinde belirmesi çok hoş olmuştu. Herkes buna hologram diyordu fakat bu bildiğin “augmented reality”di. O hafta VR ekibi tarafından hazırlanıyor ve 1 hafta boyunca bu şekilde duvarlarda bu ürünler duruyordu. (Bunun otomatik ve filtrelenebilir bir hale getirilmesi için çalışmalar devam ediyormuş. Bittiğinde sanırım çok daha güzel olacak)

Toplantıya konsantre olmadan önce başladığı içi bitirmeye karar verdi. Teknö adlı siteye girdi, satın alma işlemi için ürünü seçti, üyelik işlemlerini tamamladı, kredi kartını cebinde ararken… kalbi hızla atmaya başladı. Kımıldayamıyordu. Toplantı odasındaki herkes ona dönmüştü. Kafalarında ilginç cihazlarla ona bakıyorlardı. Olayın ne olduğunu kısa sürede anlayıp, cep telefonunu cebine koyup, duvarın önünden çekildi. Siparişi sonra tamamlarım dedi ve toplantıya konsantre oldu.

Akşam iş çıkışında, arkadaşlarıyla AVM’de yemek yemeye karar verdi. Evine yakın bir AVM seçilmesi için, baya naz yapması gerekmişti. Yemeği yedikten sonra, AVM dolaşmaya başladılar. Telefonuna bir mesaj geldi daha doğrusu bir push notification. Mesaj şu şekildeydi:
“Merhaba Pelin. Daha önce ilgilendiğin fakat almadığın Playstation 4, şu anda mağazamızda sana özel %10 indirimle” Kafasını kaldırdı ve Teknö mağazasının o turkuaz tabelasını gördü. İçini yine o sebebini bildiği korku kaplasa da hoşuna da gitmişti. Hemen mağazaya girdi. Playstationların nerede olduğunu tam soracakken, telefonuna bir uyarı daha geldi.

“Televizyonların arasındaki koridordan Düz devam et”

“Hoydaaa” dedi. Bu kadar da olamaz herhalde diye düşündü. Kafasını yavaşça yukarı kaldırdı. Kameraların kendisini farketmemesi için şüpheli hareketlerden kaçınmaya çalışıyordu ama daha çok şüphe çekiyordu. Evet anlamıştı. Evet kesinlikle anlamıştı. Bunu nasıl fark edememişti. Ali, Veli, Patrick, Melih, hepsi profesyonel oyuncuydu (sinema oyuncusu). Truman Show adlı filmin ikincisi çekiliyordu ve kendisi de başrol oyuncusuydu. Ama bir dakika, böyle bir durum olsa kendisinin haberi olması gerekmez miydi? Tamam, yeni nesil sinemacılık bu olsa gerekti. Haberi bile olmadan çekiliyordu. Filmin çıkacağını geçen sene duymuştu. Kesin bu filmin bir sahnesiydi. Anladığımı belli etmemeliyim diye düşündü. Tam hareket edecekti ki, önünde durduğu televizyonlardan bir tanesinde Truman Show 2 filminin fragmanı çıktı. (Yazar burada abarttığının farkında ama siz onun kusuruna bakmayın)
“Oha canlı fragman yayınlıyorlar” diye düşündü. Ama başrolündeki kendisi değil, hatta başrolündeki hintli bir erkek oyuncuydu. Omzuna birisinin dokunmasıyla çığlığı bastı.

“(Ciyak) AAAAALiiiii!”

Ali biraz hasta olduğu için işe gidememişti. Kendini biraz iyi hissedince, hem biraz hareket etmek için hem de bir çorba içmek için evinin yanındaki bu AVM’ye gelmişti. Pelin’i hareketsiz bir şekilde görünce de merak edip yanına gelip bir süre izledikten sonra kötü bir şey olduğunu düşünüp omzuna dokunmaya karar vermişti.

Pelin, Ali’yi görünce çok sevindi. Bir çırpıda olanları ona anlattı. Ali kahkahalarla ona gülüyor ve dalga geçiyordu. Pelin gıcık oluyor ama bozuntuya vermiyordu. Anlatması bitince Ali söze girdi.
“In-Store Analytics” dedi ve devam etti:

“Bu kullanılan sistemlerden sadece bir tanesi! Müşterilerin kullandığı wi-fi ya da hücresel veri sayesinde, mağaza önünde ya da içinde hareketlerini takip edebiliyorsun. Eğer kayıtlı müşteri ise ve mağaza içi izleme için gerekli izinler de verilmişse (uygulaması varsa ve kullanıyorsan büyük ihtimalle vermişsindir) sen mağazaya girdiğinde otomatik haberleri oluyor. Sana özel gönderilen kampanya mesaj zamanı ve senin mağazaya girişin arasındaki süre de hesaba katıldığında, gitmek istediğin yer aşikar. Tüm bu sistemler birleşince, sadece senin ürünü alman kalıyor”

Pelin şoku üzerinden atmıştı. Playstation 4 hediye paketi olurken, bugün olan olayları düşünüyordu. Dünya çok hızlı değişiyordu. Perakende de bu hıza ayak uydurmaya çalışıyordu. Bir planner olarak sadece bu olaylara şahit olmuştu. Fakat her gün bunun gibi bir çok yenilik çıkıyordu. Hoşuna gitse de, korkuyordu. Korkuyordu çünkü kontrolü kaybettiğini düşünüyordu. Her şeyi tadında yaşamak lazımdı.

“Robotlar bizi ele geçirir mi dersin Ali?” dedi

Ali cevap vermedi. Sadece sağ gözündeki led kırmızı yandı. Ta tan tan ta tan!

Umarım hikayemi beğenmişsinizdir. Perakendede big data ve machine learning uygulamarını içeren hikayemizi bitirdikten sonra kısa bir kaç söz söylemeden geçemeyeceğim. Evet LC Waikiki’de çalışırken Machine Learning’i tam anlamıyla yapamadık ama Analitik çözümler konusunda sektörün çok ilerisindeydik. 550 mağazalık (şimdi 650’yi geçmiştir) bir perakende zincirinin Otomatik Sevkiyat Sistemlerini kurduk, Optimizasyon ile çalışan Otomatik Transfer sistemini devreye aldık, Dünya devi rota optimizasyon firmalarından daha iyi sonuç çıkaran çözümler ürettik. Bu yaptıklarımız, Machine Learning’den çok daha önemli ve çok daha katma değerliydi (Büyük ihtimalle) Beni yol ayrımına getiren yaptığımız işin büyüklüğü ya da başarısı değildi. Zaten öyle olsa hala çalışıyor olurdum.

Beni yol ayrımına getiren, Gelecek kaygısıydı! Evet bu yaptıklarımla çok paralar kazanabilirdim. 5 sene daha, hadi bilemedin 10 sene daha. Fakat sonra bu sistemleri yazmak ne beni mutlu edecekti ne de karnımı doyuracaktı. (Mutlu etmesi daha önemli) Farkında değil misiniz? Dünya değişiyor. Alışveriş alışkanlıkları, hayat tarzlarımız, günlük aktivitelerimiz, çocuklarımız, gençlerimiz hatta yaşlılarımız. Herşey değişiyor. Perakende de değişiyor. 10 sene önceki gibi değil, 10 sene sonra da bugün gibi olmayacak.

Bundan 10 sene önce kariyerime ilk başladığımda, bu alanda çalışırken şu cümleyi kuruyordum: Şimdi bu yaptığımız işin değerini anlamıyorlar ama 5-10 sene sonra anlaşılacak. Evet şu anda anlaşılıyor. Fakat 5-10 sene sonra? Ben şu anda bulunduğum alana geçmekte geç bile kaldım. Ama yine de bu alanda olmak, bu işi yapmak çok güzel.

Evet sonunda yazımızın son kısmına yani ne iş yapıyorum sorusunun cevabına geldik.
Yazı dizisinin en başında dediğim gibi, kaç senelik perakende tecrübemi bir kenera bırakıp, bilmediğim bir sektöre adımımı attım. Karar vermek gerçekten çok zor oldu. İstişareler, fırsatlar, düşünceler, korkular, swatlar, eksiler, artılar, tablolar, hesaplamalar, vs. Ve tabi bunların yanında işe kabul edilme ve edilmeme ihtimalleri…

Yazının devamı haftaya 🙂

tarihinde yayınlandı 1 Yorum

Ne İş Yapıyorum – Big Data ve Machine Learning – Bölüm 1

Not: Yazıya klasik kendi iç konuşmalarımı yazma niyetiyle başladım. Ardından TRT World’de ne iş yaptığımı anlatayım dedim. Sonra onu anlatmak için Big Data’nın ne olduğunu anlatmam gerektiğini fark ettim. Fakat bunu anlatmak için perakende bilgimi kullanmanın faydalı olacağını düşündüm (Nedenini okuyunca anlayacaksınız) Sonra Machine Learning derken yazı uzadı da uzadı. Hatta TRT World’de yapmak istediğimiz işlere global örnekler vermeye çalışırken yazı bitmek bilmedi. Bu sebeple yazıyı üçe bölmeye karar verdim. Yazının tamamı bittiği için 5-6 gün arayla yazı yayınlanacak ve bitecektir. Okuduğunuz için teşekkür ederim. Tekrar yazmak çok güzel. Günde 1 saat yazmak iyi gelir, herkese tavsiye ederim.

-Ooooo Müdür naber? Hiç görüşemiyoruz.
-Ben artık müdür değilim bu birincisi. Görüşemiyorsak, bu çift taraflı bir problem değil mi sence de?
-Haydaa, ben mi seni müdürlükten aldım. Neden kızıyorsun ki? Hala 4 saat yollarda sürünüyor musun?
-Hee senin haberin yok mu? Ben iş değiştirdim, yeni çalıştığım yer Ortaköy’de. Akşam 6’da eve oluyorum.
-Vay vay vay. Öyle iş mi var ya. Bize de iş bulsana oradan.
-Yok abi bulamam ben sana iş.
-Neresi orası?
TRT World.
-TRT mi? Ne yapıyorsun ki abi sen orada? Sen perakendeci değil miydin? Hayır yani ne alaka?
-Uzun hikaye…
-Gerçi iyi olmuş, perakendeye hep parakende diyordun.
-…
-Anlat anlat, vaktim var benim. Eski Parakande Analitiği Müdürü 😀
-…….

9 sene. Dile kolay. Perakendede dirsek çürütülmüş 9 sene. TRT World’de çalıştığımı söylediğimde aynı tepkiyi veren sizler, haksız değilsiniz? “Neden böyle saçma bir şey yapmış” diye içinizden geçirdiğinizi biliyorum. “O kadar senelik emeğini bir kenara atmış” dediğinizi de biliyorum. “En verimli olacağı zamanda bu sektör bırakılır mı?” diye beni düşündüğünüzü de biliyorum. Ama durun bir dinleyin söyleyeceklerim var.

Anlatmaya nereden başlasam. LC Waikiki’deki son 1 sene başlangıç için iyi olacak. 2014-2017 yılları arasında bir çok üniversiteye konuşmacı olarak gittim. İki amacımız vardı, birincisi yaptığımız işi anlatıyorduk ikincisi ise çalıştığımız şirketin bize bu imkanı verdiğinden bahsediyorduk. Anlattığımız konular, Optimizasyon (Matematiksel Modelleme), Simülasyon, Otomatik Sevkiyat Sistemleri, İş Zekası, İş Analitiği, Big Data, Veri Madenciliği, Machine Learning gibi konulardı. Saydığım konuların çoğunu çalıştığım şirketlerde yapıyorduk. Fakat konu Big Data ve Machine Learning’e geldiğinde, ne yazık ki sadece konuşuyordum. Çok güzel anlatıyordum ama yaptığım elle tutulur bir örnek yoktu. İşin garibi, iş dışında da bu konularla ilgili bir gelişme kaydedemiyordum. (Silikon Vadisine ve NRF’e gitmeseydim bunlar olmayacaktı)

Acaba ML ve BD uygulaması yapmamış olmam, uygulama alanı olmadığı için olabilir mi? Hadi bunu sorgulayalım.

Perakende sektöründe Big Data var mıdır?
Bugüne kadar hep data ile uğraştım. Akşam yattım data, gece rüyamda data, sabah kalktım data, gün boyu data, data, data (20 defa arka arkaya data deyince traktör sesi çıkıyor 🙂 )
Uğraştığım data hep yapılandırılmıştı. Daha doğrusu ben yapılandırılmış data üzerinden analizlerimi yapıyordum. Satış, Stok, Mağaza, Müşteri gibi datalardı. Ne, Nerede, Ne kadar gibi soruların cevabı netti ve tekti.

Kısa bir bilgi vermek gerekirse, yapılandırılmış veriler incelenirken dimension (boyut) ve measure (ölçüm) ile incelenir. Perakendedeki verilerin boyutlarına bakacak olursak,

  • Lokasyon (Ülke, Şehir, Mağaza, vs.)
  • Zaman (Yıl, Hafta, Ay, Gün, Saat, vs.)
  • Ürün (Kategori, Buyer Grup, Klasman, vs.)
  • Müşteri (Müşteri No, İsim, Adres, Telefon, vs.)
  • Plasiyer – Satış Danışmanı (İsim, Yaş, Çalıştığı sene, vs.)

Ölçümlere bakacak olursak,

  • Satış
  • Stok
  • Fiyat
  • Vs.

Bu boyutlar ve ölçümler kullanılara, çeşitli hesaplanmış alanlar oluşturulabilir ve farklı boyutlarda farklı analizler yapılabilir.

Peki, bu büyük veri midir? Elimizde bu verilerden milyonlarca olsa büyük veri mi olur? Peki ya milyarlarca olsa? Şimdi literatürde büyük veri ne demek kısaca ona bakalım.

İlk tanım: Big Data, zamanla elde edilen, yapılandırılmış ya da yapılandırılmamış, yani henüz geleneksel yöntem veya araçlarla işlenerek kullanılabilir hale getirilmemiş verilerdir.
İkinci tanım: Büyük veri, tek bir sunucuya sığmayacak ölçüde büyük, yapılandırılmamış veya statik bir veri ambarına sığmayacak şekilde sürekli akan veriler için kullanılır.
2012 yılında dünyada 2,8 zetabayt’dan daha fazla veri tutulmuş. Bu verilerin sadece %0,5’i analiz edilmiştir. Bunun en büyük nedeni, bu verinin satır sütun formatında olmamasıdır.(2,8 trilyon gigabyte) Bu veri boyutunun exponential arttığı düşünülürse 2016 yılında kaç olduğunu hadi siz tahmin edin 😛

Big Data ile ilgili en az bir konferansa katıldıysanız aşağıdaki tanım size hiç yabancı gelmeyecektir.

Big Data 5V’den oluşur:
Volume: Verinin büyüklüğü artıyor ve büyük veriyi bir yere yazmak lazım
Velocity: Verinin elde edilme hızı artıyor. Veri çok hızlı büyüyor. Hızlı okumak hızlı yazmak lazım.
Variety: Elde edilen verinin %80’i yapısal değil. Her kaynağın verisi farklı formatta.
Value: Verinin üretilmesi ve işlenmesi sonucunda ortaya çıkan değer.
Veracity: Hakikat! Doğruluk! Elde edilen verinin içindeki gerçek anlamı ve hakikatı ortaya çıkarmak. (Örneğin Twitter gibi bir mecrada yazılmış 140 karakterli bir yazıdan anlamlı bir şey çıkarmak olarak yorumlanabilir)

Şimdi düşünelim, elimizdeki milyarlarca data big data mıdır? (Bu analizler geleneksel perakendeciler için yazılmıştır. Zaten yazının ilerleyen yerlerinde geleneksel perakende, big data ve machine learning birleşiminden bahsedeceğim.)

Volume: Verimiz hızla artıyor fakat tek bir veriambarında bu veriyi tutabiliyoruz. X
Velocity: Verinin elde edilme hızı, mağaza sayısı ile doğru orantılıdır. Bu sebeple mağaza sayısının artmadığı durumlarda hızı da artmaz. X
Variety: Elde edilen veri yapısal veridir. Satış stok bunlar yapısal veriler. X
Value: Analizler ve çeşitli teknikler değerin kralını üretir. Otomatik sistemler, karar destek sistemleri çıkar. V
Veracity: Bu terim sonradan çıkarıldı. Hala bende oturmayan yerler var. Rakamları anlama dönüştürebilmek olarak alırsak, bunu da dahil etmeliyiz. V

Sonuç olarak 2/5 büyük veri olmadığını görüyoruz. Peki perakendede büyük veri nedir? (İki saattir ne değildir diye anlatıp duruyorsun be adam, zaman kazanmayı bırak da anlat bize)
2015 yılında Big Data nedir diye internet üzerinde ararken hep aynı şeyler karşıma çıkıyordu. Aradığım tanımı bulamıyordum. LC Waikiki vasıtasıyla Boğaziçi Üniversitesi’nde bir etkinliğe juri olarak katıldım. Sunum yapan çocuklardan bir tanesinin konusu, makinelerin bakım zamanlarının tahminini big data yardımı ile yapılmasıydı. İlk cümlesi şuydu:

Big Data nedir? Big Data, şu ana kadar ölçmediğiniz veridir.

Dediğinden hiç bir şey anlamadım. Sonra aklıma şu özlü söz geldi.
Ölçtüysen senindir, ölçmediysen hiç senin olmamıştır.
Evet evet! Anlıyordum, aydınlanıyordum! Evreka Evreka diyerek bağırmaya başladım. Sanırım bağırmak yerine horlamışım ve yanımdaki adam beni dürterek uyandırdı. Utanarak sunumu dinlemeye devam ettim.

Ölçmek ya da ölçmemek! İşte bütün mesele bu.

Perkanedeyi oluşturan her bir öğenin içinde bir big data kırıntısı bulunabilir.
Lojistik: Araç takip sistemleri ve araç sensörleri ile oluşan veri. (Araç güzergah bilgileri, aracın hızı, aracın kalma durma süreleri, araç iç sıcaklık, vs.)
Depo: RFID, beacon gibi teknolojiler ile, depo içerisinde her bir ürünün hareketinin tespit edilmesi.
Mağaza: In-Store Analytics dediğimiz, mağaza içindeki müşterilerin hareketlerinin takip edilmesi, sıcaklık ölçen kameralar ile mağaza içi heatmapler, mağaza shiftlerinin daha iyi oluşturulması için personellerin giriş çıkışlarının otomatik yapılması, RFID ile ürünlerin mağaza içindeki hareketler
Merchandising: Sosyal Medyadaki trendlerin takip edilmesi
CRM: Müşterilerin ihtiyaçlarının tespiti, kişiye özel süpriz çözümler

Evet çok kısa kısa ve biraz da altını boş bıraktığımın farkındayım. Fakat sadece Sosyal Medya ile ilgili big data kavramını 4-5 sayfada anlatabilirim. Onun yerine yazının ilerleyen kısmında kısa bir hikaye anlatacağım. Perkande, Big Data ve Machine Learning ile ilgili bu güzel hikayede, olayları daha iyi kafanızda canlandırabileceksiniz. (Şimdilik bir virgül koyuyoruz)

Perakende sektöründe Machine Learning uygulaması var mıdır?
Öğrenme, bireyin yaşantılar sonucu davranışlarda meydana gelen oldukça uzun süreli değişmelerdir. En yalın tanımla Bilebilme ve Yapabilme eylemidir. Yapay Zeka, Bir bilgisayarın veya bilgisayar kontrolündeki bir robotun çeşitli faaliyetleri zeki canlılara benzer şekilde yerine getirme kabiliyetine denir. Yapay Zeka’nın alt bir dalı olan Makine Öğrenmesi (Machine Learning) ise, bilgisayarın “öğrenme” işlemini sağlayacak algoritma ve tekniklerin gelişimi ile ilgili bir çalışma alanıdır. ML, geçmiş deneyimleri veya örnek verileri kullanarak daha iyi sonuçlar üretmek üzere gerçekleştirilmiş bilgisayar yazılımları oluşturma tekniğidir. ML tekniklerine bir kaç örnek verecek olsak, Kredi Taleplerini Değerlendirme, Yüz tanıma sistemleri, Spam Mail belirleme, IBM Watsons, vs.

Şimdi perakende sektöründeki ML uygulamalarını düşünelim. İlk aklıma gelen, CRM ile ilgili konular.

  1. Recommendation Engine : Türkçe’de bilinen adıyla “Bunu alan bunu da aldı” sistemi. Recommendation Engine ile ilgili bir konu olduğunda, Amazon örnek olarak verilir.
  2. Customer Churn : Müşterinizin sizi terk edip etmeyeceğini öngörerek buna göre aksiyon almanıza yardımcı olur.
  3. Market-Basket Analysis : Sepet analizi yaparak, en çok birlikte satan ürünleri tespit ederek, bu ürünleri paket (bundle) şeklinde satmanıza yardımcı olabilir.
  4. Cluster Analysis : Müşteri, ürün ya da mağazalarınızı gruplayarak, karar mekanizmalarını güçlendirebileceğiniz bir yöntem. Örneğin, müşterileri LTV ve Karlılığa göre gruplayarak onları isimlendirebilir ve kampanyaları gruplara özel çıkabilirsiniz.
  5. Müşterilerin stillerinin belirlenmesi : Bu cluster analizin içine dahil edilebilse de, yaptığı alışverişe göre, hangi renkleri, hangi kıyafet tarzlarını, ürün bilgisi ile birleştirip, birinci maddedeki öneri sistemlerinde kullanılabilir. Eğer elinizde ürün bilgisi yok ise, opencv gibi teknikler kullanarak, ürünün resminden bu bilgiyi çıkarabilirsiniz.
    CRM dışında örneklere bakacak olursak
  6. Kombinli Satışın Plasiyer etkisi : Kombinli olarak satılan ürünlerde, plasiyer (satış danışmanı) etkisinin olup olmadığının tespit edilmesi
  7. Başarılı Plasiyer Sistemi : Bağımsız değişkenlerin, plasiyer başarısına etkisinin olup olmadığının tespit edilerek, yeni eleman alımlarında bunun göz önünde bulundurulması
  8. Ürün başarı nedenleri : Satılan ürünün başarısının, bileşenleri ile analizi ve yeni ürün geliştirmede kullanılması (a.k.a. Besim)
  9. Yeni mağaza açma : Yeni açılacak mağazanın yerinin, nüfus, gelir seviyesi, aynı caddede bulunan diğer mağazalar gibi bağımsız değişkenlerle tespit edilmesi
  10. Çalışan Terketme 😛 : Çalışanlarınızın istifa edeceğini önceden tespit etmek. Bu mümkün mü evet mümkün ama bence çok zor ve riskli bir uygulama 🙂
  11. Çocuklar büyüyor : Çocuklar için alışveriş yapan müşterilerin, veri ile çocuklarının büyümesinin tespit edilip, önerilerde bu verinin kullanılması.
  12. Biten ürün : Raf ömrü belli olan ürünlerde, müşterinin ürünü bittiğinde kendisine o ürünü (uygun fiyatla) önerilmesi.

Hem Big Data hem de Machine Learning ile ilgili ayrı ayrı bilgi edindik. Şimdi geldi bunları Perakende ocağında pişirip birleştirmeye. Fakat yazımızın ilk bölümü burada bitiyor. Bir sonraki bölümde Pelin the Planner ile ilgili bir hikaye ile BD ve ML uygulamalarından bahsedeceğiz. İkinci yazı önümüzdeki hafta bugünlerde yayınlanır diye düşünüyorum. Görüşmek üzere.

tarihinde yayınlandı Yorum yapın

IBM – Silikon Vadisi – Bölüm 3

Evet bir önceki gün çok gezdiğimizin farkındayım. Bu kadar gezmek yeter diyerek sabah erkenden kalktık ve kahvaltı etmek için otelin restorantına indik. Amerika’ya gidecek sevgili okurlarıma yine basit tavsiyeler vereceğim. Amerika’da Türk restorantları hariç, ülkemizdeki gibi bir kahvaltı bulmayı çok hayal etmeyiniz. Adamlar zaten kahvaltıya breakfast demişler. İşin içine fast gibi bir kelime ekleyerek zaten amaçlarını en baştan belirtmişler.

usa-kahvalti-1

Kaldığımız oteldeki kahvaltı beklentimin gayet üstündeydi. Genel Müdürümüz Osman Bey’in verdiği oryantasyon sonucunda, güzel bir kahvaltı edebiliyordum. İlk olarak karışık bir cornflakes fırtınası, ardından Peynir-yumurta ve bagel üçlüsü son olarak da meyve tabağı ile sonlandırıyorum.

usa-kahvalti-3

Bu kahvaltıda değineceğim sadece bir konu var o da bagel. Bagel, yahudilerin icat ettiği, az mayalı, sert, hamur işi. Donut gibi ortası delik sokak açmaları gibi bir şey. Sade ve soğukken yendiğinde bir şeye benzemiyorken, ekmek kızartma makinesinde kızartıp, ortasına krem peyniri sürdüğünde gayet yenilebilir güzel bir şey ortaya çıkıyor. Kendisini tüm kahvaltılarda yanımdan eksik etmedim. Yedim, beğendim, tavsiye ederim.

usa-kahvalti-2

Güzel bir kahvaltının ardından, IBM‘in silikon vadisinin biraz dışında bulunan, kampüsüne gitmek için yola koyulduk. IBM’in herkesin hayatında bir şekilde yeri vardır. En azından duymuştur. Duydunuz değil mi sevgili okuyucular? Benim IBM ile tanışmam, babamın ilk şirket bilgisayarına kadar gitmektedir. Yani 90’lı senelerin başı diyebiliriz. Ardından arkadaşımın 2000’li yılların başında sahip olduğu ve klavyenin ortasında kırmızı düğme ile mouse kontrol edilmesi ile devam etmektedir. Son olarak mezun olup, LC Waikiki‘de işe başladığımda IBM’in aslında sadece donanım üretmediğini, yazılım alanında da çeşitli işler yaptığını görmeme vesile olmuştur. Özellikle 2013 yılı itibari ile İş Analitiği ve İş Geliştirme Müdürlüğü görevime devam ederken, IBM’in ILOG OPL Studio adlı optimizasyon yazılımı ile bol bol haşır neşir olmuştum ekibimle birlikte. Hatta Mağazalar Arası Transfer Projesini bu yazılım ile modellemiş ve çözdürmüştük. Devreye aldığımız bu sistem sayesinde 2013 ve 2014 yıllarında IBM Perakende Günleri 2013 ve IBM Business Connect 2014‘te başarı hikayesi olarak anlatma fırsatımız olmuştu. (Ben LC Waikiki’den ayrıldıktan sonra bu sistem haber olmuş. Görünce çok mutlu oldum. Tebrikler LC Waikiki. Link)

ilog-logo

IBM’den iki kişiye çok teşekkür etmeden bu yazıya devam etmemek gerekiyor. Birincisi Eray Bey. Kendisi hem bilgisiyle, hem mütevaziliği, hem yardımseverliği ile hem de arkadaşlığıyla (Abiliğiyle) yer etmiş biridir. 10 numara adamdır. Şimdi IBM’de yine çığır açacağı haberleri geliyor. Yolun açık olsun abi. İkinci olarak Ebru Hanım. Yaptığı işe hayranlıkla baktığım kişilerden biridir. Eğer bir ürün nasıl satılır, bir insan nasıl ikna edilir, bunlar yapılırken profesyonnel nasıl olunur, insan ilişkileri nasıl yönetilir öğrenmek istiyorsanız, kendisi üstadtır. IBM Konferanslarını organize eden, bize sonuna kadar destek olan kişilerden biridir. Yolun açık olsun Ebru Hanım.

ibm-logo

Evet IBM diyorduk. IBM’i tanıyalım ve ne kadar büyük bir firma önce ona bakalım.

IBM (International Business Machines; Uluslararası İş Makineleri)
Merkezi Armonk, New York, ABD’de olan, dünyanın en büyük bilişim teknolojisi şirketidir. 410.000’i aşkın çalışanı ile 170’den fazla ülkede faaliyet göstermektedir. Faaliyet gösterdiği alanlar arasında bilgisayar ve donanım üretimi, yazılım, servis hizmetleri, sunucu servisleri ve AR-GE bulunmaktadır. Dünyada her yıl en fazla yeni patent alan şirket durumundadır.
Kart delici makinelerin bulucusu Herman Hollerith’in patentlerini işlemek ve geliştirmek üzere Thomas J. Watson tarafından 1911 yılında kuruldu. Kısa zamanda iş hacmini büyüterek kendi alanında ABD ve dünyanın en önde gelen şirketlerinden biri durumuna geldi.
2015 yılında 95 Milyar Dolar ciro elde etmiş. Bunun 12 Milyar doları ise Net Kar. (İyi para) (Wikipedia)

ibm-giris

Biz IBM ile OMS yani Order Management Sistemleri üzerine görüşmek için gittik. Tüm dünya OmniChannel üzerine yoğunlaşırken biz de boş durmadık, OMS’in önde gelen oyuncuları ile ilk görüşmemizi yapmak için buralara kadar geldik. Türkiye’de neden görüşmediniz de taaa Amerika’ya gittiniz? Dediğinizi duyar gibiyim. Sadece artislik olsun diye görüşmeye gittik desem ne değişecek? Tabiki bunun için gitmedik. Türkiye’de ilgili kişilerle görüştük. Fakat, bu işin membahına gitmişken ve bu işin baş sorumluları ile görüşme fırsatımız varken bunu neden değerlendirmeyelim dedik.
Adamlar (IBM) şehrin biraz dışında bir kampüs inşa etmişler. Bu kampüse bir çalışanın ihtiyacı olan tüm şeyleri koymuşlar. Üzerine kalan bölgeleri de ekip biçmişler ki, organik beslenebilsinler. İşte adamlar böyle güzel bir yer yapmışlar.

İşte size çok şaşırdığım bir anıdan bahsedeyim. IBM’e saat 09:45 gibi vardık ve bizi çok basit bir masada bir hanım karşıladı. Kim olduğumuz, nereden geldiğimiz zaten belli olduğu için, hiçbir prosedür olmadan içeri girişimiz 2dk içinde tamamlandı. Türkiye’deki IBM ofisine girmeye çalışsam eminim daha uzun sürerdi.

ibm-giris-2

Ardından Bruce Williams (Briefing Consultant) adlı kişi bizi devraldı. Devraldı doğru bir kelime mi bilmiyorum ama biz devralındığımızı hissettik. Hayatımda ilk defa bir briefing danışmanı ile tanışmıştım. 50’li yaşlarda şık giyimli bir adamdı. İlk olarak eşyalarımzı toplantının yapılacağı odaya bıraktık. Toplantı yapacağımız oda girişe çok yakındı. Eşyalarımızı bıraktıktan sonra kendisi bize “geri geri” yürüyerek göz temasını kaybetmeden şirketi tanıttı. IBM kaç yılında kuruldu, burada ne işler yapılıyor, nerede ne var diye. Son olarak Lavoboların nerede olduğunu gösterdi. Sonra tekrar odaya geri döndük.

İlk olarak tanıştık. Ardından programın içeriğinden bahsetti. Hangi konuşmacının hangi saatler arasında konuşacağını söyledi. Toplantıya başlamadan önce bilinmesi gerekenleri anlattı. Örneğin acil bir durumda yapılması gerekenleri ve acil çıkışların nerede odluğunu söyledi. (Açıkçası böyle bir açıklama ile ilk defa karşılaştım. Hiç aklıma gelmemişti. Ben eğiticinin eğitimi adlı eğitimi almama rağmen bu beni çok etkiledi) Normal araları ve yemek arasının ne zaman olduğunu söyledi. Yemek konusunda herhangi bir alerjimizin olup olmadığını sordu. (Bu da bence efsaneydi. IBM bizim ne yiyebileceğimizi 2 haftadan önce öğrenip bize özel yemek pişirtmesi de ayrı bir güzellikti. Fakat toplantı esnasında servis edilen yiyecekler içinde kendisinin alerji konusundaki hassasiyeti çok etkileyiciydi) Son olarak bizim bu odada bir takımın oyuncuları olduğumuzu ve birlikte çalışarak güzel bir gün geçireceğimizden bahsetti. Her kim sunum yaparsa süreyi kendisinin yönetceğini ve bitmesi gereken zamanı bildireceğini belirterek sözü şirket tanıtımı yapması için IT Direktörümüz Hakan Bey’e devretti. Hakan Bey şirketimizi anlatan kısa bir sunum yaptı ardından esas konu konuşulmaya başlandı. Şimdi araya girmek istiyorum. Bir departman müdürü olarak, yurtdışında hiç sunum yapmadım. Ama profesyonel kariyerime devam edeceksem sanırım bunu yapmak durumunda kalacağım. İngilizcem iyi bir sıkıntı yok ama hiç sunum yapmadım. O sebeple bu konuda kendimi geliştirmem lazım.

ibm-sabri

IBM yetkilileri başladı anlatmaya. Hemen OMS konusuna girmediler. Önce tüketici davranışları ve son araştırmalardan bahsettiler.
Söyledikleri ilk şey “Customers have the power” yani “Müşteri güce sahip” O yüzden, müşterimizin kim olduğunu bilmemiz gerekiyor. Peki nasıl bileceğiz? Bunu bilmenin yolu ise SoLoMo.

SoLoMo
Solomo kelimesini ilk duyduğumda aklıma bir anım geldi. LC Waikiki’de çalıştığım yıllarda yurtdışından bir kargo bekliyordum. Kargo gelmiyordu. Aradan 2 hafta geçmesine rağmen kargo yoktu. Sonra bir gün bizim kargo dağıtan abi, masama geldi ve “Sabri Sen misin?” dedi. “Evet benim” diye cevap verdim. “Bu kargonun senin olma ihtimali yok ama yine de bir baksana senin mi?” dedi. Kargoya baktım. Üzerinde büyük harflerle ismim yazılıydı. Sabri. Yanında ise SOMONO yazılıydı. 😀 Sabri Somono. Bugüne kadar soyadımı yanlış yazan bir çok kişi gördüm. Suyolu, Soyunur, vs. Ama bu efsaneydi. Sabri Somono. Cezayir asıllı italyan aşçı ismi gibi 🙂 (Bu da böyle bir anımdı)

SoLoMo’ya gelecek olursak, aslında çok basit. So – Social, Lo – Location, Mo – Mobile. Müşterinizin sosyal mecralarda paylaştıkları, nerede yaşadığı nerelere gittiği ve mobil cihazlarında hangi uygulamaları kullandığı nerelerden ne alışveriş yaptığı gibi bilgiler. Evet kulağa çok korkunç geldiğini biliyorum. Fakat bugün Amerika’daki müşterilerin %67’si akıllı telefon kullanıyor. Akıllı telefon kullanmak demek, bu bilgileri zaten paylaşmak demek. O yüzden şimdi etik kısmını geçelim de biraz iş konuşalım.

customer-1

Müşterilerinizin kim olduğunu bu verilere ulaşarak öğrenirsiniz. Bu verilere sahip olursanız da, müşterinin gücüne sahip olursunuz. Peki bu verilerle ne yapacağız?

Müşterinin tahmin edilemeyen davranışlarını, tahmin edilebilir hale getirmek. (?)

Hepimiz birer müşteriyiz. Hepimiz her gün alış veriş yapıyoruz. Alışveriş yaparken bir çok şeyi düşünerek yapıyoruz. Örneğin, alışveriş yaparken öncelikle kendi evimize yakın AVM’ye ya da mağaza/markete gidiyoruz. Sevdiğimiz renklere uygun alışverişleri yapıyoruz. Bunları sosyal medyada paylaşıyor ve belirtiyoruz. Mobil uygulamalar üzerinden inceliyor ardından alışverişi mağazadan ya da internetten yapıyoruz. Kendimize mi yoksa başkasına mı alışveriş yaptığımızı bir biz biliyoruz başkası değil 🙂 Ve bunun gibi bir çok bilinmeyen.

Peki mağaza bizim hakkımızda ne biliyor. Eğer elinizde CRM (Customer Relationship Management) yada CXM (Customer Experinece Management) ile ilgili hiçbir alt yapı yoksa, sadece POS Data dediğimiz satış datasına sahipsiniz demektir. Bu da kısıtlı bir bilgidir ve müşterinize özel bir harekette bulunmanızda işinize yaramaz.

customer-2

Şu şekilde düşünün. Hep alışveriş yaptığınız bir marka olsun. Sonuçta 4 seferden fazla alışveriş yaptıysanız artık o markaya sadık bir müşteri haline gelmişsiniz demektir. Hatta bu marka ile duygusal bir bağınız var bile diyebiliriz. Mağazaya ya da e-ticaret sitesine girdiğinizde sizi tanısa ve sizin seveceğiniz ürünleri size önerse, hem de bunu kişiselleştirerek daha önceki yaptığınız alışverişlerle ilişkilendirerek yapsa, hatta ve hatta sizin için beğendiğiniz ürünlere indirimler sunsa, sizi özel davetlere çağırsa, sizin bir probleminiz olduğunda sizinle en öncelikli ilgilense, siz o markaya daha çok bağlanmaz mısınız? Bu sayede daha çok alışveriş yapmaz mısınız? Etrafınızda herkes alışveriş yapsın diye de çalışmaz mısınız?

customer-4

Aslında sadık ve bağlı olan müşteri edinmek çok zor değil. Sunumda bunu 4 cümle ile özetlediler.

Know Me – Beni Tanı
Serve Me – Bana Hizmet Et
Listen to Me – Beni Dinle
Let me be in Control – Kontrolün ben de olmasına izin ver

Eğer bunu yapabilirseniz, müşterinin elindeki gücü en iyi şekilde kullanırsınız.

customer-3

Aklınıza şu soru geliyor olabilir. “Ya Türkiye’de alışveriş yapan kişilerin hepsi yaşlı, sen kimi kandırıyorsun?” (Tam bir soru olmadı aslında:))
Ben 30 yaş üstünde bir insanım ve alışveriş yapıyorum. 1990 yılında doğan bir kişi bugün, 26 yaşında. Çok değil bundan 4 sene sonra, 2000 yılında doğan bir bebe, 20 yaşında olacak. Kısacası Millennials (Y Kuşağı) kontrolü ele geçiriyor. Sen bugün yaşlılar alışveriş yapıyor demeye devam et. Fakat çok farklı alışkanlıkları olan bir nesil, alışveriş kültürünü değiştirmeye geliyor.

IBM IBV (Institute for Business Value) 2013-2015 yılları arasında yaptığı araştırma sonucunda aşağıdaki sonuçlar ortaya çıkmış.
Alışveriş yaparken, Online tercih ederim diyen kişilerin, yaşlara göre dağılımını geçen seneki fikirlerine göre kıyaslamışlar.

ibm-anket-1

İkinci grafikte ise, son alışverişini online kanaldan yapan kişilerin yaş dağılımını geçen seneki durumları ile kıyaslamışlar

ibm-anket-2

Kuşakları bir kenara bırakıp genel tabloya baktığımızda da yeni neslin alışverişi ele geçirdiğini görebiliyoruz. Yine aynı araştırma sonucunda, insanlar alışverişlerinin %27’sini online olarak yapmışlar. (2012 yılına göre %50 artış göstermiş.) %67’si akıllı telefona sahipmiş. %69’u alışverişlerinden sonra bir yorum bırakıyorlarmış. %64’ü daha önce yazılan yorumların, satın alma kararlarını etkileyen en önemli faktör olduğunu söylüyormuş. Her 10 kişiden 9’u da alışveriş yaptıkları şirketlerin omnichannel yetkinliğinin olmasını bekliyormuş.

IBM yetkilisi, bu bilgiyi verdikten sonra konuyu OmniChannel Sistemlerine bağladı. 🙂 Bence gayet güzel bağladı. Şimdi gelelim Omnichannel nedir?

Omni-channel
Brick-and-mortar (Tuğla ve harç) terimi, bir yapı ya da bina için kullanılmaktadır. Perakende de, bu terimi kullandığınızda fiziksel mağazanızı ifade etmektedir. Geçmiş zamanda, e-ticaretin yaygın olmadığı zamanlarda tek kanal yani sadece mağaza vardı. Müşteri mağazaya gelir alışverişini yapar, bir problemi olursa da oradaki kişiyle görüşürdü.

omni-channel-3

Ardından, Satış kanalları artmaya başladı. E-Ticaret, telefon ile satış yapılırken, call center vasıtasıyla müşteriye destek olunmaya başlandı. Bu sayede çok kanala (multi-channel) geçiş yaşandı. Mobil kullanımın artması ve sosyal medyanın hayatımızın içine girmesiyle çok daha kompleks bir yapıya dönüştü. İşte burada Omni-channel devreye girdi. Müşteri bir taneydi. Her kanalda ayrı bir kişiymiş gibi davranılmasını istemiyordu.
Müşterinin, tüm kanallarda (Mağaza, internet, sosyal network, mobil, call center vs.) aynı alışveriş deneyimini yaşamasını sağlayan platformlara Omni-channel denir.

omni-channel-1

IBM bu konuda çok başarılı bir ürün ortaya çıkarmış. Sunumun son kısmında, bize bu platformu sundular. Dünyada kimlerin kullandığını, hangi perakendecilerin burada başarı sağladıklarından bahsettiler. Açıkçası ben çok etkilendim. Çok büyük bir yapı ve tüm herşeyi düşünmüşler. Ama tabi biraz da pahalı 🙂

Yazıklarımı özetleyecek olursam, artık alışveriş deneyimi değişiyor. Müşterisini memnun eden, perakendeciler pazarda kalmaya devam edecekler. Müşterisini tanıyan ona doğru ürünü sunan firmalar çok daha başarılı olacaklar. Müşteriye iyi bir alışveriş deneyimi sunan kişiler, aynı zamanda iyi bir marka deneyimi sunmuş olacaklar.
Günümüzde, bir insan alışveriş yapmadan önce ciddi araştırıyor, Pre-Purchase denilen bu aşamada, bütçesine göre doğru ürünü bulmak için araştırıyor. Purchase yani satın alma işlemi ise çok kısa sürüyor. O yüzden, internet ya da sosyal medya üzerinde markanın ve ürünlerin başarısı, sizden satın alma ihtimalini de artıracaktır. Post-pruchase yani, ürün satıldıktan sonra satış sonrası destek de, kişilerin bir daha sizi tercih etmesi için en önemli adımlardan bir tanesi. Koşulsuz iade, müşteriyi evinde gibi hissettirmek, markanın onu sevdiğini göstermek bunlardan sadece birkaç tanesi.

Alışveriş deneyimi değişiyor. Ayakta kalmak için belki stratejinizi, belki vizyonunuz belki de temel değerlerinizi değiştirmeniz gerekecek. Zor değil, sadece müşteriyi dinleyin yeter. Sonuçta müşteri sizin veli nimetiniz. 🙂

Bu yazıyı burada bitiriyorum. Çünkü çok uzun oldu. İkinci günün ikinci kısmı olan Amerika Ofisi ve Amazon ziyaretini diğer yazıya sakladım. Herkesin geçmiş bayramı kutlu olsun 🙂 Görüşmek üzere.

tarihinde yayınlandı Yorum yapın

Startup Nedir? – Silikon Vadisi – Bölüm 2

Silikon Vadisi gezimizde, nereye baksak gördüğümüz iki şey vardı. Birincisi Hintli, ikincisi ise Startuplar. Google’da çalışanından tutun da, Stanford’da okuyanına kadar herkes bir şey üretmeye, bir startup kurmanın peşindeydi. Kimle konuşsak yeni bir şey bulmak için kafa patlatıyordu. Kuluçka Ofislerinde, fikirler pişiriliyor ve hayata geçirmek için gün sayıyorlardı. O kadar çok startup kelimesini duydum ki, sonunda bu bölümle alakalı bir yazı yazmaya karar verdim. İkinci gün olan, IBM, Amerika Ofisi ve Amazon yazıma geçmeden önce kısa bir ara verip startup neyin nesiymiş bir öğrenelim istedim.

startup

2008 yılının sonlarına doğru Amerika’da başlayan bir kriz ortaya çıkmıştı. Nam-ı diğer Mortage Krizi, tüm dünya piyasalarını kasıp kavurmuş ve sonuçları çok acı olmuştu. Taşınmaz malların değer kaybetmesinden dolayı, ekonomi çökmüş ve Amerika’da başlayan bu kriz Küresel bir boyut almıştı. Startupların doğuşu da tam bu döneme rastlamaktadır.

mortgage

2000 yılında ortaya çıkan Dot-com balonu, Amerika için bir çöküştü. 5 trilyon dolarlık bir zarar ortaya çıkmıştı. Bu yarayı sarmak için faziler aşağı çekilmiş ve emlak satışlarında bir patalama olmuştu. Ardından 2008 yılındaki krize zemin hazırlanmıştı. Her kriz, zararları ile birlikte fırsatları da beraberinde getiriyor. Startuplar da, işte tam bu dönemde ortaya çıkmaktadır. Yeni nesil girişimciler, zaten mevcut olan bir kültürü daha da ön plana çıkarmış ve dot-com balonundan alınan dersleri de defterlerine not ederek, doğru hamlelerle milyon dolarlık işlere imza atmaya başlamışlardır.

dot_com

Startup nedir diye bana soracak olursanız, ben size tek kelime ile girişim derdim, ta ki Amerika’ya gidene kadar. Eğer biz her girişime startup deseydik, bizim 3 sene önce açmak istediğimiz çiğ köfte dükkanı da bir startup olurdu, ama değil 🙂 Evet girişim kelimesini içeriyor fakat daha fazlası da var. Harekete geçmek, harekete geçirmek ve bunu iş haline getirmek. En önemli şeylerden bir tanesi de, çözümün belli olmamasıdır. Ortada bir fikir var, bu fikir bir çok insanın hayatını değiştireceğine inanıyorsunuz, fakat nasıl yapacağınıza emin değilsiniz. Ve sonucunda başarılı olmama ihtimaliniz var. İşte startup bu.
Girişimcilerin babası, Stanford üniversitesi öğretim görevlisi, Yalın Startup hareketini oraya çıkaran Steve Blank’ın tanımı ise, “Ölçeklenebilir ve tekrar edilebilir bir iş modeli bulmak için oluşturulan bir yapı” dır.

startup_2

En büyük yanılgı, her girişimin bir startup olduğu yönündedir. Yeni bir cafe, kitapçı ya da restoran açmak ya da herhangi bir işletme kurmak startup başlığı altında değerlendirilemez.

Startupları en çok destekleyen oluşumlardan biri olan Y Combinator’ün kurucularından Paul Graham, startuplar için şunları söylemektedir:

“Hızlı büyümek için tasarlanmış şirketlerdir Startuplar. Eğer bütün şirketler temelde aynı olsaydı ama bazıları şans ya da kurucularının fazladan çaba göstermesi sebebiyle daha hızlı büyüseydi, farklı bir kelimeye ihtiyaç duymazdık. Sadece çok başarılı şirketler ve daha az başarılılardan bahsederdik. Ama aslında olan şey şu, startupların diğer girişimlerden farklı DNA’ları var.”

Startupların farklı bir DNA’sı var. Bu çok iddialı, aynı zamanda için doldurmanın çok zor olduğu bir cümle. Peki nedir Startupları farklı yapan, hangi kromozondur detaylı inceleyelim.

DNA600x100_02

Öncelikle, ihtiyaçlarımızı baştan tasarlıyorlar ya da yeni ihtiyaçlar ortaya çıkarıyorlar. Facebook hangimizin günlük hayatında olan bir ihtiyaçtı ya da snapchat. Ben günde en az 4 defa snapchate bakıp kim ne paylaşmış ona bakıyorum. Ya da taksi çağırmak için, taksi durağını aramak varken, neden uber ya da bi taksi gibi uygulamalar kullanmaya başladık. İşte ihtiyaçlarımızı doğru yorumlayan insanlar bunları başardılar.
Peki startupların tek farkı fikir mi? Hayır tabiki. Hem şirket yönetimi hem de proje yönetimi açısından, kurumsal firmalardan ayrışıyorlar. Akıllarına gelen fikirleri anında gerçekleştirmeye çalışıyrolar ve sonuç odaklı gidiyorlar. Agile yani çevik yönetim uyguluyorlar.

Özetleyecek olursak startupların formülü aslında basit. İki değişkeni bir araya getirmeniz gerekiyor.
Çok fazla insanın isteyeceği bir şey üretmesi
Bu insanlara ulaşarak hizmet sunması

Bu ürettiği bir hizmet, uygulama, teknolojik bir alet ya da bunların birleşimi olabilir.

Startupın ne demek olduğunu anlatabildim sanırım. Bu anlatımları yaparken, Okan Barlas ve 2kere2beseder adlı sitelerden ciddi anlamda faydalandım. Kendilerine teşekkür ediyorum.

Bir fikriniz var ve Silikon Vadisi’nde bu fikre yatırım bulmak istiyorsunuz. Şimdi de yatırım türlerine ve çalışma şekillerine kısaca bir göz atalım.

Kuluçka merkezi
Kuluçka merkezi aslında bir yatırım türünden çok yol göstericidir. Bir rehber olarak adlandıracağımız kuluçka merkezlerinde, yüksek miktarda finansal destek sağlamak yerine, girişimci ve yatırımcı arasındaki köprü görevi görür. İş bağlantılarını düzenler, eğitim verir, fikri nasıl geliştireceği konusunda danışmanlık sunar, yatırım için yapacağınız sunumlar konusunda sizi yönlendirir. Fikrin elinden tutan ilk kurumdur. Kuluçka ofisinde ister bir masa kiralayabilirsiniz, isterseniz de bir oda tutabilirsiniz.

incubator

Angel Investor
Her bir girişimcinin hayalini süsleyen kişidir. Melek Yatırımcı olarak Türkçemize girmiştir. Her klasik girişimcinin peşinde koştuğu kişidir. Doğru bir tanım yapacak olursak, kendi bireysel birikiminden gelecek gördüğü projelere yatırım yapan kişidir. Eğer bu yatırım yapan kişi, aynı zamanda tecrübeli bir kişi ise, yatırım yaptığı girişimlere mentörlükte yapmaktadırlar. Melek yatırımcılar, samanlıkta aranan bir iğne gibi oldukları için, eğer yatırım yaparlarsa istedikleri hisseler normalden biraz daha fazla olabilir.

angel_investor

Seed Capital
Fikir aşamasında olan ya da yeni filizlenmiş bir projenin ayağa kalkması için sağlanan finansal desteğe denir. Seed kelime anlamı da tohumdur. Şunu yazmadan geçemeyeceğim. Kolay kolay kimse fikre para vermez. Fikriniz bir ürüne dönüştükten sonra ve karşılığını gördükten sonra yatırım almak çok daha kolaydır. Seed yatırımınını fikir aşamasında alırsınız. Fikrinizi, herkese gidip anlatamyacağınız için, genelde bu yatırım yakınlarınızdan eşten dosttan gelir.

seed_capital

Venture Capital
Türkçemize Risk Sermayesi olarak geçen bu yatırım türü, fikre değil hayata geçmiş projelere yatırım yapar. Biraz aşağıda Seri Yatırımlar başlığı altında yüksek paralar bağlayan bu yatırım fonları, verdikleri bu paranın hakkını almak isterler. Yaptıkları yatırım sonucunda, şirket hisselerinin de bir kısmını alan bu fonlar, yönetimde söz sahibi olurlar. Şriketin gidişatı ile ilgili herşeyi takip ederler ve paralarına para katmanız için sizi denetlerler. Düşünsene, adam sana 2 Milyon dolar para vermiş. Bunu babasının oğlu olduğun için değil, sen de ışık görmüş ve 2 Milyon 4 Milyon olsun istemiş. Sen gidip 2Milyonu teknelerde yersen, adam da bunun hesabını sorar. (ehehe çok Türk mantığıyla yaklaşıyorum olaylara )

ventur_capital

Series A, B, C
Crunchbase’e girdiğinizde, firmaların altında Series A,B,C gibi terimler görürsünüz. Bu terimler, yatırım miktarını, yatırım yapanı ve yatırım alan şirketin durumuna göre farklılık göstermektedir. Birkaç örnek vermek gerekirse, Eğer yatırım Türkiye şartlarında 500k – 1M, Amerika’da 1M-2M altındaysa buna Seed ya da Melek yatırımcı denir. Eğer miktar bu değerin üstündeyse bir Venture Capital tarafından yapıldıysa Seri olarak adlandırılır. Seriler sırasıyla A, B ve C olarak adlandırılmaktadır. Yatırım miktarı ve hisse miktarı serilere göre değişiklik göstermektedir. Bu yatırımların ardından, şirket hisseleri büyük oranda yatırımcıya geçer. Şirket kurulurken sahibi olan girişimci, artık board member, CEO, CTO ya da farklı bir konuma gelmiş olabilir. Ama tabi paraya da para demiyordur. Ne diyordur bilemiyorum.

Yaptığım araştırma sonrasında yatırım miktarlarının Türkiye ve Amerika için inceleyecek olursak, (İlk satır TR, İkinci satır USA)

yatirimlar

Yatırım miktarlarının çok geride kaldığı yönünde. Yine de bir startup kültürünün günden güne arttığını görmek umut verici.

TechCrunch’ın her sene düzenlediği Startupların yarıştığı bir yarışma mevcut. https://techcrunch.com/startup-battlefield/ adresinden inceleyebildiğiniz bu yarışmada, her sene çeşitli kategorilerde bir çok startup öne çıkmak için yarışıyor. Bugünlerde, eskiden popüler olan marketplace uygulamalar yerine, IoT ve kişisel yardımcıların aldığını görebiliyoruz. Machine Learning’in ön plana çıktığını ve yapay zekanın günden güne güçlendiğini farkediyoruz.

Türkiye’de yakın zamanda Startuplar üzerine çok güzel programlar düzenlenmeye başlandı. Özellikle bu Ekim ayında düzenlenecek Startup İstanbul http://startupistanbul.com/ etkinliği çok güzel geçeceğe benziyor. Yine Şubat ayında düzenlenen, Startup Turkey’in programına baktığımızda çok başarılı olduğunu görüyoruz. Türkiye’de şu anda marketplaceler ön plana çıksa da yakında daha farklı fikirler göreceğimize eminim. Uber’in lokalize edilmiş hali BiTaksi ya da yemeksepeti gibi örneklerin çoğalacağına inancım yüksek.

Startup yazımızın da sonuna gelmiş bulunmaktayız. 3. Bölümü en yakın zamanda yayınlayacağım. Görüşmek üzere.