Dijital pazarlama öncesi dönemde pazarlamacılar için gözlem en önemli konuların başında geliyordu. Tüketicilerin nasıl giyindikleri, nasıl hareket ettikleri, nelerden mutlu oldukları, hangi konularla gurur duydukları gibi birçok veri pazarlamacıların marka stratejilerini belirleyebilmesinde çok önemli bir rol üstleniyordu.

Dijital pazarlama büyük bir devrim yaparak pazarlama alanına girmesi ile birlikte bütün bu gözlem işini yapay zekâ adını verdiğimiz yazılımlara bıraktık. Artık reklam verdiğimiz mecralar bir tık ile kendi ziyaretçileri hakkında çok geniş kapsamlı bilgiler elde edebiliyor ve bu bilgileri müşterileri ile paylaşabiliyor.

Böylelikle tüm pazarlamacılar verilere daha fazla hâkim olduklarını, elde edilen bu verileri derinlemesine analiz ederek başarılı pazarlama stratejileri ve kampanyaları kurguladığına inanıyor. Çok haksız ve yanlış bir düşünce değil! Ancak bilgiye bu kadar rahat ulaşabiliyorken dış dünyada devam eden hayatın bize sağladığı bilgilere sırtımızı mı dönmeliyiz?

Dünyanın en çok satan kitapları arasında yer alan; pazarlama ve satış departmanlarında çalışanların oldukça aşina olduğu Buyology kitabının yazarı Martin Lindstrom yeni kitabı Small Data ile bize küçük veri dünyasının ne kadar önemli olduğunu hatırlatıyor. Kitabın teması Big Data (Büyük Veri) ile Small Data (Küçük Veri) arasındaki farklar.

Big Data (Büyük Veri) Saygı, Small Data (Küçük Veri) Sevgi Kazandırır!

Müşterilerimizin markamıza karşı sevgilerinin artmasını hangi pazarlamacı istemez ki? Bunu sağlamanın en önemli yolu müşterilerimize dokunarak, onların yaşam biçimlerini, isteklerini, ihtiyaçlarını vb. şeyleri öğrenerek oluşturulmuş pazarlama stratejileridir.

Lego firması 2004 yılında satışların düşmesi ve finansal bazı problemler nedeniyle zorlu günler yaşarken ve teknolojik oyuncakların devrimine karşı yavaş yavaş yenilirken Martin Lindstrom ile bir Small Data yolculuğuna çıkarlar. Bu yolculuk esnasında bir çocuğun evine misafir olurlar. Çocuğun odasında bir çift ayakkabı dikkatlerini çeker. Temiz bir biçimde rafta sergilenen yıpranmış bir ayakkabıdır. Çocuk şehrin en iyi patencisidir. Bu unvanı kazanırken eskittiği emektar ayakkabılarını bir gurur timsali olarak odasında sergilemektedir. 

Bu örnekten ilham alan Lego firması daha küçük parçalardan oluşan, ancak devasa boyutta yeni modeller hazırlar. Örneğin Taj Mahal’i yeniden inşa etmek; sabır ve emek gerektiren bu aktiviteyi sergilemek gurur verici bir şeydir. İşte tam olarak bu veriye odaklanırlar. Bekledikleri sonuca da ulaşırlar. Lego yeniden kendisini toparlar ve bugün bile dünya devi konumunu korumaya devam eder. 

Small Data Markanızı Ayakta Tutar

İşte bu örnekte görüleceği üzere Small Data can çekişmekte olan bir markayı bile yeniden hayata tutundurabilir. Bu veriyi Big Data ile elde etmek kolay değildir. Eğer firma sadece dijital dönüşüm süreci gerçekleştirse ve sadece Big Data odaklı verilerle hayatta kalmaya çabalasaydı muhtemelen ölü markalar mezarlığında yerini alacaktı. Ancak tam tersi bir hareketle müşterilerine dokundu ve kazandı.

Big Data ise bundan sonraki süreçte devreye girebilir. Lego CRM sistemi ile takip ettiği müşterilerine küçük sürprizler yapabilir, müşterilerin alışkanlıklarına göre onlara ürünler sunabilir ve belki de ürün satışlarını takip ederek gurur verici eserleri sergilemek için imkânlar sağlayabilir. Özetle; Big Data ile elde edilen veriler yardımıyla tüketicilerde saygı uyandıracak bir takım pazarlama faaliyetleri hayata geçirilebilir.

Bu örneklerden de görüleceği üzere pazarlamacıların çevrimdışı dünyadan kopmadan, çevrim içi devrimi de ıskalamadan dengeli bir biçimde yürümeleri gerekir. Her türlü kaynaktan beslenerek, doğru soruları sorarak iç görüler oluşturmaları; bu iç görülerden hareketle doğru pazarlama stratejileri ve kampanyaları kurgulamalıdırlar.

Big Data (Büyük Veri) vs Small Data (Küçük Veri) yazısı ilk önce Mehmet Ortaç üzerinde ortaya çıktı.

Pazarlama dünyasında son dönemlerin popüler başlıklarının başında Büyük Veri (Big Data) geliyor. Büyük veri ile birlikte hayatımıza giren bir diğer kavram ise Veri Madenciliği (Data Mining).

Dijital verilerin öne kazanması ile birlikte bu veriler daha fazla toplanmaya ve saklanmaya başladı. Bunun sonucunda da elimizde büyük veri yığınları oluştu. Ayrıca teknolojik gelişmeler ve internetin daha yaygın bir biçimde kullanılmaya başlaması kullanıma açık veri boyutunun da artmasını sağladı.

Tüm bu gelişmeler doğrultusunda veri çeşitleri de her geçen gün artış göstermektedir. Bugün internette attığımız her bir adım dijital bir ayak izi oluşturmakta. Kullandığımız kredi kartımızın verileri, e-ticaret alışverişlerimiz, yazışmalarımız, kullandığımız navigasyon verileri, sosyal medya üyeliklerimiz ve paylaşımlarımız veri çeşitliliği için birkaç örnek oluşturur. 

Veri Madenciliği Nedir?

Veri alanında çalışan akademisyen ve profesyonellerin yapmış oldukları tanımlamalara baktığımız zaman veri madenciliğinin ne olduğu konusunda bir fikir birliğinin olmadığını görürüz.

Ancak veri madenciliğini genel olarak anlatmak gerekirse; büyük miktarda verinin içerisinden anlamlı sonuçlar çıkartabilmek amacıyla otomatik ya da yarı otomatik yöntemlerle işlenmesi ve anlamlı verilere ulaşılması diyebiliriz.

Veri madenciliğinden en önemli disiplinlerin başında makine öğrenmesi geliyor. Ayrıca ortaya çıkan sonuçların analiz edilmesinde ise istatistik biliminden faydalanılıyor. Makine öğrenmesi ile birlikte yapay zekâ alanındaki gelişmeler de veri madenciliği açısından önem arz ediyor.

Çoğu zaman veri madenciliği, yapay zekâ ve makine öğrenmesi birbirinin yerine kullanılarak yanlış yapılmaktadır. Bu 3 disiplin benzer ve hatta ortak araçları kullanan farklı disiplinlerdir.

Makine Öğrenmesi ve Veri Madenciliği

Bilgisayarın icadından bu yana süre gelen tartışma bilgisayarların tıpkı bir insan aklı gibi öğrenip öğrenemeyeceğidir. Bilgisayarların öğrenmesi konusunda çalışmalar yürüten disiplin makine öğrenmesidir.

Makine öğrenmesini daha iyi anlayabilmek için insanı incelemek ve karşılaştırma yapmakta fayda var. İnsan bir taraftan bilgi edinirken diğer taraftan da bu bilgiler ışığında tecrübeler edinmektedir.

Hem teorik bilgi ile hem de tecrübelerden edinilen bilgi ile insan kendisini sürekli olarak geliştirir. Makine öğrenmesi de buna benzer bir süreci ifade etmektedir. Bir program tıpkı insan gibi belli bir konuda insan gibi tecrübe edinip performansını artırıyorsa buna makine öğrenmesi denir.

Son dönemin popüler konularından bir tanesi olan Chatbot uygulamalarını örnek alalım. Müşterilerinize tıpkı insanmış gibi yanıtlar veren sohbet botu aslında sizin sisteme yüklediğiniz sorular ve cevaplara göre müşterinin karşısına çıkmaktadır.

Ancak müşterinin sorduğu bazı soruların yanıtları sistemde olmayabilir. Bu sefer sistem müşteriye yanıt veremediği soruları size yöneltir. Sizden bu sorulara yanıt aldıktan sonra bunu da öğrenerek bir sonraki soruda müşteriye daha iyi yanıt verebilir. Böylelikle günden güne öğrenen sistem adeta bir insan gibi müşteri soruları yanıtlamaya başlar.

Makine öğrenmesini ilgilendiren birkaç önemli süreç vardır. Yukarıda verdiğimiz örnekte olduğu gibi bir Chatbot’un müşterilerinize yanıt verebilmesi için öncelikle konuşulan kelimeleri anlamayı öğrenmesi gerekir.

Bugün popüler ve çok tartışılan teknolojilerden bir tanesi de sürücüsüz, yani otonom araçlar. Bu araçları kontrol eden bilgisayar yazılımı mutlaka araba kullanmayı öğrenmek zorunda. Bu araçlarla yapılan testlerde birtakım kazalar meydana gelse de sistem bu kazalardan öğrenerek insanlık için daha olumlu bir noktaya doğru ilerliyor.

Bu örnekler çoğaltılabilir ve hatta hayal gücümüzün sınırlarını zorlayarak geleceğe yönelik tahminlerde bulunabiliriz. Benim bu konuda hep düşündüğüm doktorların ve avukatların mesleğini (en azından bir kısmını) elinden alacak bir makine öğrenmesi.

Örneğin; derinizin altına yerleştirilen bir chip sayesinde saniyelik olarak kan tahlilinizin yapıldığını düşünün. Bu tahliller sırasında vücudunuza grip mikrobunun giriş yaptığı tespit edildi. Anlık olarak özel bir sağlık kuruluşunun bilgisayar yazılımına veriler gönderildi.

Bu program ilgili verileri tarayarak gribin türünü tespit etti ve kullanılması gereken ilaçları SMS olarak size gönderdi.

Böyle bir sağlık sistemi bizleri sevindirmez mi? İnsanlık için çok faydalı bir gelişme olmaz mı?

Makine öğrenmesi, başlıkta belirttiğimiz şekilde veri madenciliği ile ilişki içerisinde olduğu gibi aynı zamanda birçok farklı disiplinle de birebir ilişki içerisindedir. Yapay zeka, bilgi teorisi, psikoloji, felsefe, sosyoloji, olasılık, istatistik bunların başında gelmektedir.

Bu ana başlıklar haricinde birçok irili ufaklı disiplinle de ortak çalışmalar yürütmektedir. 

Veri Nasıl Toplanır?

Veriler 2 farklı biçimde toplanabilir. Bunlardan bir tanesi açık bir şekilde veri toplamak, ikincisi ise kapalı bir biçimde veri toplamak.

Açık bir şekilde veri toplanması genel olarak ziyaretçi isteği ile gerçekleşir. Üyelik sırasında verilen bilgiler, anketler, tercihler gibi birtakım verilerin ziyaretçi tarafından sisteme işlenmesi ile birlikte veri ambarı dolmaya başlar.

Buna en güzel örnek sosyal medya mecraları ve e-ticaret siteleri olabilir.

Kapalı veri toplama ise ziyaretçinin site içerisindeki hareketlerinin, alışkanlıklarının ve davranışlarının izlenmesi ile toplanır. Buradaki amaç ziyaretçinin web sitesi içerisinde yer alan mal veya hizmetlere ya da sitenin alanlarına olan ilgisinin saptanmasıdır.

Bunun sonucunda ziyaretçi ilgisinin artırılması için birtakım geliştirmeler hayata geçirilir. Bunun için Google Analytics gibi, Hotjar gibi çok kullanılan dijital pazarlama araçlarına ihtiyaç vardır.

Yapay Zeka ve Veri Madenciliği

Felsefe, psikoloji ve sosyoloji gibi sosyal bilimler insanı anlamaya çalışırlar. Bu anlama çalışmasının sonucunda birtakım tezler ortaya çıkar. Fakat bu tezler sadece insanı anlamak üzerinedir.

Bu bilimlerin ortaya çıkan sonuçlara göre daha iyi bir insan modeli üretme şansı yoktur. Var olanı anlamlandırabilirler.

Fakat yapay zeka insanı anlayarak, insanın daha üst modelinde bir takım varlıklar üretme çalışmasıdır. Yapay zekanın sabit bir tanımı yoktur. Çok farklı alanlarda karşımıza çıkabilir.

Bir web sitesinin içeriğinin analinizi yapan bir yapay zeka yazılımı ile de karşılaşabiliriz, ev işlerine yardımcı olan bir robot olarak da karşımıza çıkabilir.

Yapay zekanın en büyük alametifarikası makine öğrenmesidir. Çünkü yapay zeka kendi içerisinde makine öğrenmesini barındırır. Az önce söylemiştik. Makine öğrenmesi aslında bir insan gibi bilgi ve tecrübelerden öğrenerek kendisini geliştirir.

Yapay zeka da aslında bir insan modeli olduğuna göre o da makine öğrenmesi disiplini ile öğrenerek kendisini geliştirir.

Yukarıda saydığımız veri madenciliği, makine öğrenmesi ve yapay zeka disiplinlerinde gelişmeler her gün artarak devam etmekte. Yakın bir gelecekte tüm bunların nimetlerinden çok daha faydalanır olacağız. Hayatımızda çok fazla yerleri olacak.

Bu alanda çalışmalar yine daha önceki gelişmelerde olduğu gibi genellikle Amerika kaynaklı. Ne yazık ki ülkemizde bu 3 disiplin konusunda büyük adımlar atabilen kimse yok.

Özellikle bu kadar fazla paylaşım yapmayı ve interneti kullanmayı seven bir toplum olarak ciddi oranda veri paylaşıyoruz. Bu verilerin analizini yapacak, bunlardan anlamlı sonuçlar üretebilecek çok az sayıda insan kaynağımız var.

Bu alanda eğitim imkanlarını artırarak çözüm bulmalıyız. Aksi halde veriyi anlamlandıramadığımız için yine bir treni kaçırmış olacağız.

Dijital Pazarlama Uzmanı olarak; bu yazıyı hazırlarken okuduğum, bilgi edindiğim ve yazıyı hazırlama sürecinde faydalandığım kaynaklar şöyledir;

1. https://blog.euromsg.com/data-mining-veri-madenciligi-nedir/

2. https://tr.wikipedia.org/wiki/Veri_madenciliği

3. https://eksisozluk.com/veri-madenciligi–723393

4. https://burakisikli.wordpress.com/2009/02/15/veri-madenciligidata-mining-nedir-ve-nerelerde-kullanilir-1/

5. https://www.cmpe.boun.edu.tr/~ethem/files/papers/veri-maden_2k-notlar.doc

6. http://www.deu.edu.tr/userweb/k.yaralioglu/dosyalar/ver_mad.doc

7. http://mail.baskent.edu.tr/~20410964/DM_1.pdf

8. https://pazarlamasyon.com/data-mining-veri-madenciligi-nedir/

9. https://vizyonergenc.com/icerik/5-temel-soruda-veri-madenciligi-data-mining-nedir

10. https://pazarlamaturkiye.com/makale/veri-madenciligi-data-mining-nedir/

Veri Madenciliği (Data Mining) Nedir? yazısı ilk önce Mehmet Ortaç üzerinde ortaya çıktı.