Transkripti okuyun:
Podcast’lerimizin transkripsiyonunu bir yazılım programı kullanarak deniyoruz. Bot her zaman yüzde 100 doğru çalışmadığı için lütfen olası yazım hatalarını mazur görün.
Hannah Clark: Bir konuda dürüst olabilir miyiz? Bu sektör, veriye dayalı olma konusunda biraz takıntılı. Hayır, dürüst olan kısım bu değil; bunu zaten biliyordunuz. Dürüst olan kısım şu: Hepimiz veri konusunda o kadar da iyi değiliz. Analitik panel kullanma konusunda oldukça becerikli biriyseniz bile, bütün resmi gösterecek doğru türde içgörülerle her zaman çalışmıyor olabilirsiniz.
Bugünkü konuğum, Datawisp’in CEO’su Mo Hallaba. Datawisp’i bilmiyorsanız, yapay zekâ destekli bir veri görselleştirme aracı. Mo, bu konumu sayesinde çoğu kuruluşun topladığı veri miktarıyla bu veriyi gerçekte ne kadar etkili kullandığı arasındaki kopukluk konusunda benzersiz bir bakış açısına sahip. Ayrıca şunu da söylemeliyim: Son derece karmaşık konuları herkesin anlayabileceği hâle getirecek kadar zeki insanlarla nadiren konuşuyorum. Ama sizin ve benim şansımıza, bu konuşmanın tamamı bununla ilgili. Hadi başlayalım.
CPO Club Podcast’e tekrar hoş geldiniz. Mo, bugün bize katılmak için zaman ayırdığınız için çok teşekkürler.
Mo Hallaba: Beni davet ettiğiniz için teşekkürler. Burada olmaktan ve yapay zekâ, veri ve diğer tüm moda sözcükler hakkında konuşmaktan heyecan duyuyorum.
Hannah Clark: Biz de sabırsızlanıyoruz.
Bize biraz geçmişinizden bahsedebilir misiniz? Bugün Datawisp’te bulunduğunuz noktaya nasıl geldiniz?
Mo Hallaba: Elbette. Hikâye uzun, ama sabrınızı rica edeceğim. Kariyerime finans alanında, hisse senedi araştırmasında başladım; insanlara hangi hisseleri satın almaları gerektiğini ve benzeri şeyleri söylüyordum. Bu iş, çok fazla araştırmayı ve gerçekten can sıkıcı olan manuel veri çalışmasını gerektiriyordu.
Sonra bir süre kurumsal birleşme ve satın almalar alanına geçtim. Bu da farklı bir bakış açısından aynı şeylerin çoğunu yapmaktı. İnsanlara ne satın alacaklarını söylemek yerine satın almalar gerçekleştiriyorduk. Bu satın almalar için yine çok fazla araştırma yapıyor, dağlar kadar veriyi didik didik inceliyorduk.
Sonunda bundan sıkıldım ve kendi başıma bir şeyler yapmak istediğime karar verdim. Bir girişim kurmak istiyordum. Video oyunlarına her zaman büyük bir tutkum vardı, bu yüzden bu alanda bir şeyler yapabileceğimi düşündüm. Böylece kesinlikle ama kesinlikle başarısız olan bir oyun girişimi kurdum. Ancak bu süreçte, gerçekten ilginç bir şey üzerinde çalışan bazı insanlarla tanıştım: Bir elektronik spor takımı. Bilinmeyen bölgelerden oyuncular alıyor ve onları veri ile analitiği kullanarak eğitmek için yazılım kullanıyorlardı.
Bunu çok ilginç buldum. Video oyunları için bir tür Moneyball gibiydi. Sonra bu çalışma kendi başına büyüdü; çünkü bazı diğer takımlar da bunu istiyordu ve bazı turnuva organizatörleri de istatistikleri ekranda göstermek istiyordu. Böylece finansta çalışmaktan veri analitiği şirketinde çalışmaya geçtim.
Sonunda oyun dünyasının dışına çıkmaya karar verdik. Artık tamamen bir analitik şirketiyiz.
Hannah Clark: Harika. Buna birazdan derinlemesine gireceğiz. Aslında bu, konuya geçiş yapmak için mükemmel bir fırsat.
Bugün veriyi karar alma sürecinizi yönlendirmek için nasıl kullanabileceğinizden bahsedeceğiz. Başlangıç olarak merak ediyorum: Sizce birçok kuruluş, sözde “veriye dayalı” karar alma konusunda neyi yanlış yapıyor? Bu terimin biraz tartışmalı olduğunu biliyorum.
Mo Hallaba: Evet, dışarıda verinin onlar adına karar vermesini bekleyen pek çok insan olduğunu düşünüyorum; yani veriye dayalı karar alma denince bunu anlıyorlar. Bazı alanlar elbette son derece teknik ve veri bilimcileriniz oluyor; bu alanlarda kararlar gerçekten büyük ölçüde veri tarafından yönlendiriliyor. Ancak bizim burada yaptığımız bu değil.
Datawisp’in amacı da bu değil. Biz daha çok veriyle bilgilendirilmiş karar alma üzerine çalışıyoruz. Yani veri olmadan da alacağınız kararları ele alıp, kararınızı verirken daha bilgili olabilmeniz için size bakabileceğiniz bazı veriler sunuyoruz. Örneğin, kullanıcı arayüzümüzde bu düğmeyi nereye koymalıyız diye sorabilirsiniz.
Buraya mı koyalım? Aşağıya mı? Yoksa hiç yerini değiştirmeyelim mi? Web sitenize gelen insanların ana sayfanızda kaybolduğunu görüyorsanız düğmeyi taşımak isteyebilirsiniz, değil mi? Ancak insanların yüzde 90’ının sayfanıza gelip düğmeye tıkladığını görüyorsanız bunun için endişelenmenize gerek yoktur. Tahmin etmek yerine verilerle bilgilendirilmeniz işte böyle küçük şeylerle mümkün olur. Yani veriyle bilgilendirilmiş karar alma.
Hannah Clark: Evet, ben de veriyi, yani veriyle bilgilendirilmiş karar almayı tercih ediyorum. Kanadalı olduğum belli oluyor.
Veri görselleştirme, kuruluşlarda verinin anlaşılmasını ve kullanılmasını demokratikleştirmemize nasıl yardımcı olabilir? Biraz bundan bahsedebilir misiniz?
Mo Hallaba: Elbette. Özellikle teknik olmayan insanlara geldiğinizde herkesin sayılarla arası iyi değil. Daha yaratıcı alanlara, ürün yöneticilerine veya benzeri kişilere baktığınızda bazı insanların veriyi, önlerinde görsel biçimde gösterildiğinde daha iyi anladığını görürsünüz.
Bir şeyin zaman içinde değiştiğini söylemek başka, birine temel performans göstergesinin zaman içinde nasıl değiştiğini görebileceği bir grafik göstermek bambaşka. Bir ana dalınız ve yeni bir dalınız olduğunu, bunların birlikte ilerlediğini ve sonra verinin bir noktada farklı bir yöne ayrıldığını düşünün. Grafiğe bakıp “Temmuz ayında ne oldu?” demek; tabloya, çeyrek dönem raporlarına veya benzeri belgelere bakmaktan çok daha kolaydır. Özellikle teknik olmayan insanlar için veriyi görselleştirmek, bir sonraki soruların neler olması gerektiğini anlamayı çok kolaylaştırıyor.
Hannah Clark: Kendini sayılarla arası olmadığını söyleyen biri olarak veri görselleştirmesini kesinlikle destekliyorum.
Karar vericilerin veri noktalarını net biçimde anlamasını sağlamak için, özellikle de yanlış veri yorumlarına karşı kuruluşlar ne gibi önlemler alabilir?
Mo Hallaba: Pek çok insan yapay zekâya bakıp “Yapay zekâ insanların yerini alacak” diyor. Bizim yaklaşımımız bu değil. Veri bilimcilerinin önündeki darboğazları ve gereksiz yoğun işi azaltmaya çalışıyoruz. Buna karşı korunmanın iyi bir yolu ekibinizde bir veri bilimcisi bulundurmak veya gerçekten ne yaptığını bilen birini işe almaktır. İyi bir yazılımınız varsa, on veri bilimcisi yerine bir ya da iki veri bilimcisiyle yetinebilirsiniz. Çünkü ortadan kaldırmak istediğiniz şey, veriyi analiz edebilmek için teknik beceriye duyulan ihtiyaçtır.
Bir grafik elde etmek için sorgu dili yazmak zorunda kalmamalıyım. Ancak bu, verinin ne anlama geldiğini anlamadan o grafiğe dayanarak karar vermem gerektiği anlamına gelmez. Teknik engeli kaldırdığınızda insanların veriyle daha fazla zaman geçirmesini ve veriyi kullanmanın doğru yolları konusunda daha bilgili hâle gelmesini sağlarsınız.
Böylece verinin neyi gösterdiğini ve neyi göstermediğini anlamak için bir veri bilimcisiyle konuşmaya daha fazla zaman ayırabilirler. Örneğin bazı değişkenler nedensellik veya başka bir sebeple birbiriyle ilişkili olabilir. Ancak bir kişiyi sürecin içinde tutmak, bundan kaçınmanın en iyi yoludur.
Bu kişi bir veri bilimcisi de olabilir, en iyi mühendisin de. Seçenekleriniz hiçbir şey yapmamak veya bir şey yapmaksa, yine de bir şey yapmanız gerektiğini düşünüyorum.
Hannah Clark: Verileri bağlamsal parçalara ayırmak için nasıl bir yol izliyorsunuz? Bunun pratikte nasıl göründüğüne dair bir örnek paylaşabilir misiniz?
Mo Hallaba: Bence bunu düşünmenin en iyi yolu, iş hedeflerinizin ne olduğuna bakmaktır. Mesele yalnızca verilerle boşlukta çalışmak değil. Verilerle bütün bunları yapmamızın nedeni, verilere bakmadan önce bilmediğimiz bir şeyi işimiz hakkında anlamaya çalışmamızdır.
Bu genellikle iş sorusuna bağlıdır. Örneğin eğitimimizin yararlı olup olmadığını anlamaya çalışıyorsak, veriyi bölmenin bir yolu eğitimimizi kullananlarla tamamlamayanları ayırmaktır. Daha sonra kayıp oranlarına bakabilir veya tüm veri kümesini eğitimi tamamlayanlar ve tamamlamayanlar olarak bölebilir, aralarındaki farkı görebilirsiniz. Belki de hiçbir fark yoktur.
O zaman eğitimin etkili olmadığını veya uygulamanın kullanımı çok kolay olduğu için insanların eğitime ihtiyaç duymadığını söyleyebilirsiniz. Ancak eğitimi tamamlayan kişilerin ürünü ortalama olarak çok daha fazla kullandığını, üründe çok daha etkili olduğunu ve daha uzun süre kaldığını görürseniz, “Bu eğitim meselesinde gerçekten bir şeyler olabilir” dersiniz. Yani bu, ilk etapta neyi çözmeye çalıştığınıza bağlıdır.
Hannah Clark: Bu gerçekten açık bir örnekti. Çok beğendim.
Daha önce eyleme geçirilebilir ve eyleme geçirilemez veriler arasındaki farktan bahsettiniz. Her biriyle neyi kastettiğinizi biraz açıklar mısınız? Eyleme geçirilebilir veri nedir? Eyleme geçirilemez veri nedir? Bu iki türü nasıl etkili biçimde belirleyip kullanabiliriz?
Mo Hallaba: Bu daha çok elde ettiğiniz içgörülere dayanarak nasıl harekete geçebildiğinizle ilgilidir. Verinin kendisi herhangi bir şekilde farklı değildir. Önemli olan seçeneklerinizin neler olduğudur. Bir örnek vereyim.
Datawisp’e bakalım. Bir dönüşüm hunimiz var; pazarlama yapıyor, insanları çekmeye çalışıyoruz. İnsanlar geliyor, ilk kullanım süreçlerini tamamlıyor, uygulamayı kullanıyor, beğeniyor veya beğenmiyor, sonra da ayrılıyor ya da kalıyor. Huninin üst kısımlarına çıktıkça yapabileceğiniz şeylerin sayısı artar.
Kimse tanıtım görüşmesi planlamıyorsa, düğme yeterince büyük olmayabilir, açılış sayfası ikna edici olmayabilir veya yeni bir görsele ihtiyacımız olabilir. Ancak biri giriş yapıyor, tanıtım görüşmesi planlıyor, bizimle konuşuyor, ürünü deniyor, bir sürü soru soruyor ve sonra ayrılıyorsa, belki ürünü beğenmemiştir veya ihtiyacını karşılamamıştır.
Bu, huninin üst kısımlarındaki bazı sorunlara göre çok daha az eyleme geçirilebilirdir. Yani mesele, bu bilgiye dayanarak ne yapabileceğinizdir. Bazı şeyler diğerlerinden daha nettir. Birinci adımdan ikinci adıma giden bir hunide, örneğin üçüncü adımda yüzde 50’lik bir düşüş görürseniz, bu düşüşe neyin yol açtığı konusunda bir liste oluşturabilir ve bu sorunların üzerine gidebilirsiniz. Ancak sürecin sonuna geldiğinizde ve insanlar ürününüzü kullanıp durduğunda, “X nedeniyle ayrıldılar” demek çok daha zordur. Çünkü o noktada kim bilir?
Bunu anlamanın yolu daha fazla müşteri görüşmesi yapmak ve insanların ürününüzü kullanmasını izlemektir. Bunun için başka araçlar da var.
Hannah Clark: Ürün ekipleri, kararlarını bilgilendirmek üzere kullanıcı verilerinin toplanması ve ayrıştırılması konusunda daha iyi iş çıkarmak için hangi araçları kullanabilir?
Mo Hallaba: Bu duruma bağlı. Kullanabileceğiniz pek çok farklı yazılım var ve bu gerçekten ne tür bir ürün geliştirdiğinize bağlı. Bir oyun geliştiriyorsanız, bu iş bir web sitesi, e-ticaret platformu veya benzeri bir şey geliştirmekten çok farklıdır. Ancak olayları toplayan, bir şeyler olduğunda bunları izleyen ve analitik açısından kolay erişilebilir bir yerde saklayan bir şeye ihtiyacınız var.
Bir oyun geliştiriyorsanız, oyun içinde gerçekleşen olayları kaydedip bir veri ambarında saklayan oyun motoru eklentileri bulunuyor. Böyle bir şey kullanabilirseniz bu veriyi gerçekten analiz etmeye başlamanız çok daha kolay olur. Temel gereklilik bu. E-ticaret ve benzeri alanlarda, bunları yapan sektöre özgü pek çok çözüm var. Yani ne geliştirdiğinize bağlı olduğunu söyleyebilirim.
Hannah Clark: Yapay zekâ ve yapay zekânın verileri ayrıştırmaya yardımcı olmasındaki rolü açısından, ekibinizde bir veya birkaç veri bilimcisi bulundurmanın en iyi seçenek olduğundan bahsettiniz.
Özellikle teknik olmayan insanların verileri daha anlamlı hâle getirmesine yardımcı olmak açısından yapay zekânın bir yeri var mı?
Mo Hallaba: Kesinlikle. Datawisp’teki işimizin tamamı bununla ilgili. Yapay zekânın yardımcı olabileceği şey, verileri ayrıştırmak, istediğiniz cevapları elde etmek için verileri istediğiniz şekilde dönüştürmek ve biçimlendirmek üzere gereken teknik beceridir.
Yapay zekâ bu konuda gerçekten iyi. Daha önce yalnızca veri bilimcilerinin yapabildiği bir şeyi, artık benim gibi tamamen teknik olmayan biri de bu yapay zekâ araçlarından birini kullanarak yapabiliyor. Yapay zekâ kod kısmını hallediyor; siz de sorularınızı doğal dille sorabiliyorsunuz. Biraz merakı ve iş ya da ürün hakkında temel bilgisi olan herkes veriyi incelemeye başlayabilir.
Bence bu harika; çünkü veriyi önemseyen insanların sayısı arttıkça şirket, temiz ve düzenli veriye sahip olmak ve bunu insanlara sunmak için daha fazla kaynak yatırıyor. Böylece şirket de bundan daha fazla fayda sağlıyor.
Hannah Clark: Şimdi veriden yineleme süreçlerinde yararlanma konusundan biraz bahsedelim. Örneğin verilerinizi uygulayıp belirli bir özellikle ilgili öğrenimler elde ettikten sonra, bu özelliğin gelecekteki yinelemelerini yönlendirecek bir geri bildirim döngüsünü nasıl oluşturursunuz?
Mo Hallaba: Aslında Datawisp’te yaptığımız bir şey üzerinden örnek vereyim.
Yapay zekâmız Wispy ile ilgili olarak onu kullanan insanların sayısını ve daha da önemlisi bir cevap için ne kadar beklemeye razı olduklarını çok önemsiyoruz. Başlarda, kabul edilebilir cevaplar veren çok hızlı bir Wispy’ye veya çok daha iyi cevaplar veren ama çok daha yavaş çalışan bir Wispy’ye sahip olma seçeneğimiz vardı. Gerçi her zaman çok daha iyi cevaplar vermiyordu, bazen veriyordu.
Sonra verilere bakarak insanların ne kadar beklemeye razı olduğunu hızla öğrendik. Belli bir noktadan sonra insanların ayrıldığını, 30 saniye ila bir dakikadan fazla beklemek istemediklerini görüyorsunuz. Wispy’nin akıllı sürümünün çalışması bazen iki dakika sürüyordu; çok ilginç sonuçlar veriyordu ama kimse oturup bunu beklemiyordu.
Bu yüzden hıza odaklanmaya karar verdik. Datawisp’i mümkün olduğunca hızlı hâle getirmeye çalıştık. Ölçümlerin yükseldiğini görebiliyorsunuz. Önce yavaş sürümü kullanıyorduk. Sonra kullanıcıların yarısına birini, yarısına diğerini verdiğimiz yüzde 50-50’lik bir deneme yaptık. Ardından tamamen hızlı sürüme geçtik.
Bu yinelemelerden geçerken sayıların yükseldiğini gördünüz. Wispy cevap üzerinde çalışırken gösterilen küçük mesajları tasarlarken Moritz ve ben, yani CTO’muz, birlikte bir görüşmedeydik. 30 saniye sürüyorsa, 30 saniye boyunca yalnızca dönen bir simge gösteremezsiniz.
Bu nedenle “Hâlâ üzerinde çalışıyorum” veya “Veri bilimi zor iştir” gibi mesajlar gösteriyorduk. Bu mesajlar arasındaki sürenin ne kadar olması gerektiğini anlamaya çalışıyorduk. Sonra “Bir dakika, doğrudan verilere bakabiliriz” dedik. İnsanların ne kadar beklemeye razı olduğunu inceledik, mesajları buna göre aralıklara böldük ve özelliği kullanıma sunduk.
Verileri kullanarak bu tür bir yinelemeyi nasıl yaptığınıza dair somut bir örnek işte bu.
Hannah Clark: Bu gerçekten ilginç. Yapay zekâ modellerini eğitmekten ve bunun nasıl göründüğünden sıkça bahsediyoruz. Kullanıcıları eğitmenin de bir unsuru var mı diye merak ediyorum. Kullanıcıların daha kaliteli bir cevap için beklerken sabırsızlanmasından söz ettiğinizde, bu eğitilebilir bir davranış gibi görünüyor. Bu karara nasıl yaklaşıyorsunuz?
Mo Hallaba: Telefonu yanlış tutuyorsunuz. Böyle yapılmaz. Bunu hatırlamıyor musunuz? Steve Jobs muydu? “Telefonu yanlış tutuyorsunuz” demişti. Meşhur olay buydu. Yeni iPhone çıkmıştı ve telefon iyi çekmiyordu, çünkü anteni elinizin kapatacağı bir yere koymuşlardı. Sonra çıkıp “Telefonu yanlış tutuyorsunuz” dediler.
Telefonu şöyle tutmalısınız. Bu, yapılacak doğru şeyin örneği değil. Aslında yapılabilecek en kötü şey. Genel olarak mesele beklentileri doğru belirlemektir. Bu, eğitim ile beklenti belirlemenin birleşimidir. İkisi el ele gider, ancak günün sonunda kullanıcı ne istediği konusunda bir fikre sahiptir.
Sonuçta bu bir uzlaşma hâline gelir. Datawisp’in teknik olmayan insanlar için olduğunu biliyoruz. Mevcut davranış şu: “Joe’ya e-posta göndereceğim, Joe da bana cevapları getirecek.” Yani bunlar bir şey elde etmek için çok fazla çaba harcamak zorunda olmayan insanlar.
Bu Joe için kötü, ama bu kişinin gerçekliği bu. Onlardan çok fazla iş yapmalarını isteyemeyiz; biraz çalışmalarını isteyebiliriz. Ancak bundan fazlası söz konusu olduğunda, işin içinde pazarlama ve beklenti belirleme de vardır. Ne istiyorsunuz? İyi bir cevap mı? Cevabı ne zaman istiyorsunuz?
Joe’nun size dönmesi ne kadar sürüyor? Bir hafta mı? Datawisp’ten cevap almak için bir dakika beklemeye değer mi? 30 saniye güzel olurdu ama bir dakika yine de bir haftadan kısa. Bu nedenle küçük ipuçları vermeniz ve web sitenizde beklentileri en baştan doğru biçimde belirleyecek iyi bir metin yazarına ihtiyacınız var.
“Cevabınızı haftalar içinde değil, dakikalar içinde alın.” Saniyeler demiyorsunuz; çünkü saniyeler derseniz insanların beklentisi cevabın anında gelmesi olur. “Saniyeler içinde cevap alın” derseniz bu bir beklenti uyuşmazlığı yaratır. Komik olan şu ki, bunların hepsini söylememe rağmen web sitemiz hâlâ saniyeler ifadesini kullanıyor olabilir. Ancak satış görüşmelerinde müşteriye karşı gerçekten açık olmanız ve “Şu anda bu iş ne kadar sürüyor?” diye sormanız gerekiyor.
Sonra da “Bunu o sürenin çok küçük bir bölümünde yapabiliriz” diyerek beklentiyi bir miktar ayarlıyorsunuz.
Hannah Clark: Evet, ilginç. İnsanların arama motorlarını kullanmaya o kadar alıştığını düşünüyorum ki, teknoloji çok farklı olsa da cevapların anında gelmesini bekliyorlar.
Mo Hallaba: ChatGPT de insanları şımarttı. İnsanlar yapay zekânın sihir olduğunu düşünüyor. Nasıl çalıştığını hiç anlamıyorlar. Ayrıca örneğin çok hızlı şekilde çok sayıda metin üretebildiğini gördüler. “ChatGPT, bana Milano’da beş günlük bir gezi için seyahat programı yaz” dediğinizde hemen işte karşınızda.
Bu nedenle sıradan insanlar bunun sihir olduğunu ve her şeyi hızlıca yapabileceğini varsayıyor. Ancak bir veri tabanına bağlandığınızda durum farklı. Veri tabanında milyarlarca satır veri olabilir. Zaman alan kısım yapay zekâ bile değil; sorguyu çalıştırmanız gerekiyor ve bu sorgunun işlenmesi zaman alabilir.
Bununla ilgili yapabileceğimiz hiçbir şey yok. Ancak biri ChatGPT’nin çok hızlı olduğunu gördüğü için bunun iki saniye sürmesi gerektiğini düşünüyor. Wispy’nin artık yaptığı ama eskiden yapmadığı şeylerden biri, yüklenirken hangi aşamada olduğunu size bildirmesi.
Şimdi “Düşünüyorum” diyor. Düşünmesi bitip veri tabanınızı beklemeye başladığında da “Veri tabanınızı bekliyorum” diyor. Böylece süreç boyunca neler olduğunu sürekli iletiyor ve beklentileri yönetiyor.
Hannah Clark: Bunun gerçekten yardımcı olabileceğini görebiliyorum. Kullanıcıların, bir şey onlara göre çok uzun süre yükleniyorsa bozulduğunu varsaymaya ve yeniden göndermeye çok yatkın olduğunu düşünüyorum. Çok ilginç.
Mo Hallaba: Bununla ilgili çok fazla veriye baktık. Ne kadar sürdüğünü inceledik. Her şeyden önce, her şeyi izleyin. Canlı bir ürününüz olur olmaz olayları izlemeye başlayın. Datawisp’te basılabilecek her düğmeyi ve herhangi birinin o düğmeye her basışını izledik.
Bütün bunların nasıl çalıştığı hakkında gerçekten iyi bir fikrimiz var. Kullanıcı testleri de yaptık ve bir şey bir süre yükleniyor gibi göründüğünde insanların F5’e basarak sayfayı yenilediğini fark ettik. Bu nedenle ürün, insanları beş saniyeden fazla bekletiyorsa ne yaptığını mutlaka iletmelidir.
Hannah Clark: Bu çok mantıklı. “Her şeyi izleyin” ifadesi bu bölümün sloganı olabilir.
Mo Hallaba: Kullanıcılarınızın ürününüzde yaptığı her şeyi izleyin; çünkü bir noktada yararlı olacaktır.
Hannah Clark: Verilerin bir kararı bilgilendirmesine dair zaten bir örnek verdiniz. Bunun gerçekten iyi ve somut bir örnek olduğunu düşünüyorum. Bir müşterinizle veya kendi ekibinizle ilgili olabilir; verilerin bir kararı bilgilendirdiği en başarılı örnek neydi?
Mo Hallaba: Bu Datawisp’te olmadı, ama size daha önce elektronik sporlarda çalıştığımı söylemiştim. En başarılı örnek, bu sayede, verilere dayanarak kelimenin tam anlamıyla bir turnuva kazanmamızdı.
Bu yazılımın çalışma şekli gerçekten harikaydı. İsterseniz Datawisp’ten de bir örnek verebilirim. Yazılım, belirli koşullara göre verileri filtrelemenize izin veriyordu. Çoğu araç size ısı haritaları sunardı.
Bu bütün harita ve karşı takımdaki diğer oyuncuların genellikle takıldığı yerler burada. Bir saatlik bir oyunun ısı haritasına bakarsanız her yer yeşil görünür. Bu yararlı değil. Bir oyundaysam ve bütün harita yeşilse, bu bana onların nerede olduğunu söylemez.
Ancak bunu duruma göre parçalara ayırmaya başladığınızda gerçekten ilginç hâle geliyor. Oyunun ilk turunda neredeler? Ellerinde bu kadar para varken neredeler? Paraları yokken neredeler? Bu silahlara sahip olduklarında nerede duruyorlar; farklı silahları olduğunda nerede duruyorlar?
Böyle senaryolar oluşturmaya başlayınca, ısı haritasında bir anda beş kırmızı nokta görüyorsunuz ve rakibinizin tam olarak nerede olduğunu biliyorsunuz. Bu bilgileri müsabakalarda kullanabilirsiniz. Onlar da bunu kullanarak yarışmadaki tüm takımlar arasında en düşük maaş bütçesiyle kazandılar.
İnanılmazdı.
Hannah Clark: Harika. Eminim şu anda bazı elektronik spor meraklılarının ağzı sulanıyordur.
Mo Hallaba: Vereceğim en iyi Datawisp örneği, bir oyunun kullanıcı tabanını çok kısa bir sürede yaklaşık üç katına çıkarmasına yardımcı olmamız. Bunu, kullanıcıları kullandıkları edinim kaynağına göre bölümlere ayırarak yaptılar.
Daha sonra oyundaki, diğerlerinden daha fazla değer verdikleri belirli davranışları aradılar. Kullanıcıları bu kanaldan edindiğimizde oyunda bizim istediğimiz gibi davranıyorlar sonucuna ulaştılar. Böylece çabalarını tercih ettikleri belirli edinim kanallarına odaklayabildiler.
Şirketin adı Honeyland. Onlarla bir vaka çalışması yaptık ve bu çalışma web sitemizde yer alıyor. Gerçekten çok güzeldi.
Hannah Clark: Evet, gerçekten ilginç. Buna göz atmak isterim.
Mo, bugün bize katıldığınız için çok teşekkürler. İnsanlar sizi çevrim içi olarak nereden takip edebilir?
Mo Hallaba: X kullanıyorsanız kullanıcı adım ElectronicMo. Aksi hâlde beni LinkedIn’de takip edebilirsiniz; orada yalnızca adımı kullanıyorum. Datawisp için de durum aynı. Datawisp’i X’te ve LinkedIn’de takip edebilirsiniz.
Hannah Clark: Harika, bize katıldığınız ve benim gibi veri konusunda uzman olmayan kişiler için bu hızlandırılmış kursu erişilebilir hâle getirdiğiniz için çok teşekkürler.
Mo Hallaba: Basit hâle getirmeye çalışıyorum. Beni davet ettiğiniz için çok teşekkürler Hannah.
Hannah Clark: Bizi dinlediğiniz için teşekkürler. Daha fazla harika içgörü, nasıl yapılır rehberi ve araç incelemesi için bültenimize theproductmanager.com/subscribe adresinden abone olun. Bunun gibi daha fazla sohbeti, podcast’lerinizi dinlediğiniz her yerde The CPO Club’a abone olarak dinleyebilirsiniz.


