Aptallar İçin Veri: Teknik Olmayan PM’ler İçin Hızlandırılmış Kurs

Günümüzün veriye dayalı ortamında kuruluşlar çoğu zaman kendilerini bir veri denizinde boğulurken buluyor, ancak bu verilerden eyleme geçirilebilir içgörüler elde etmekte zorlanıyor. Pek çok şirket kendisini veri merkezli olarak tanımlamaya hevesli olsa da gerçek şu ki herkes verileri etkili bir şekilde yorumlama ve kullanma konusunda aynı derecede yetkin değil. Çoğu zaman içgörüler parçalı kalıyor ve sunulan analizler bilinçli kararlar almak için gereken bütünsel tabloyu ortaya koymuyor.

Bu bölümde Hannah Clark'a, kuruluşların topladığı büyük miktardaki veri ile bu verilerin kullanımındaki etkinlik arasındaki boşlukları ele almak ve daha iyi veri yönetimi ile görselleştirme için pratik çözümler sunmak üzere Datawisp CEO'su Mo Hallaba eşlik ediyor.

Röportajdan Öne Çıkanlar

  • Mo Hallaba ile Tanışın [01:00]
    • Mo kariyerine finans alanında, özellikle de hisse senedi araştırmalarında başladı.
    • Görevi, hisse senedi önerilerinde bulunmayı ve kapsamlı manuel veri çalışmaları yürütmeyi içeriyordu.
    • Daha sonra şirket birleşmeleri ve satın almaları alanına geçti; satın almalar gerçekleştirdi ve daha fazla veri araştırması yaptı.
    • Bundan yorulunca video oyunlarına olan tutkusunun peşinden gitti ve bir oyun girişimi kurdu.
    • Girişim başarısız oldu, ancak oyuncuları eğitmek için veri ve analiz kullanan bir e-spor takımında çalışan kişilerle tanıştı.
    • Bu fikir ilgisini çekti ve daha kapsamlı bir veri analitiği şirketine dönüştü.
    • Sonunda oyun alanının ötesine geçerek genel analitiğe odaklandılar.
  • Veriye Dayalı Karar Alma Sürecini Anlamak [02:40]
    • Pek çok kuruluş, kararları kendi adına verinin almasını bekliyor; bu ise yanlış bir kanı.
    • Son derece teknik alanlarda veriye dayalı karar alma kullanılabilir, ancak herkes için amaç bu değildir.
    • Datawisp, "veri destekli" karar almaya odaklanıyor.
    • Bu yaklaşım, zaten alacağınız kararları desteklemek ve daha fazla içgörü sağlamak için verileri kullanmayı içerir.
    • Bir örnek: kullanıcı davranışı verilerine dayanarak bir kullanıcı arayüzünde bir düğmenin nereye yerleştirileceğine karar vermek.
    • Veriler, tahminlere güvenmek yerine yapılacak düzenlemelere yön verir.
  • Veri Görselleştirmenin Gücü [04:02]
    • Özellikle teknik olmayan kişiler olmak üzere herkes sayılar konusunda rahat değildir.
    • Veri görselleştirme, yaratıcı alanlarda veya ürün yönetiminde çalışan kişilerin verileri daha iyi anlamasına yardımcı olur.
    • Verileri grafikler gibi görsel bir biçimde görmek, eğilimleri ve örüntüleri kavramayı kolaylaştırır.
    • Örneğin, KPI'ların zaman içindeki eğilimini görsel olarak göstermek, bunu sayılarla açıklamaktan daha etkilidir.
    • Görselleştirmeler, verilerin ne zaman farklılaştığı gibi önemli değişiklikleri hızlıca belirlemeye yardımcı olur ve daha iyi sorular sorulmasını sağlar.
  • Verilerin Yanlış Yorumlanmasına Karşı Korunma [05:12]
    • Yapay zekâ insanların yerini almak için değil, veri bilimcilerin yoğun ve tekrarlayan işlerini azaltmak için tasarlanmıştır.
    • Kuruluşlar, iyi yazılımlara sahip olsalar bile en az bir veya iki veri bilimcisi istihdam etmelidir.
    • Amaç, verileri analiz etmek için SQL yazmak gibi teknik becerilere duyulan ihtiyacı ortadan kaldırmaktır.
    • Teknik engellerin kaldırılması, daha fazla kişinin verileri anlamaya zaman ayırmasını sağlar.
    • Karar vericiler, verilerin yanlış yorumlanmasını önlemek için veri bilimcilerle iş birliği yapmalıdır.
    • Veri sürecine bir kişinin dâhil olmaya devam etmesi, özellikle nedensellik gibi karmaşık ilişkiler söz konusu olduğunda doğru anlamlandırmayı güvence altına almaya yardımcı olur.

Pek çok kişi yapay zekâyı insanların üstlendiği rollerin yerine geçecek bir araç olarak görüyor, ancak biz bunu böyle görmüyoruz. Yapay zekâyı, veri bilimcilerin önündeki yoğun ve tekrarlayan işleri ve darboğazları ortadan kaldırmak için kullanmaya odaklanıyoruz. Bu sorunlara karşı korunmanın harika bir yolu, ekibinizde yetkin bir veri bilimci bulundurmak veya işini gerçekten bilen birini işe almaktır.

Mo Hallaba
  • Verileri Bağlamsal Parçalara Ayırma Rehberi [06:45]
    • Verileri tek başına analiz etmek yerine iş hedeflerini belirleyerek başlayın.
    • Veri analizi, işletme hakkında yeni içgörülerin ortaya çıkarılmasına yardımcı olmalıdır.
    • Örneğin, bir eğitimin etkililiğini değerlendirmek için eğitimi tamamlayan ve tamamlamayan kullanıcıların verilerini karşılaştırın.
    • Bu gruplar arasındaki müşteri kayıp oranlarını ve elde tutma farklılıklarını analiz edin.
    • Herhangi bir fark bulunamazsa ya eğitime ihtiyaç yoktur ya da ürünün kullanımı kolaydır.
    • Eğitimi tamamlayan kullanıcıların daha iyi sonuçlar elde etmesi, eğitimin değerli olduğunu gösterir.
    • Verileri dilimleme, ele alınan belirli iş sorusuna bağlıdır.
  • Eyleme Dönüştürülebilir ve Eyleme Dönüştürülemeyen Veriler [08:05]
    • Eyleme dönüştürülebilir veriler, içgörülere dayanarak net ve belirli adımlar atmanızı sağlar.
    • Eyleme dönüştürülemeyen veriler içgörü sağlar, ancak atılacak net adımlar sunmaz.
    • Fark, verilerin kendisinde değil, bu bilgilerle ne yapabileceğinizdedir.
    • Örnek: Bir pazarlama hunisinde insanlar demo randevusu almıyorsa düğme boyutunu, açılış sayfasını veya grafikleri değiştirebilirsiniz (eyleme dönüştürülebilir).
    • Kullanıcılar ürünü denedikten sonra müşteri kaybı yaşıyorsa bunun nedenini belirlemek daha zordur (eyleme dönüştürülemez).
    • Huninin üst kısımlarında atılabilecek adımlar daha nettir; alt kısımlara ilerledikçe veriler eyleme dönüştürülebilirliğini kaybeder.
    • Eyleme dönüştürülemeyen içgörüler için müşteri görüşmeleri ve kullanım gözlemleri faydalıdır.
  • Kullanıcı Verilerini Toplama ve Ayrıştırma Araçları [09:54]
    • Ürün ekiplerinin kullandığı araçlar, geliştirilen ürünün türüne bağlıdır (ör. oyunlar, web siteleri, e-ticaret platformları).
    • Ekiplerin olayları (kullanıcı eylemlerini izleyerek) toplayan ve kolay analiz için depolayan ürün analitiği yazılımına ihtiyacı vardır.
    • Oyunlar için Unity eklentileri, oyun içi olayları izleyebilir ve analiz amacıyla bunları Snowflake gibi platformlarda depolayabilir.
    • E-ticaret ve diğer sektörlerin ihtiyaçlarına göre uyarlanmış özel çözümleri vardır.
    • Önemli olan, veri toplama ve analizinde ürünün gereksinimleriyle uyumlu araçları kullanmaktır.
  • Veri Analizi için Yapay Zekâdan Yararlanma [10:52]
    • Yapay zekâ, daha önce veri bilimcilerini gerektiren bir görev olan verileri teknik olmayan kişilerin ayrıştırmasına ve dönüştürmesine yardımcı olur.
    • Yapay zekâ teknik işlemleri üstlenerek kullanıcıların soruları günlük İngilizceyle sormasına olanak tanır.
    • Teknik olmayan kullanıcılar, temel iş bilgileri ve meraklarıyla verileri keşfedebilir.
    • Bu yaklaşım, daha fazla kişinin verilerle etkileşim kurmasını teşvik eder.
    • Verilere duyulan ilginin artması, şirketlerin temiz ve erişilebilir verilere daha fazla yatırım yapmasını sağlar.
    • Bu durum, daha iyi verilerin daha iyi içgörülere ve kararlara yol açtığı faydalı bir döngü oluşturur.

Daha fazla kişi verilere değer verdikçe şirket, verileri temiz tutmaya ve herkesin erişimine sunmaya daha fazla yatırım yapacaktır.

Mo Hallaba
  • Verilerle Yineleme: Gerçek Dünya Örnekleri [12:12]
    • Datawisp, yapay zekâ özelliği Wispy için kullanıcıların bekleme sürelerine odaklandı.
    • Biri makul yanıtlar veren hızlı bir yapay zekâ, diğeri ise potansiyel olarak daha iyi yanıtlar veren yavaş bir yapay zekâ olmak üzere iki sürümü test ettiler.
    • Veriler, kullanıcıların daha hızlı yanıtları tercih ettiğini gösterdi ve bu da hıza odaklanılmasını sağladı.
    • Kullanıcıların sabrına göre Wispy'nin performansını ayarlayarak hızlı yanıtlar için optimizasyon yaptılar.
    • Kullanıcıların bekleme sürelerine göre durum mesajlarının zamanlaması gibi veri odaklı tasarım değişikliklerini hayata geçirdiler.
    • Daha iyi bir kullanıcı deneyimi için özelliği geliştirmek ve yinelemek amacıyla gerçek zamanlı verileri kullandılar.
    • Kullanıcıları eğitmek, davranışlarını değiştirmekten çok doğru beklentiler oluşturmakla ilgilidir.
    • Örnek: Steve Jobs'un "yanlış tutuyorsunuz" yaklaşımı etkisizdi.
    • Temel nokta, eğitim ve açık iletişim yoluyla kullanıcı beklentilerini yönetmektir.
    • Kullanıcılar hızlı yanıtlar bekler ve gerçekçi zaman aralıkları belirlemek kritik öneme sahiptir.
    • Datawisp'in yanıt süresini geleneksel yöntemlerle (örneğin bir hafta beklemekle) karşılaştırmak, avantajların vurgulanmasına yardımcı olur.
    • Etkili iletişim, yanıt sürelerinin dürüst ve doğru bir şekilde ifade edilmesini gerektirir.
    • Bu beklentileri oluşturmak için iyi pazarlama ve açık mesajlar büyük önem taşır.
    • Kullanıcılar arama motorlarından ve yapay zekâdan anında yanıt almaya alışkındır; bu da gerçekçi olmayan beklentiler oluşturur.
    • ChatGPT, yapay zekânın tüm görevler için anında yanıt sağlayabileceği inancının oluşmasına katkıda bulundu.
    • Gerçekte işlem süresi yalnızca yapay zekânın performansına değil, veritabanı sorgularına da bağlıdır.
    • Wispy artık beklentileri yönetmek için işlem sırasında kullanıcılara "Düşünüyorum" veya "veritabanınızı bekliyorum" gibi durum bilgileri veriyor.
    • Kullanıcılar, bir sistemin yanıt vermesi çok uzun sürerse genellikle bozuk olduğunu varsayar; bu da sayfayı yenilemelerine veya istekleri yeniden göndermelerine yol açar.
    • Veri takibi ve kullanıcı testleri, işlem süreleri hakkında açık iletişimin kullanıcı memnuniyeti için kritik olduğunu ortaya koyuyor.
  • Veri Odaklı Başarı Öykülerindeki Büyük Zaferler [19:10]
    • E-sporda veri analizi bir turnuvanın kazanılmasını sağladı.
    • Yazılım, oyun içindeki farklı durum ve koşullara göre verileri ayrıştırarak ayrıntılı ısı haritaları sundu.
    • Bu, rakiplerin konumlarının kesin bir şekilde belirlenmesini sağladı ve en düşük bütçeye sahip olmalarına rağmen zafere katkıda bulundu.
    • Datawisp'te bir oyunun kullanıcı tabanının kısa sürede üç katına çıkmasına yardımcı oldular.
    • Etkili kullanıcı edinme kanallarına odaklanmak için kullanıcı edinme kaynaklarını ve oyun içi davranışları analiz ettiler.
    • Bu başarı öyküsü, Datawisp'in web sitesinde yer verilen Honeyland şirketiyle ilgili bir vaka çalışmasını içeriyordu.

Kon
uğumuzu Tanıyın

Mo Hallaba, oyun geliştiricilerinin ve yazılım şirketlerinin topladıkları verilerden daha iyi yararlanmasına yardımcı olan; böylece ürünlerini geliştirmelerini, kullanıcı edinme maliyetlerini düşürmelerini ve elde tutma oranlarını artırmalarını sağlayan bir platform olan Datawisp'in CEO'sudur. Datawisp, özellikle teknik olmayan kişiler için sıfırdan geliştirildi ve kullanıcıların kendileri için önemli olan soruları sorup anında yanıt alabilecekleri şekilde tasarlandı.

Mo'nun yolculuğu, bankacılık sektöründe hisse senedi araştırma analisti olarak çalıştığı dönemde başladı. Yaptığı iş son derece tekrarlıydı; bilgisayarın yapması gerektiğini düşündüğü işlere, yani iş insanları için derinlemesine veri analizine, çok zaman harcıyordu.

Dönüm noktası, finans sektöründen ayrılıp bir oyun şirketi kurması ve üçlü A oyun yayıncılarıyla danışman olarak çalışmaya başlamasıyla geldi. Bu şirketler, finans alanında yaşadığı veri erişimi sorunlarının aynısını yaşıyordu: insanlar veri taleplerine bağımlıydı ve bilim ekipleri iş insanları için durmaksızın veri talepleri üretiyordu. Yalnızca danışmanlık hizmetinin soruna geçici bir çözüm sağlayacağının ve çözümün bir ürün oluşturmak olduğunun fark edilmesi, Datawisp'in kurulmasına yol açtı.

Mo Hallaba'nın fotoğrafı

Kullanıcılarınızın ürününüzde yaptığı her şeyi takip edin; çünkü bunlar bir noktada işinize yarayacaktır.

Mo Hallaba

Bu Bölümdeki Kaynaklar:

You may also like