Üretken Yapay Zekâ Analitiği Ürün Ekipleri İçin Nasıl Daha Erişilebilir Hale Getirebilir?

Transkripti okuyun:

Podcast’lerimizi bir yazılım programı kullanarak yazıya dökmeyi deniyoruz. Bot her zaman yüzde 100 doğru çalışmadığı için lütfen olası yazım hatalarını mazur görün.

Hannah Clark: İster veri odaklı, ister veriden beslenen, isterse de veriler karşısında büyülenmiş olmayı tercih edin, bunun bir önemi yok—günümüz teknolojisi, yüksek kaliteli veri kümeleri VE bunları etkili biçimde kullanmaya yarayan araçlar olmadan varlığını sürdüremez. Ancak veriyi kuruluşta yalnızca bir ya da iki departmanın sorumluluğu olarak görmeyi de göze alamayız—bunun yerine 2025’e veri demokratikleşmesi anlayışıyla girmemiz gerekiyor. Başka bir deyişle, işimiz müşterilerimizdir; dolayısıyla müşterilerimizin söyledikleri herkesin meselesi olmalıdır.

Bugünkü konuğum Quantum Metric’in Kurucusu ve CEO’su Mario Ciabarra. Quantum, şirketlerin verileri farklı paydaşlar için yararlı içgörülere dönüştürmesini sağlayan, üretken yapay zekâ destekli bir analitik platformudur; böylece ilk günündeki ürün tasarımcısından şirket kurucusuna kadar herkes her karara müşteri empatisini katabilir. Bunun pratikte nasıl işlediğini, veri temizliğiyle ilgili hususları ve üretken yapay zekânın bu yıl ve sonrasında analitiğin gelişimini nasıl yönlendireceğine ilişkin bazı öngörüleri konuştuk. Hadi başlayalım.

The CPO Club podcast‘e tekrar hoş geldiniz. Bugün Mario Ciabarra ile birlikteyiz.

Mario, yoğun programınızdan bugün bizimle konuşmak için zaman ayırdığınız için teşekkür ederim.

Mario Ciabarra: Hannah, bu benim için büyük bir zevk. Beni konuk ettiğiniz için teşekkür ederim.

Hannah Clark: Her zaman yaptığımız gibi başlayalım. Bize biraz geçmişinizden ve bugün Quantum Metric’te bulunduğunuz noktaya nasıl geldiğinizden bahseder misiniz?

Mario Ciabarra: Elbette, memnuniyetle. Küçük bir çocukken bile gelecekte girişimci olacağıma dair işaretleri görebilirdiniz.

Belki konuşmamızda bunlardan biraz söz edebiliriz; ancak bu girişimcilik yolculuğunun bir parçası olarak bugün bulunduğunuz noktaya nasıl geldiniz? Yazılım, bilgisayar mühendisliği ve yazılım mühendisliği konusunda her zaman tutkuluydum. Deneyimleri nasıl daha iyi hale getirebileceğimizi keşfetmek de bu tutkunun tam merkezinde yer alıyordu.

Başlangıçta mesele, işleri nasıl daha hızlı ve daha yüksek performanslı hale getirebileceğimdi. Sonra şunu fark etmeye başladım: İşleri hızlı hale getirebilirsiniz, ama harika değillerse bunun bir önemi yoktur. Benim 13 yaşındaki kızımın da 87 yaşındaki babamın da farklı ihtiyaçları varken, farklı kitleler için harika deneyimleri nasıl oluşturabiliriz?

Deneyimlerimizin herkes için işe yaramasını nasıl sağlayabiliriz?

Hannah Clark: Kariyerinizde oldukça uzun bir yol kat ettiğiniz için liderlik yaklaşımınız hakkında biraz konuşmak istiyorum. Tutkunuzun ürün ve mühendislikten insanlara ve empatiye odaklanmaya doğru evrildiğinden daha önce söz etmiştiniz. Bu durum liderlik yaklaşımınızı nasıl etkiledi?

Mario Ciabarra: Bana şirketi sorarsanız, ocak ayı yaklaşıyor ve Quantum’daki onuncu yıl dönümümü kutlayacağım. Bana dokuz ya da sekiz yıl önce Quantum’da neye tutkuyla bağlı olduğumu sorsaydınız, kesinlikle ürün yaratmak derdim. Bugün hâlâ tutkum bu. Ancak garip bir şey oldu; bu benim dördüncü şirketim.

Önceki şirketlerim küçüktü. Bir ila üç kişiden oluşuyorlardı. Ürün geliştiriyor, mühendislik ve ürün çalışmaları yapıyor, ürünü başarıya ulaştırmak için yinelemeler gerçekleştiriyorlardı. Farkına varmadan başımıza gelen şey, Quantum’da artık 400’den fazla ekip üyesinin bulunmasıydı. Yüzlerce kişiye ulaşmamız gerektiğinde değil, aslında onlarca kişiye ulaştığımızda başarılı şirketlerin ekiplerin omuzlarında yükseldiğini fark ettim.

Bu nedenle inanılmaz bir ekibe sahip olmanız ve CEO’nun, kurucunun, kuruluş liderinin bu ekibe liderlik etmekten sorumlu olduğunu anlamanız gerekiyor. Bunların hepsi birlikte iyi çalışmadığında, istediğiniz kadar harika bir ürüne sahip olabilirsiniz; sonuç alamazsınız. Gerçek başarı yaratmak, insan liderliği ve insanlara yatırım yapmakla ilgilidir.

Bu da ilk şirket hedefimizin neden “mutlu insanlar, sağlıklı ve çeşitli kültür” olduğunu açıklıyor. İkincisi, müşterileri hayranlara dönüştürmek. Üçüncüsü ise yıl için belirli bir ekonomik başarıya ulaşmak. Ancak ilk ikisi yıldan yıla değişmez. Elbette üçüncüsünde, yıl içindeki başarımız açısından hedefleri her yıl biraz ileri taşıyoruz.

Bazı insanların ve kuruluşların bunu tersinden yaptığını düşünüyorum. “Hadi gidip finansal bir metriği tutturacağız; bu yılki amacımız bu” diye düşünüyorlar. Mutlu insanlar olmadan oraya ulaşabileceğinize inanmıyorum. Müşterilerinizden hayranlar yaratmadan oraya ulaşabileceğinize inanmıyorum. Evet, ekonomik başarı istiyorum; elbette istiyorum. Ancak insanlara ve güvenleriyle birlikte maddi kaynaklarını bize emanet eden müşterilere değer sunmaya odaklanalım.

Hannah Clark: Elbette empati bunun büyük bir parçası. Bugün üretken yapay zekâya ve bunun analitiği ürün ekipleri için nasıl daha erişilebilir hale getirebileceğine odaklanacağız.

Ancak bu tartışmanın özüne geçmeden önce, empatiyi ölçekli biçimde güçlendirmekten söz etmek istiyorum. Dikkate alınması gereken bu kadar çok kullanıcı varken analitiğin geniş bir kullanıcı tabanında empatiyi teşvik etmede nasıl bir rol oynadığını düşünüyorsunuz?

Mario Ciabarra: Sunduğunuz herhangi bir ürün ya da hizmetle ilgilenmeniz gereken kişi sayısı tek haneli olsaydı analitiğin yararlı olacağını düşünmüyorum.

Gidip o kişiye yardım edersiniz; sahip olduğunuz iki müşteriyle konuşursunuz. Bu iki kişi iki milyona dönüştüğünde, bir anda ampul yanar: İki milyon kişinin tamamıyla konuşamam. Müşteriyi anlamama yardımcı olacak analitiğe ihtiyacım var. Son zamanlarda üzerinde düşündüğüm yaklaşım, daha az soru sormak ve daha çok dinlemek.

Analitik de budur. Aslında verilerle dinlemekten söz ediyoruz. Geleneksel analitiği düşündüğümde ekrandaki bir grafik ya da çizelge aklıma geliyor. Evet, harika; grafiği gördüm. Ancak çoğu insan için bu genellikle empati uyandırır mı? Bu grafiği gerçek insanlarla ilişkilendirebildiğim zamanı düşünüyorum.

Benim için empati o zaman ortaya çıkıyor. Müşterilerimizin ve konuştuğum insanların, yani ekibimizin gözlerinde bunu gördüm. Mesele, çizelgeyi temsil ettiği kullanıcılarla ilişkilendirmek. Quantum’un temelini oluşturan şey de bu: Deneyimleri bilgilerle nasıl ilişkilendirir ve değişimi hayata geçirmek için empatiyi nasıl ortaya çıkarırım?

Hannah Clark: Evet. Bu alıntıyı da çok sevdim. Her şey dinlemekle ilgili. Bu gerçekten ilginç bir yaklaşım. Analitiği düşündüğümüzde empatiyi sık sık düşünmüyoruz; bu ikisi neredeyse birbirinin karşıtı gibi görünüyor. Oysa ekiplerimizin kullanıcıların bize ne anlatmaya çalıştığını anlamasını sağlıyorlar.

Bana üretken yapay zekâdan ve ürün analitiğini ekipler için daha erişilebilir hale getirerek ürünler üzerinde çalışan ekiplerin kullanıcıların ne söylemeye çalıştığını daha iyi anlamasını nasıl sağlayabileceğinden biraz bahsedin.

Mario Ciabarra: Quantum’daki bu yolculuğun ilk dönemlerinde büyük bir perakende şirketinin harika bir ürün lideriyle oturmuştum.

Son yedi-sekiz yıldır arkadaşlığımızı sürdürüyoruz. Farklı kuruluşlara geçti; ancak ekibiyle yaptığımız resmi toplantının ardından beni bir odaya götürdüğünde ve şu sözleri söylediğinde çok etkilenmiştim: “Mario, ürün yöneticilerinin veriyi yeterince kullanmadıkları için duydukları suçluluğu anlayamazsın.”

Bu sözler yedi yıldır aklımdan çıkmıyor. Verileri nasıl erişilebilir hale getiririz ki insanlar kullanmadıkları için suçluluk hissetmesin? Verileri tüketmek kolay olsun ve insanlar bu dinleme becerisini büyük miktarlardaki verilerde, ölçekli biçimde kullanarak hem işlerini ilerleten hem de müşteriye hizmet eden doğru kararları verebilsin.

Ancak bunun zor olduğunu söylemesinin nedeni de bu suçluluk hissi. Günlük işim var ve evet, veriyi kullanmak istiyorum; ancak çözmeye çalıştığım soruna ışık tutan doğru veriyi bulmak bunaltıcı görünüyor.

Veriyle nasıl etkileşim kuracağımı bilmiyorum. Veri, tüm bu farklı araçlarda 16 farklı konumda bulunuyor. Doğru soruyu hangi aracın yanıtlayacağını bilmiyorum. Açıkçası pes ediyorum. Sezgilerimle hareket edeceğim. Bitti. Biz de tüm bu verileri topluyor ve erişimi giderek kolaylaştırmaya çalışıyoruz.

Aslında şirketin başlangıçtaki temel fikri buydu. “Bunu basitleştiriyoruz. Analitiği basitleştiriyoruz” yazılı tişörtler yaptırmıştık. Her zaman bunu nasıl daha basit ve pazarlamacılardan ürün sahiplerine, mağazacılardan geliştirme ve operasyon ekiplerine, yöneticilerden analitik ekiplerine kadar farklı kitleler için nasıl daha erişilebilir hale getireceğimizi bulmaya çalışıyoruz.

Tüm bu ekiplerin müşterinin bakış açısından neler olduğunu ve bunu nasıl daha iyi hale getirebileceğimizi anlamak için bu bilgilere erişmesi gerekiyor. Üretken yapay zekâ bizim için burada devreye giriyor: Bu ekipler verileri anlamak için hangi görevleri gerçekleştirmeye çalışıyor? Örneğin birçok ürün lideri, bir kullanıcının tekrar oynatılan oturumlarını ve yolculuğunu izlemek için zaman harcadı.

“Vay, buna tıkladıklarını bilmiyordum. Önce oraya gidip sonra bunu yaptıklarını bilmiyordum.” Pek çok harika içgörü ortaya çıkıyor. Sorun, oturum tekrarlarını izlemenin çok yavaş ve zahmetli olması. İnsanlar “Evet, film gecemiz var; patlamış mısır alıp bir konferans salonunda insanların yolculuklarını bir saat izliyoruz” dediğinde hep gülüyorum.

Değerli olduğu için ilgi çekici, ancak zamanın iyi bir kullanımı değil. Üretken yapay zekânın tekrarları bizim için izlemesini sağlayabilsek ne olurdu? Ocak ayında ortaya çıkan fikir buydu; çünkü üretken yapay zekânın bir şeyleri özetleme konusunda gerçekten iyi olduğunu biliyoruz. Üretken yapay zekânın sihrini bir kullanıcının yolculuğunu özetlemeye yönlendirebilsek ne olurdu?

Bu yaklaşım 2024 boyunca işimizi hızlandırdı. 2024’ün şubat ayı sonunda veya mart ayı başında Felix AI adlı bu ürünü piyasaya sürdük. Her çeyrekte işimiz hızlanıyor; çünkü daha fazla ekibe kullanıcı için neyin işe yarayıp neyin yaramadığını anlama olanağı sunuyor ve bunu ölçekli biçimde yapıyor. Tek bir kullanıcıyı anlamak 20 dakika sürüyor ve iki milyon kullanıcınız varsa hesabı siz yapın.

Tek bir kullanıcıyı anlamak iki saniye sürerse bu mümkündür. Üretken yapay zekâyı bir segment oluşturmaya yardımcı olmak için de kullanabiliriz. “Tamam, bu kullanıcı zorlanmış. Bu zorluk tek bir kullanıcıyı mı yoksa on milyon kullanıcıyı mı temsil ediyor? Bunu benim için otomatik olarak belirle.” Böylece daha büyük bir insan grubunu dinlemeyi erişilebilir hale getiriyoruz.

Üretken yapay zekânın insanların daha iyi dinlemesini sağlayabilmesi bizi gerçekten heyecanlandırıyor.

Hannah Clark: Daha önceki görüşünüze katılıyorum; doğru soruları sorup doğru kaynaklara gidebilmek ve bu veri uzmanı olma konusunda büyük bir baskı var. Örneğin bir ürün yöneticisi platformu kullanırken verileri üretken yapay zekâyla ayrıştırma fikrini anlıyorum. Bunu ne kadar kolaylaştırdığımızı anlatır mısınız?

Belki olası bir senaryo üzerinden, bu verileri pratikte nasıl kullanabileceklerini ve platformdan nasıl yararlanabileceklerini adım adım açıklayabilirsiniz.

Mario Ciabarra: Yaptığımız işin değerini farklı kitlelerle ilişkilendirme becerisini çok net ortaya koyan, en sevdiğim hikâyelerden biri var.

Hepimizin ilişki kurabileceği bir örnek seçeyim. Hannah, bankanızı, telekomünikasyon şirketinizi, sağlık hizmeti sağlayıcınızı ya da hava yolunuzu en son ne zaman aradınız? Birlikte çalıştığınız bu sağlayıcılardan birini en son ne zaman aradığınızı düşünün. Muhtemelen önce kendi işinizi kendiniz halletmeye çalışmadan onları aramadınız, değil mi?

Uygulamalarındasınız, web sitelerindesiniz. Bir şey yapmaya çalışıyorsunuz. Çalışmıyor. İşte o zaman arıyorsunuz. “Bugün uyandım ve yapacağım ilk şey sağlık hizmeti sağlayıcımı aramak” demediniz. İşinizi kendiniz halletmek istediniz. Ancak bunu denemenin sonuna geldiğinizde ve işe yaramadığında aradınız; muhtemelen doğru kişiye ulaşmak için birkaç kez birden dokuza kadar tuşladığınız bir etkileşimli sesli yanıt sistemine düştünüz.

Karşıdaki kişi telefonu açıp “Merhaba Hannah, nasılsınız?” diyor. Siz de “Benim nasıl olduğumu anlatayım, değil mi? Yıllık sağlık sigortamı değiştirmeye ya da teminat bilgilerime bakmaya çalışıyorum ve işe yaramadı” diyorsunuz. “Bekleyin Hannah, sizi bir uzmana yönlendireyim.” Ardından başka biri “Merhaba Hannah, nasılsınız?” diyor. Bu konuşmayı şöyle değiştirebilsek harika olmaz mıydı: “Hannah’ın ne yaptığını biliyoruz. Bizi neden aradığını biliyoruz. Onu doğrudan uzmana yönlendireceğiz. Merhaba Hannah, uygulamada teminat bilgilerine baktığınız sırada bir hata aldığınızı görüyoruz. Bu hata için gerçekten üzgünüz. Size bu konuda ya da başka bir konuda yardımcı olabilir miyiz?”

Asıl anlatmaya çalıştığım şu: Tüm bu şirketler Hannah’ın web sitelerinde veya uygulamalarında ne yaptığını gösteren verileri topluyor. Ancak bu bilgileri çağrı merkezinde kullanıma sunamıyorlar. Bu, bu bilgilerden yararlanabilecek kitlelerden yalnızca biri.

Üretken yapay zekâ, Hannah’ın yolculuğunu iki saniyede özetlememizi sağladı. Geçmişte bu imkâna her zaman sahiptik; ancak gerçek zamanlı olarak kullanılabilir miydi? Quantum bunu gerçek zamanlı olarak yapabiliyordu. Fakat gerçek zamanlı erişim olsa bile “Hannah, son 30 dakikadır ne yaptığınızı izlememe izin verin, sonra size döneceğim” demek işe yaramaz. Hannah’a ne istediğini sormak ya da telefonda birden dokuza kadar tuşlamasını istemek daha kolaydır. Hannah’ın ne yaptığını özetleme becerisi ve üretken yapay zekânın bu özetleme işinde iyi olması, işimiz için dönüştürücü oldu.

Bu kullanım alanı, çağrı merkezi örneği, elbette ürün kitlemizle doğrudan ilgili değil. Ancak ürün yöneticisini düşünün. Bu kullanıcının neden dönüşüm gerçekleştirmediğini, neden kaydolmadığını, neden uçuş rezervasyonu yapmadığını, hizmetini ya da adresini neden doğru biçimde değiştirmediğini anlamaya çalıştığınızı düşünün.

Bu yolculuğun arkasındaki nedeni nasıl anlayabilirim? Bunun için çoğu zaman analitik, oturum tekrarları ve çeşitli araçlar kullanılıyor. Günlük dosyalarımız var. Bunu nasıl basitleştirebiliriz? Müşterinin yolculuğunu ürün sahibi için nasıl kolayca anlaşılır hale getirebiliriz? Quantum’un üretken yapay zekâyla yaptığı şey bu.

Bu anlayışı saniyelere indirmek istiyoruz. Ardından, bireyi anlamak önemli olsa da, bu deneyimin, bu sürtüşme noktasının ya da optimizasyon fırsatının küçük bir kullanım alanını mı yoksa büyük bir kullanım alanını mı temsil ettiğini de anlamak gerekiyor. Bu hafta ABD’deki büyük bir bankadaydım ve ekip üyelerinden birinin söylediği bir cümleyi duyduğumda yüzümde kulaktan kulağa bir gülümseme oluştu: “Bu, operasyonel ürün yöneticisi olmama yardımcı oluyor.” Bu terimi daha önce hiç duymamıştım, ancak bana çok anlamlı geldi. Ürün yöneticileri var ve bence ürün yöneticisi anlayışını operasyonel ürün yönetimine dönüştürmemiz gerekiyor.

Müşterim için neyin işe yarayıp neyin yaramadığını gerçek zamanlı olarak anlamak ve müşterilerimizi mutlu ettiğimizden emin olmak için gerçek zamanlı olarak nasıl yön değiştirebilirim? Pek çok ürün sahibi “Görevlerim ve sprint’lerim var. Gidip onları yapacağım. Odaklanacağım. İşim bitecek. Sürüm tamamlandığında işim de bitmiş olacak; sonraki sprint’e geçeceğim” diye düşünüyor. Bu bana çılgınca geliyor. Verileri kullanmalıyım. Doğru değişiklik üzerine bahis oynayıp oynamadığımı bilmeliyim. Değişikliğin, deneyin ya da yaptığım her neyse kullanıcılarım için öncelikli ve doğru olduğundan emin olmak için verileri kullanmalıyım.

Sonra bunu, ister deney ister tam sürüm olsun, yayımladığımda verileri doğru okuyarak doğru etkiyi yaratıp yaratmadığını anlamalıyım. Sonraki sprint’e geçmeyin. İyi ya da kötü kararlar verdiğimi pekiştirmek ve düşünme biçimimi değiştirmem gerekip gerekmediğini anlamak için verileri kullandığımdan emin olun.

Çünkü bu, beklediğim gibi sonucu değiştirmiyor olabilir ya da değiştiriyor olabilir. Ayrıca bunu liderliğime de göstermek istiyorum. Kaynaklarımızı iyi kullanıyorum. Müşteri deneyimini etkiliyorum. Belki bu yıl terfi, zam ya da prim hak ediyorum. Veriler iyi ya da kötü kararlar verip vermediğimi doğrulamama yardımcı olabilir.

Bence operasyonel ürün yöneticisi budur.

Hannah Clark: Şu anda ürün yöneticileri üzerinde verileri kullanarak çok sağlam kararlar alma konusunda büyük bir baskı var; ancak kendileri veri bilimci değil. Yanlış varsayımlarda bulunmak ya da verileri bizi yanlış yönlendirecek biçimde yorumlamak ve ardından hatalı çıkarımlara ulaşmak çok kolay.

Üretken yapay zekâyı bir tür aracı olarak kullanıp onunla daha konuşma odaklı biçimde iletişim kurarsanız bu varsayımların bir kısmını azaltırsınız gibi geliyor. Doğru mu? Yoksa bu aracı kullanarak sağlam kararlar verdiğimizden emin olmak için yine de önlem almamız gerekiyor mu?

Mario Ciabarra: Bunun üretken yapay zekâ kullanıp kullanmamakla ilgili olduğunu düşünmüyorum; ancak üretken yapay zekâ kısmına değineceğim. Asıl mesele hangi veri kaynağını kullandığımız. Topladığımız verilerde sevdiğim şey, inkâr edilemez bir gerçeği göstermesi. Müşterinin hizmetini ya da telekomünikasyon sağlayıcısını değiştirmeye veya uçuş rezervasyonu yapmaya çalıştığını ve bunun işe yaramadığını gördüğünüzde gözlerinizi kaçırmanız mümkün değil.

Her ekip üyesinin erişebileceği çok fazla veri kaynağı var; ancak ürün yöneticilerini ele alalım. “Mario, kararımın doğru olduğunu göster” derseniz kuruluşta beni haklı çıkaran bir veri kaynağı bulabilirim. Bu arada bu korkunç bir yaklaşım, sakın yapmayın.

Ancak yaşadığımız sorunlardan biri bu: Herkes doğrulama yanlılığını destekleyen veriler bulabilir. “Doğru şeyi yapıyorum.” Bu nedenle daha önce sözünü ettiğim operasyonel ürün yöneticisinin, kararlarının doğru olduğunu doğrulamak için iş verilerini kullanmasından bahsediyordum. Sürümü yayımladıklarında ve bu sürüm iş metriklerini değiştirdiğinde, harika.

Bence mesele, bu doğrulama için hangi veriyi kullandığım. Odaklandığımız şey, her şeyin müşterinin bakış açısından nasıl göründüğü. Günlük dosyalarını ya da arka uç sunucu performansını önemsemiyor değilim; elbette önemsiyorum. Ancak bunları yalnızca önemsemem gerektiğinde önemsemek istiyorum. Ürün yöneticileri, yöneticiler ve işletme sahipleri olarak işe “API daha hızlı” diye başlamamız gerektiğini düşünmüyorum. Harika; herkes bu yıl prim alacak. Kimin umurunda? Umurumda değil demiyorum. Öncelik bu mu olmalı?

Bir müşteri CEO’ya “B denemesindeyim, C kampanyasındayım ve bu API bozuk” diye şikâyet etmek için aramaz, anket doldurmaz, tweet atmaz ya da e-posta göndermez. İnsanlar böyle konuşmaz. “Web siteniz berbat, uygulamanız berbat ve hayal kırıklığına uğradım” derler.

Ürün kuruluşunun müşterinin bakış açısından düşünmesini nasıl sağlayabiliriz? Sorunuzun anahtarı bu. Evet, üretken yapay zekâyı ekleyerek verilerin anlaşılmasını daha erişilebilir ve kolay hale getirmek istiyorum. Kuruluşların müşterinin bakış açısına erişip erişememesi asıl sorun değil. Bunu yapmanın birçok yolu var. Mesele, doğru ve sağlam kararlar vermek için bu bilgiyi nasıl yorumladıkları; “Bu günlük dosyası bunu, bu API de şunu söylüyor” deyip yanlış veriye dayanarak saatlerce uğraşmamaları.

Bence asıl mesele, olaya müşterinin bakış açısından bakıp bakmadığınız. Bir işletme yalnızca müşteriye odaklanarak yönetilmelidir. Önce müşteri. Sonra “Müşteri burada hayal kırıklığına uğramış. Vay, bunu bir API’ye ya da bu kod satırını izleyen günlük dosyalarına kadar takip ettim. Enerjimizi ve çabamızı buraya yöneltelim” dersiniz. Ancak bazen kullanıcının bu düğmeye tıklaması gerektiği açık değildir, düğme ekranın alt kısmında kalmıştır ve kullanıcı onu asla görmeyecektir. Kullanıcının bakış açısından, günlük dosyalarında ve API’lerde gözden kaçan pek çok unsur vardır.

Veri kaynağı esas olarak müşteriyi dinlemek olmalıdır; mutlaka müşteriye sormak değil. Benim aklımda anket, müşterinin mutlu olup olmadığını sormakla ilişkilidir. Anketlerin değerli olduğunu düşünüyorum ve diğer tekniklerin hiçbirini göz ardı etmiyorum; ancak doğru zamanda kullanılmaları gerekir. Bence asıl mesele önce müşterinin bakış açısından bakmak ya da dinlemektir.

Hannah Clark: Geçmişte kuruluşlar içinde veriyi demokratikleştirmeyi savundunuz. Öncelikle bunun sizin için ne anlama geldiğini ve şirketlerin departmanlar arasında veriyi daha erişilebilir hale getirmeye çalışırken ne gibi zorluklarla karşılaştığını öğrenmek istiyorum.

Mario Ciabarra: Veri tüketiminin 2000 yılına kadar bir evrim geçirdiğini gördük. Bazı dinleyiciler “İnsanlar 2000’den önce de veri kullanıyordu” diyebilir; ancak benim için dijital dünya veri kullanımıyla hayat buldu. İlk akla gelen örneklerden biri, eski kullanıcılar için web trendleri. 1995 civarında günlük dosyalarından analitik veriler almak için web trendlerini kullandığımı hatırlıyorum.

Sonra Omniture ve Google Analytics’in öncül adı olan Urchin gibi şirketlere geçtik. Pikseller toplamaya, yolculukları ve deneyimleri bu şekilde anlamaya başladık. Böylece dijital dünyanın anlaşılması pazarlama analitiğiyle başladı. Ardından uygulama performansı izleme dünyasının ortaya çıkışını ve geliştirme ve operasyon analitiğinin hayat bulmasını gördük.

Son beş ila on yılda da ürün analitiğinin bir kategori olarak ortaya çıktığını gördük. Bugün geriye çekilip müşterimizi dinlediğimde, tüm bu farklı noktasal çözümlerin veya yalıtılmış analitik sistemlerin birleştiğini görüyorum. Soru şu: Bu veriyi kuruluş genelinde nasıl demokratikleştirerek “neden”i anlayabiliriz?

Herhangi bir sistemde “ne”yi anlamak kolaydı. Örneğin “Satış hunisinin üçüncü aşamasında kayıp var ve perakende web sitemizde yalnızca yüzde 2 dönüşüm oranına sahibiz” demek. Bence her sistem bunu oldukça iyi yaptı. Ancak insanların üçüncü adımda neden ayrıldığını anlamak, ürün sahibi, geliştirme ve operasyon sahibi, mağazacı ve pazarlamacı için farklıdır. Veriler bu kullanım alanları arasında çok benzer olduğundan, tüm bu noktasal çözümlere sahip olmak mantıklı değil.

Bu nedenle hedefimiz, verileri anlamayı farklı kişiliklere nasıl tüketilebilir hale getireceğimiz. Bu yolculuk herkes için farklı görünecek. Örneğin bir kullanıcı deneyimi tasarımcısı genellikle zamanını analitik araçlarında geçirmez. Ancak analitik verileri onların rahat ettiği biçimde, örneğin doğrudan ekranın üzerine yerleştirdiğimizde, insanların neye tıkladığını ve bunun başarıya ulaşıp ulaşmadığını görebiliriz.

Perakende ya da satın alma örneğini ele alalım: İçerik, yerleşim ve ürünlerin ulaşmaya çalıştığımız finansal hedeflerle bağlantısını kurmaya başlarız. Sonuçta müşteriler web sitenize yalnızca içeriklere göz atmak ve onları okumak için gelmedi. Genellikle “Aradığım ürüne ve doğru fiyat noktasına sahipseniz satın alacağım” demek için geldiler. Bu tüketicinin işini nasıl kolaylaştırabiliriz?

Bu veriyi kullanıcı deneyimi tasarımcısı için tüketilebilir hale getirmek, verileri bulunduğu web sitesinin üzerine yerleştirmek anlamına geliyor. Uygulama performansı izleme uzmanı için bu, sayfanın yeterince hızlı yüklenip yüklenmediği ve herhangi bir API hatası bulunup bulunmadığı olabilir. Ürün sahibi için “Hangi deneyime dahiller ve hangi adımda sorun çıktı?” sorusunun yanıtı olabilir. Farklı kişiliklerin hangi soruları sorduğunu ve bu bilgileri sunmanın doğru biçimlerini düşünmek gerekiyor.

Veriyi demokratikleştirmek benim için budur. Aynı temel veri katmanını farklı kişiliklerin tüketebileceği hale getirmek. Böylece kuruluşumuzun sürdürmek zorunda olduğu 16 noktasal çözüm bulunmaz. Bu kuruluşlara gittiğimde insanların çoğu zaman “Senin verin benimkinden farklı. Bende yüzde 2,3 var, sende yüzde 2,4 var. Burada bir sorun var” gibi son derece önemsiz şeyler üzerine tartıştığını görüyorum.

Saatlerini ve günlerini bu farkı daraltmaya çalışarak geçiriyorlar. Oysa tek bir sistemimiz olsa ve tanımlarımızda uzlaşsak yeterdi. Bir oturum ya da kullanıcı tanımımız değişebilir; yüzde 2,3 veya yüzde 2,4 asıl tartışma noktası değil. Nerede zorlanıyorlar? Deneyimi nerede optimize edebiliriz? Daha az tıklamayla ve daha az sürtüşme noktasıyla ödeme aşamasına daha hızlı nasıl ulaştırabiliriz? Deneyimi nasıl daha iyi hale getirebiliriz?

Üretken yapay zekâ bu süreci kolaylaştırabilir. Felix AI ile kullanıcı niyetini özetleyebildiğimizi fark ettiğimizde bunu farklı kitlelere göre şekillendirebileceğimizi gördük. Bir kişi hızlı bir özet isteyebilir. Çağrı merkezi çalışanı tüm ayrıntıları bilmek istemez; müşteriyle nasıl verimli etkileşim kuracağını bilmek ister. Ürün sahibi hangi deneyde olduklarını, hangi adımlardan geçtiklerini ve hangi özelliklerle etkileşim kurduklarını bilmek isteyebilir.

Geliştirme ve operasyon çalışanı hangi sayfaların yavaş ya da hızlı yüklendiğini bilmek isteyebilir. Üretken yapay zekânın yanıtını o kitleye göre şekillendirebiliriz. Bu, müşteri tabanımız için dönüştürücü oldu; çünkü istedikleri bilgiye doğru kişilik için erişmeyi kolaylaştırıyor.

Hannah Clark: Birbirinden oldukça farklı birkaç konuya daha değineceğiz. Bu yüzden biraz hızlı ilerleyeceğim.

Veri temizliği. Bundan bahsedelim. Pek çok şirket veri temizliğiyle mücadele ediyor. Üretken yapay zekâ kuruluşlarda sıkça gördüğümüz sorunların bazılarını azaltmaya nasıl yardımcı oluyor?

Mario Ciabarra: Hannah, yüzümde kulaktan kulağa bir gülümseme oluştuğunu söyleyeyim; çünkü bu, 2015’ten beri kalbime yakın bir proje.

İlk açıklayıcı videomuzu oluşturduğumuzda bu konudan söz etmiştik. Videoda bunu yapacağımızı söyledik. Bunu yapmanın bir yolunu bulamamıştım. Şimdi üretken yapay zekâ devreye giriyor. Bu çeyreğin sonunda, yani önümüzdeki birkaç hafta içinde, işletmemiz için karar vermemiz gereken verileri gerçekten bulan bir ürün yayımlıyoruz.

Son birkaç haftadır seyahat ediyorum ve konuştuğum her müşteriye ve potansiyel müşteriye çok basit bir soru soruyorum: Verileriniz ne sıklıkla doğru? Ne sıklıkla yanlış? Hepsinin haftalık olarak eksik verilerle karar vermek zorunda kaldığını duymak sizi şaşırtabilir.

Doğru veriye sahip olmadan karar vermek ne kadar zor? Her zaman doğru veriye sahip olmanın değeri nedir? Pazarlamada ve pazarda, otomatik yakalama, otomatik etiketleme ve benzeri konularda bazı karışıklıklar yaşandı. Ancak işletmemizi yönetmek için doğru bilgileri çıkarma noktasına henüz ulaşamadık. İnsanların doğru bilgiye sahip olmadığını görmeye devam ediyorum.

Ürün sahiplerinden tekrar tekrar duyduğum şey şu: “Bir sprint içindeyiz. Analitik zaman çizelgemizde yer alıyor. Sprint’in son bölümünde ortaya çıkan bir sürü hata var. Ya doğru verileri etiketleyip analitik bilgilerimi alabilirim ya da hataları düzeltebilirim.” Hangisini seçtiklerini biliyorsunuz.

Böylece yayımladıkları yeni özelliklerin başarılı olup olmadığını anlamak için gereken analitik veriye sahip olmadan üretime geçiyorlar. Bu ne kadar çılgınca? Üretken yapay zekâyla bunu otomatikleştirebilsek ne olurdu? Üretken yapay zekâya “Bu bilgilere ihtiyacım var; nerede olduklarını bana tek tek söylemek zorunda kalmadan A, B ve C deneylerinde bul” diyebilsek ne olurdu?

Mühendislerimin bunu etiketlemesine gerek kalmazdı. Web sitesi ve uygulama kullanıcılarımızla etkileşimlerimizden doğru bilgileri çıkarabilirdik. Bu ürünü tanıttığımızda insanların yüzündeki ifadeyi görmelisiniz. Bir sektör analistiyle konuşuyordum. “Buna ilişkin düşüncenizi 1 ile 10 arasında puanlamanızı istiyorum” dedim. Ürünü çalışırken gösterdim. “10 artı. Bu harika” dedi.

Hannah Clark: Evet. İnsanların gözlerini biraz yaşartacak kadar etkileyici.

Mario Ciabarra: Kuruluşların gerçek zamanlı kararlar verebilmek için doğru verilere sahip olmasını nasıl güçlendireceğimiz ve 2025’teki başarı konusunda heyecanlıyım.

Hannah Clark: Bu gerçekten heyecan verici. Şimdiden tebrik ederim.

Tamam, 2025’ten söz etmişken gelecekten bahsedelim. Önümüzdeki birkaç yıl içinde ürün analitiğinin müşteri ya da deneyim analitiğine dönüşeceğini öngördünüz. Bu dönüşümü hangi eğilimlerin veya yeniliklerin yönlendireceğini düşünüyorsunuz?

Mario Ciabarra: Müşteriyi anlamak ve müşteriyi dinlemek, dijital analitikten daha fazlasıdır.

Kuruluşlarda zaten toplanmış olan ve yararlanabileceğimiz çok miktarda bilgi var; yalnızca bunlar bir araya getirilmiyor. Bir örnek vereyim. Quantum’da bugün anket verilerini alıyoruz; büyük anket sağlayıcılarıyla bütünleşiyoruz. Bazen sormak zorunda kalmadan, verileri dinlemek için kullanmak ve sürtüşme noktalarının nerede olduğunu anlamak istiyoruz.

Bazen yalnızca “Hannah, mutlu musun, değil misin?” diye sormak olağanüstü sonuçlar veriyor. Hannah’ın deneyimini başarılı biçimde anlamak için verileri kullandık mı? Bu, topladığımız verilerle örtüştüğünde harika. Örtüşmediğinde ise bir şeyleri kaçırdığımızı anlıyor ve Hannah’ın deneyiminin gerçekten anlamadığımız bölümünü bulabiliyoruz.

Ancak anketlerden daha fazlası var. Hannah bir değerlendirme yazdığında ne olacak? Ona bunu biz sormadık. Kendisi “Bu ürünü seviyorum” ya da “Bu üründen gerçekten memnun değilim” dedi. Örnek olarak bir telekomünikasyon şirketini ele alalım. Hannah’ın bu ay üç telefon görüşmesi kesildiğinde gelecek ay o telekomünikasyon şirketindeki aboneliğini yenileyeceğini düşünüyor musunuz?

Belki bunun dışında başka şeylerin de gerçekleşmesi gerekir. Belki yeni bir iPhone sipariş etti ve telefon hiç ulaşmadı. Ekip üyelerimden biri bu yıl bir telekomünikasyon şirketinden yeni bir iPhone sipariş etti ama telefon hiç gelmedi. Sizce bu kişi hâlâ o şirketle aboneliğini yenilemek ve çalışmaya devam etmek ister mi?

Hem çevrimdışı hem de çevrimiçi deneyimlerimizi bir araya getirerek 360 derecelik bir bakış açısıyla anlayabileceğimiz çok sayıda veri parçası var. Quantum’un on yılı boyunca temelde yapmaya çalıştığımız şey müşterileri dinlemekti. Bugün daha mı mutlular, daha mı mutsuzlar? Daha mı sadıklar, daha mı az sadıklar? Bu kesinlikle anketlerden ibaret değil. Kesinlikle dijital deneyimlerden de ibaret değil.

Tüm bu bilgileri nasıl bir araya getirerek yöneticilerin, ürün sahiplerinin, geliştirme ve operasyon ekiplerinin ve diğer tüm ekiplerin müşteri, abone ya da sahip olduğumuz herhangi bir kitlenin önem verdiği noktaları anlamasını ve deneyimi onlar için daha iyi hale getirmesini sağlayabiliriz?

Önemli anlara nasıl odaklanabiliriz?

Hannah Clark: Tüm bunlar son derece ilginçti. Üretken yapay zekânın analitik alanını tamamen değiştireceğini ve ister veriye çok odaklanan bir ürün yöneticisi olun ister daha çok sosyal becerilere sahip bir ürün yöneticisi olun, analitiği herkes için çok daha kolay ve erişilebilir hale getireceğini duymak oldukça heyecan verici. Konuşacak çok heyecan verici şey var.

Bize katıldığınız için teşekkür ederim Mario. Dinleyicilerimiz çalışmalarınızı çevrim içi olarak nereden takip edebilir?

Mario Ciabarra: Beni LinkedIn’de takip edebilirsiniz. Çalışmalarım ve şirketimiz için quantummetric.com adresini ziyaret edebilirsiniz. Müşterilerimizin başarı öykülerini, yaklaşan gelişmeleri ve yayımlanan içerikleri paylaştığımız çok sayıda içeriğimiz var.

quantummetric.com’a katılın, Quantum Metric’i LinkedIn’de takip edin ve Hannah ile benim burada gerçekleştireceğimiz gelecek podcast’lerden bazılarını dinleyin.

Hannah Clark: Harika. Katıldığınız için çok teşekkür ederim.

Mario Ciabarra: Teşekkür ederim Hannah.

Hannah Clark: Bizi dinlediğiniz için teşekkürler. Daha fazla harika içgörü, nasıl yapılır rehberi ve araç incelemesi için theproductmanager.com/subscribe adresinden bültenimize abone olun. Bunun gibi daha fazla konuşmayı, podcast’lerinizi dinlediğiniz her yerde The CPO Club’a abone olarak dinleyebilirsiniz.