Kullanıcı Deneyimi İçin Öngörücü Analitik: Eksiksiz Rehber & Araçlar

Oyundaki en iyi öngörücü analitiklere sahip olsak bile geleceği %100 doğrulukla göremeyiz. Ancak buna rağmen ve neyse ki insanlar öngörülebilir canlılardır. Bu da kullanıcılarınızın geçmiş davranışlarını kullanarak bundan sonra ne yapacaklarına dair oldukça doğru bir anlayış elde edebileceğiniz anlamına gelir.

Ürün yönetimi ve veri analitiğinde bu sürece “öngörücü veri analitiği” diyoruz ve harika bir UX'e sahip ürünler geliştirmek için en değerli araçlardan biri olarak kabul ediyoruz.

Öyleyse öngörücü analitiği ve UX'inizi optimize etmek için bundan nasıl yararlanabileceğinizi inceleyelim.

Öngörücü Analitik Nedir?

Öngörücü Analitik, gelecekte kullanıcılarınızın gerçekleştireceği eylemleri ve ürününüzün nasıl performans göstereceğini tahmin etmek (buradaki “öngörücü” kısmı da buradan gelir) için elinizdeki ürün ve kullanıcı verilerini analiz etmeye yönelik gelişmiş bir veri bilimi yaklaşımıdır.

Temelde bu yaklaşım, belirli davranış kalıplarını bulmak için verilerinize istatistiksel modeller, özel araçlar ve makine öğrenimi algoritmaları yardımıyla bakmayı içerir. Bu kalıpların gelecekte de büyük ölçüde sabit kalacağını varsayarak verilerinizi bu kalıplara dayanarak dışa vurabilir ve gelecekteki kullanıma dair bilinçli tahminlerde bulunabilirsiniz.

Uyarı: Bunların tümü oldukça üst düzey bilgiler, ancak burada değerli bir beceri setinin temellerine değiniyoruz. Daha derinlemesine bilgi edinmek için ürün analitiği kursları listemize göz atmanızı ve her yıl veya iki yılda bir tanesini tamamlamanızı öneririm.

Öngörücü analitiğin faydaları şunlardır:

• Daha kaliteli karar alma: Sırada ne olduğuna dair net bir görüşe sahip olduğunuzda, başarıya götürme olasılığı daha yüksek kararlar alabilirsiniz.
• Daha iyi verimlilik: Tahminler, her şeyi olduğu gibi bırakmanız hâlinde gelecekte karşılaşacağınız olası verimlilik sorunlarını görmenizi de sağlar. Böylece verimliliğinizi önceden artırma fırsatı elde edersiniz. Bu, maliyetleri ve fiyatları düşürmenize ve diğerlerine karşı büyük bir rekabet avantajı kazanmanıza yardımcı olabilir.
• Daha iyi risk yönetimi: Bazı öngörücü analitik türleri, yaklaşan ticari/hukuki/finansal riskleri görmenize yardımcı olur. Bu riskleri gerçekleşmeden önce önleyebilirsiniz.
• Daha iyi kullanıcı kişiselleştirmesi: Kişiselleştirilmiş özellikler ve içerikler, UX'in zirvesidir. Öngörücü analitik sayesinde kullanıcılarınızı, ihtiyaçlarına en uygun öneriler ve deneyimlerle memnun edebilirsiniz.

Kulağa harika geliyor, değil mi?

Evet, ancak bir koşul var. Gelecekteki sonuçlara ilişkin %100 isabetli bir tahminde bulunmak imkânsızdır. Ne de olsa bir fantezi RPG oyunundaki falcılar değiliz.

Elde edeceğiniz herhangi bir tahmin, en iyi ihtimalle %70-80 oranında isabetli olacaktır. Bu nedenle sonuçlarınıza dayanarak önemli kararlar alırken lütfen bunu aklınızda bulundurun.

Tanınmış Ürünlerde Öngörücü Analitik Örnekleri

Ancak mutlak doğruluğun olmaması, bu öngörücü çıkarımlardan yararlanamayacağınız anlamına gelmez. Aslında öngörücü analitik, piyasadaki en ünlü ürün başarılarından bazılarının arkasındaki etkendir.

Ne demek istediğimi kanıtlamak için büyük teknoloji şirketlerinden üç başarı öyküsünü burada bulabilirsiniz.

Örnek 1: Netflix'in Ünlü Öneri Motoru

İnsanların Netflix'i sevmesinin başlıca nedenlerinden biri, harika diziler önerebilmesidir. Aslında öneri motoru, Netflix'in başarısının ardındaki iki temel nedenden biridir (diğeri ise harika içerik sunma mimarisidir).

Netflix, her kullanıcının tercihlerini anlamak ve muhtemelen hoşlanacağı dizileri önermek için yapay zekâ ve istatistiksel teknikler kullanır.

Temelde yaptıkları şey, geçmişte izlediğiniz dizilere, bunları atlayıp atlamadığınıza veya sonuna kadar izleyip izlemediğinize ve bölgenizdeki genel ilgi alanlarınıza bakarak hoşlanabileceğiniz dizi kategorilerini ve türlerini tahmin etmektir.

Hatta ilgi alanlarınıza göre size kişiselleştirilmiş bir küçük resim bile sunarlar.

Netflix, belirli bir oyuncunun yer aldığı çok sayıda film/dizi izlediğinizi görürse, o oyuncunun ön planda olduğu bir küçük resim sürümünü size sunar. (Bunu bilmiyorsanız bile artık fark etmeden duramayacaksınız!)

Amazon'un Öngörülü Sevkiyatı

Öngörücü analitikle verimliliği nasıl artırabileceğinizden bahsettiğimi hatırlıyor musunuz? Amazon'un öngörülü gönderim süreciyle yaptığı tam olarak budur.

İnsanların satın alma davranışlarının oldukça öngörülebilir olduğu ortaya çıkıyor. Belirli ürünleri düzenli aralıklarla (ör. her ay çamaşır deterjanı) veya belirli mevsimsel dönemlerde (Noel süsleri vb.) satın alma eğilimindeyiz. Amazon için şanslı bir durum; tüm bu verilere sahipler ve bunlar üzerinde öngörücü analitik çalıştırabiliyorlar.

İstatistiksel modellerinin yardımıyla doğru ürün türlerini (ve doğru miktarı) depolarına önceden gönderebiliyorlar. Bu, son tüketicilere gönderim süresini önemli ölçüde azaltmalarını ve daha fazla talep gören başka bir depoya geri göndermeleri gereken ürün miktarını düşürmelerini sağlıyor.

Sürecin patent belgelerinde nasıl göründüğünü aşağıda görebilirsiniz.

Bu özel diyagramda Amazon, ürünün teslimat adresinin gerçek zamanlı olarak değiştirilmesi sürecini gösteriyor.

Google Haritalar'ın Trafik Tahminleri

Google Haritalar'daki trafik özelliğini çok seviyorum. İnanılmaz derecede doğru ve hızlı.

Peki bu doğruluk düzeyine nasıl ulaştıklarını biliyor musunuz? Doğru—öngörücü analitik!

Google, herhangi bir şehirde gerçekleşen neredeyse her şey hakkında verilere sahip. Direksiyon başındaki insanların büyük çoğunluğu Android veya konum hizmeti açık olan başka bir Google hizmeti tarafından desteklenen bir cihaz kullanıyor. Dolayısıyla yavaş hareket eden bir grup akıllı telefon görürlerse bunu trafik sıkışıklığı olarak etiketliyorlar.

Ancak Google, trafik tahmini söz konusu olduğunda çok daha akıllı çözümler de sunabiliyor. Hemen hemen her şehirde gerçekleşen önemli etkinlikler hakkında verilere sahip oldukları için (ör. büyük bir spor karşılaşması), sürücü güzergâhlarını planlarken bunu da dikkate alıyorlar. Örneğin, şehir genelinde 1 saatlik bir yolculuk yapacaksanız ve kısa süre içinde bir maç başlayacaksa Google'ın algoritması, o bölgeye vardığınızda spor taraftarlarıyla dolması muhtemel ana yollardan sizi uzak tutacaktır.

Şimdiye kadar öngörücü analitiği şirketlerin elindeki genel bir araç olarak ele aldık. Ancak bugünün ana konusu, bu büyüleyici tekniği kullanıcı deneyiminizi geliştirmek için uygulamak. Bu nedenle, öngörücü analitikle kullanıcı deneyimi araştırmanızı nasıl tamamen yeni bir seviyeye taşıyabileceğinizi açıklamaya geçeyim.

Kullanıcı Deneyimi Araştırması İçin Öngörücü Veri Analitiği Teknikleri

Günlük sorunları çözmek için uygulayabileceğiniz farklı teknikler söz konusu olduğunda öngörücü analitik alanı oldukça geniştir. Ancak bugün, kullanıcı deneyimi araştırmasına iyi uygulanabilecek üç tekniğe odaklanmamızı istiyorum—regresyon analizi, karar ağaçları ve zaman serisi analizi.

Regresyon

İşletme veya matematik geçmişiniz varsa bu terim size tanıdık gelebilir. Evet, verilerinizdeki örüntüleri tanıyabilen klasik istatistiksel regresyon modelinden bahsediyoruz.

Daha pratik açıdan regresyon (daha özel olarak doğrusal regresyon), analiz ettiğiniz kullanıcı etkinliğinin artıp artmadığını veya azalıp azalmadığını gösteren grafik üzerindeki çizgi, yani eğilim çizginizdir.

Eğilim çizgileri, UX ekibimle birlikte Amplitude grafiklerimizde sürekli kullandığımız bir şeydir; çünkü karmaşık verileri görünür eğilimlere dönüştürmemize ve UX değişikliklerimizin olumlu sonuçlar verip vermediğini görmemize yardımcı olurlar.

İşte bir regresyon örneği:

Üç ay önce UX ekibiyle kayıt olma akışımızı sadeleştirdik ve o zamandan beri kayıt sayısının artıp artmadığını görmek istiyoruz.

Bu, son 90 güne ait bir kullanıcı kayıt grafiği; büyüyüp büyümediğini söyleyebilir misiniz?

Elbette söyleyemezsiniz; grafik fazlasıyla karmaşık.

Ancak kenar çubuğundan grafik ölçüm türünü bir formülle değiştireyim.

Ve bir eğilim çizgisi ekleyelim.

Şimdi kayıt grafiği şöyle görünüyor.

Eğilim çizgisi eklendiğinde değişikliklerimizin edinimimiz üzerinde olumlu bir etkisi olduğunu görebiliyoruz. Ancak bu değişiklik istatistiksel olarak anlamlı olamayacak kadar küçük; bu nedenle UX değişikliklerimizin gerçek bir fark yaratmadığını savunurdum.

Karar Ağaçları

Karar ağaçları, verilerinizi analiz etmek ve bunlardan yararlı sonuçlar çıkarmak için kullanılan en popüler yapay zekâ modeli yapıları arasındadır.

Bu durumda bir sinir ağı, orijinal veri kümenizi alır ve belirli koşullara göre alt gruplara ayırmaya başlar; ardından bu alt grupları başka gruplara böler ve bu şekilde devam eder. Sonuç olarak, ters çevrilmiş bir ağaca benzeyen bir yapı elde edersiniz.

Bu ağacı oluşturduktan sonra algoritma, sahip olduğunuz verilere dayanarak size bir yanıt verir. Yukarıdaki örnekte karar ağacı, okula otobüsle mi gitmeniz yoksa yürümeniz mi gerektiğini söyler.

Şimdi bu modellerle kullanıcı deneyimi sorunlarını nasıl çözebileceğimize bakalım. E-ticaret mağazanızdaki sepet terk etme oranını azaltmaya çalıştığınızı düşünün. Karar ağacı algoritmasını kullanıcı verileriniz üzerinde çalıştırdığınızda aşağıdaki sonucu elde edersiniz.

Yukarıdaki karar ağacına baktığımızda, terk etme oranını etkileyen temel faktörleri anlayabiliriz. Bu durumda şu özellikleri/kullanıcı deneyimi unsurlarını eklememiz gerekir:

• Sepetleri büyümeden önce insanları ödeme yapmaya teşvik etmek.
• Kargo ücretlerinin her tür cihazda görünür ve kolayca fark edilebilir olmasını sağlamak.
• İnsanları giriş yapmaya teşvik etmek.
• Sayfalarımızı hızlandırmak.

Daha sonra, bu faktörlerden hangisinin terk etme oranını en çok etkileyeceğini görmek ve bu çözümlere öncelik vermemize yardımcı olmak için tahmine dayalı analitik araçlarını kullanmaya devam edebiliriz.

Zaman Serisi Analizi

Zaman Serisi Analizi, modelleme tekniklerinin daha gelişmiş bir bütünüdür. Adından da anlaşılacağı üzere bu analiz türü, belirli veri türleri üzerinde (özellikle zamana bağlı geçmiş veriler üzerinde) gerçekleştirilir.

Zaman serisi analizini kullanıcı deneyimi sürecinize dâhil etmenin en iyi yollarından biri, temel kullanıcı deneyimi metriklerinizi (ör. etkileşim, kayıp, elde tutma vb.) geçmiş verilerdeki kullanıcı davranışlarına dayanarak tahmin etmek ve gelecekte iyileşme gösterip göstermeyeceklerini görmektir. Tahminler metriklerinizde bir düşüş gösteriyorsa bunu bir şeylerin yanlış olduğuna ve sorunu düzeltmeniz gerektiğine dair bir işaret olarak değerlendirebilirsiniz.

Bir sonraki bölümde bu metodolojiyi kullanan Amplitude'un Tahmin özelliğini inceleyeceğimiz için, burada zaman serisi analizinin nasıl yapılacağına fazla ayrıntılı biçimde girmeyeceğim.

Tahmine Dayalı Analiz için En İyi Makine Öğrenimi Modelleri ve Hizmetleri

Tahmine dayalı analitikle elde ettiğiniz tüm avantajların yanı sıra önemli bir dezavantaj da vardır: Bunları manuel olarak yapmak son derece zordur. Neyse ki internet, tek bir düğmeye tıklayarak bu analitik modelleri sizin için çalıştırabilecek çeşitli araştırma araçları ve çözümlerle doludur.

Öyleyse, kullanıcı deneyiminizin geleceğini tahmin etmek için farklı türdeki araçlardan nasıl yararlanabileceğinize bakalım.

Ürün Analitiği Araçlarını Kullanma

Tahmine dayalı analitik yapmanın en hızlı ve kolay yolu, elinizde bulunan görece gelişmiş ürün analitiği araçlarını kullanmaktır. Olağan görevler için genellikle Amplitude kullanılır. Veri madenciliği içeren daha gelişmiş iş akışları için Domo veya Tableau gibi gelişmiş tahmine dayalı analitik araçlarını değerlendirebilirsiniz.

Şu anda bu tür kullanım alanları için her gün kullandığım araç Amplitude. Bu nedenle, ürününüzün geleceğini tahmin etmek için özelliklerinden bazılarını nasıl kullanabileceğinizi göstereyim.

Tahmine Dayalı Kohortlar

Amplitude'da bu konuda size yardımcı olabilecek ilk özelliğin adı “Tahmine Dayalı Kohortlar”dır.

Amplitude, belirli eylemleri gerçekleştirme veya belirli bir şekilde davranma olasılıklarına göre kullanıcı kohortları oluşturmak için tahmin yapay zekâsı modellerini kullanır.

Daha sonra analizinizde bu kohortları kullanarak grafikler oluşturabilir ve kohortunuzdaki kişilerin davranışlarını diğer kişilerinkiyle karşılaştırabilirsiniz. Ayrıca, yaptığınız kullanıcı deneyimi değişikliklerinin davranışlarını etkileyip etkilemediğini görmek için bu kohortlara dayalı A/B testleri de çalıştırabilirsiniz.

Amplitude'da Tahmine Dayalı Kohort Oluşturma

1. Öncelikle Amplitude'da kohortlar bölümünü açın ve “Bir Kohort Tahmin Et” seçeneğine tıklayın.

2. Ardından, ilgilendiğiniz davranışı tanımlamaya başlayabilirsiniz.

Bu durumda, 25 $ veya daha fazla değerinde şarkı ve video satın alma olasılığı en yüksek kişileri gruplandırmak istiyoruz.

Gereksinimlerinize göre Amplitude’un modelleri, geçmiş ve yeni verilerinizi analiz ederek size kohortlar bölümünden erişebileceğiniz bir tahmin sunar.

3. Bu tahmine tıklayıp tahmini bir kohort olarak kaydederek kullanılabilir bir kohorta dönüştürebiliriz.

4. İsterseniz, kullanıcı tabanının hangi yüzdelik dilimini kohortunuza dahil etmek istediğinizi seçerek seçimi daha hassas hâle getirebilirsiniz. Ancak varsayılan seçimi korumanızı ve “Kohort olarak kaydet” düğmesine tıklayarak kaydetmenizi öneririm.

İşte bu kadar! Artık Amplitude’da grafikleriniz, analizleriniz ve A/B testleriniz de dahil olmak üzere neredeyse her yerde pratik olarak kullanabileceğiniz, tahmine dayalı modellere dayanan dinamik bir kohortunuz var.

Tahminleme

Amplitude’da benim ve UX ekibimin işine yarayan bir diğer özellik, yerleşik tahminleme motorudur. Bu motor süreci otomatikleştirir; ilgi duyduğunuz metrikler için bir tahmin sunmak üzere regresyon, zaman serisi analizi ve kendi yapay zekâ modellerini kullanır.

Deneyimlerime göre, bu özelliğin UX açısından en pratik uygulamalarından biri, etkinleştirme hunisi dönüşüm oranlarının tahminidir.

Amplitude’da Etkinleştirme Hunisi Dönüşüm Oranları Nasıl Tahmin Edilir?

1. Finansal Hizmetler CRM aracınızın etkinleştirme hunisinin üç etkinlikten oluştuğunu düşünün: kaydolma, entegrasyon ekleme ve fırsat oluşturma. Zaman içindeki dönüşüm oranına bakarsak, sonuç buna benzer görünecektir.

Şimdi, bir hafta önce kullanıcı yolculuğunda birkaç UX iyileştirmesini hayata geçirdiniz ve bunların somut bir iyileşme sağlayıp sağlamadığını anlamak istiyorsunuz. Bunun için Amplitude’dan önümüzdeki 30 gün için bir tahmin sunmasını isteyelim.

2. “Anormallik + Tahmin” düğmesine, ardından da “Tahmin ekle” düğmesine tıklayın.

Amplitude’un modelleri yüklenerek bize buna benzer bir grafik sunacaktır.

Gördüğümüz gibi, huni dönüşüm oranımızda gözle görülür bir büyüme yok (bu, düşündüğünüzden daha yaygındır). Buradaki eyleme dönüştürülebilir içgörü, bir tur daha UX iyileştirmesi yapmaktır.

Bulut Tahmine Dayalı Model API’lerini Kullanma

Çözmeye çalıştığınız sorun nispeten basitse, tahmine dayalı veri modellemesi için ürün analitiği araçlarını kullanmak oldukça pratiktir. Ancak daha gelişmiş bir şeye ihtiyacınız varsa üçüncü taraf makine öğrenimi modeli API’lerini tercih edebilirsiniz.

Ekibimin geçmişte yararlı bulduğu iki sağlayıcıyı aşağıda bulabilirsiniz.

AWS Makine Öğrenimi API’si

Amazon’un bulut hizmeti, API aracılığıyla bağlanabileceğiniz çeşitli iş zekâsı yapay zekâ modelleri bakımından zengindir. Bu yığın, tahmine dayalı analitik modellerini de içerir.

• Zaman serisi verileri üzerinde çalışabilen Amazon Forecast bulunur; böylece UX’inizin uzun vadede geleceği nasıl etkilediğini görebilirsiniz.
• Ayrıca, müşterilerinize ilgili ürün ve hizmetleri önermek için kullanabileceğiniz ölçeklenebilir ve özelleştirilebilir bir kişiselleştirme motoru sunan Amazon Personalize da bulunur (tıpkı Netflix ve TikTok’un yaptığı gibi).

Google Yapay Zekâ Altyapısı

Amazon’un aksine Google, önceden hazırlanmış tahmine dayalı yapay zekâ modelleri sunmaz. Bunun yerine, büyük veri analizi yapmanıza ve mevcut veri bilimcisi ekibinizin yardımıyla kendi özel derin öğrenme tahmin modellerinizi oluşturmanıza yardımcı olabilecek geniş bir araç setine erişim sağlarsınız.

Google’ın araçları, büyük miktarda veriyi işlemek ve bu verilerdeki gelecekteki eğilimleri bulmak için özellikle uygundur (veri yönetimi özellikleri harikadır). Tahminlerin yanı sıra araç setlerini betimleyici analiz ihtiyaçlarınız, yaşam döngüsü pazarlama kampanyalarınız, iş analitiği, finansal işlemler (ör. kredi puanları) ve daha fazlası için de kullanabilirsiniz.

Dolayısıyla Amazon’ın hazır modelleri sahip olduğunuz belirli sorunu çözemiyorsa, Google başvurmanız gereken hizmettir.

Geleceğe Kısa Bir Bakış UX’inizi Kurtarabilir

Hepimiz geleceği tahmin edebilmeyi isteriz. Bunu yapabilseydik, iyi ya da kötü, dünyanın en cezbedici kullanıcı deneyimine sahip kusursuz ürünler oluşturabilirdik. Ancak o zamana kadar öngörücü analiz, veriye dayalı UX kararları almamıza ve müşterilerimizi harika deneyimlerle memnun etmemize yardımcı olacak en yakın alternatiftir.

Daha fazla ürün yönetimi kaynağı ve rehberinin yanı sıra sektör liderlerinden ve uzmanlarından en yeni podcast’leri, röportajları ve diğer içgörüleri almak için bültenimize abone olmayı unutmayın.