Tahmine dayalı analitik, kalıpları ve eğilimleri belirleyerek gelecekteki sonuçları öngörmek ve daha iyi kararlar almanıza yardımcı olmak için geçmiş verileri kullanır.
Bu makalede tahmine dayalı analitiğin ne olduğunu açıklayacak, B2B pazarlama stratejinizi nasıl güçlendirdiğini gösterecek ve gerçek yönetim sorunlarını çözmek için uygulayabileceğiniz pratik yöntemler sunacağım. Daha akıllı ve daha az stresli sonuçlar elde etmek için tahmine dayalı analitiği karar alma sürecinize nasıl dahil edeceğinizi tam olarak öğreneceksiniz.
Tahmine Dayalı Analitik Nedir?
Tahmine dayalı analitik, gelecekteki performansı geçmiş performansa dayanarak modellemeye yarayan bir araçlar bütünüdür. Sahip olduğunuz verilerden tahmin etmeye çalıştığınız sonuçlara doğru eğilimleri öngörmek için kullanılan bir dizi matematiksel süreçtir. İlgili geçmiş verileri seçip uygun araçları uygulayarak, şu anda değerlendirmekte olduğunuz politika ve girişimlerin sonuçlarını güvenilir bir şekilde tahmin edebilirsiniz.
Bunu gerçek bir örnekle açıklamak gerekirse, şirketinizin BT departmanı için kod yazacak kişileri işe almakla görevli bir İK yöneticisi olduğunuzu düşünün. Deneyimlerinize göre bazı üniversiteler bu tür işlerde daha başarılı mezunlar yetiştiriyor. Bu nedenle adaylarınızı "CalTech", "MIT" veya "Berkeley'deki California Üniversitesi" gibi anahtar kelimeler için tarıyorsunuz. Çok basit bir şekilde, bir adayın okulu ile şirketinizde ne kadar iyi performans gösterebileceği arasında anlamlı bir bağlantı kurmak için kendi tahmine dayalı analizinizi uygulamış oldunuz.
Daha karmaşık ilişkileri işlemek için güçlü bir bilgi işlem kapasitesine ve iyi makine öğrenimi algoritmalarına ihtiyacınız olacaktır. Geçmiş satış verilerinizin, şirketinizin yılbaşı ve 4 Temmuz öncesindeki haftalarda daha fazla havai fişek sattığını, ancak bağlı şirketinizin kasım ayında, Şükran Günü'nden hemen önce çok miktarda hindi sattığını söylediğini düşünün. Oldukça açık olan başka bir ilişkide, havai fişek ve hindi satışlarınızın geçmiş performansa ve takvim tarihine göre nasıl seyredeceğini önceden tahmin edebilirsiniz.
Bir Üst Seviyeye Taşımak
Daha ileri gittiğinizde, sosyal medyada marka lansmanları yapma deneyiminiz olabilir, ancak geçmiş performansınız düzensiz ve hayal kırıklığı yaratmış olabilir. Gelişmiş tahmine dayalı analitik modellerine sahip pazarlama araçlarını kullanarak yaptığınız veri analizi, marka mesajlarının Twitter'dan Instagram'a iyi bir şekilde taşındığını, ancak ters yönde neredeyse hiç ilerlemediğini gösteriyor. Bu durumda daha iyi performans elde etmek için bir kampanyayı her zaman Twitter'da başlatmak veya Instagram'daki takipçi kitlenizi büyütmek gibi uygulanabilir içgörüler geliştirebilirsiniz.
Şimdiye kadar son derece basit tahmine dayalı analiz yöntemlerini kullanarak gelecekteki olayları tahmin etmenin birkaç basit yolunu gördük, ancak bu yaklaşım çok daha ileri götürülebilir. FICO kredi puanınız bir tür tahmine dayalı analizdir. Zamanında yaptığınız ödemeler, kullanılabilir krediniz, mevcut kredi kullanımınız ve diğer çeşitli faktörler incelenerek FICO puanı borçlarınızı ödememe olasılığınızı yüksek bir doğruluk derecesiyle tahmin eder. Hatta kredi limitinizi artırma arayışında olup olmadığınızı ve bunun ileride sorun yaşanacağının bir işareti sayılıp sayılmayacağını belirlemek için son 2 yılda yaptırdığınız kredi sorgulamalarının sayısını bile hesaba katabilir.
İş yerine dönersek, görevi makineleri çalışır durumda tutmak olan bir kalite güvence yetkilisi olabilirsiniz. Herhangi bir kesinti şirketinize maliyet çıkarabilir, bu nedenle arızaların ne zaman ve nerede meydana gelme ihtimalinin yüksek olduğunu tahmin etmeniz gerekir. Makine öğrenimi sisteminiz yıllarca toplanmış geçmiş verileri inceler ve arızaların kritik bir parça aşındığında meydana geldiğini, çalışma sıcaklığı yüksek olduğunda ise bu aşınmanın daha hızlı gerçekleştiğini belirler. Buradaki uygulanabilir içgörü, makineleri daha düşük yoğunlukta çalıştırmak veya sıcaklıkları düşürmek, kritik parçalardaki aşınmayı azaltmak ve makinelerin kullanım ömrünü uzatmak için daha büyük bir soğutma sistemine yatırım yapmaktır; bu sayede potansiyel olarak milyonlarca dolar tasarruf edilebilir.
Tahmine Dayalı Analitik ve Veri Analitiği
Artık tahmine dayalı analitiğin ne olduğuna dair genel bir fikriniz olduğuna göre, ne olmadığını da açıklayalım. Daha doğrusu, tahmine dayalı analitik ile kolayca karıştırılabilecek diğer ilgili kavramlar arasındaki ayrım çizgisi şöyledir.
Öncelikle tahmine dayalı analitik, daha kapsamlı olan veri analitiğiyle aynı şey değildir. Bunun, geleceğe odaklı modeller oluşturmak için sınırlı bir araç kümesine odaklanan veri analitiğinin bir alt kümesi olduğunu söylemek doğru olur. Diğer veri analitiği türleri şunlardır:
- Betimleyici analitik: Geçmişte ne olduğunun anlaşılır bir şekilde sunulan, doğru ve mantıksal olarak düzenlenmiş açıklaması
- Tanısal analitik: Gelecekteki tahmine dayalı modeller için içgörü elde etmek amacıyla geçmişte olayların neden bu şekilde gerçekleştiğini anlamaya çalışma
- Preskriptif analitik: Buradan sonra hangi yönde ilerlemeniz gerektiğine dair uygulanabilir içgörüler ve bir hedefe doğru ilerlerken ne yapmanız (ve ne yapmamanız) gerektiğine ilişkin bir dizi talimat
Bu veri analitiği türlerini birbirinden ayıran kesin ve net çizgiler gerçekten yoktur; her biri diğerlerine bilgi sağlayabilir. Analitiğe yönelik gerçekten güçlü bir yaklaşım, karmaşık konulara ilişkin sağlam anlayış modelleri oluşturmak için bunların tümünü uygun yerlerde kullanır.
Betimleyici Analitik
Örneğin daha güvenli bir otomobil tasarlamaya çalışan bir mühendis olabilirsiniz. Otomobillerin nasıl hasar gördüğüne ilişkin bir model oluşturmak için yaralanma raporları da dahil olmak üzere geçmiş kazalardan elde edilmiş çok büyük miktarda betimleyici analitik veriye ihtiyacınız olacaktır. Bu verilerden elde ettiğiniz tablo, kaza mağdurlarının sıklıkla boyun yaralanmaları yaşadığını ortaya çıkarabilir. Bu, ham verilerin okuyabileceğiniz şekilde sunulmuş bir açıklamasıdır, ancak anlamlandırmak için daha ileri gitmeniz gerekir.
Tanı Analitiği
Araba kazalarında çok sayıda boyun yaralanması olduğunu biliyorsunuz. Bir sonraki adımınız olan tanısal analiz, bunun nedenini ortaya koyar. Görünüşe göre birçok kişi kafasını ön camlara çarpıyor veya ileri geri savrularak kamçı yaralanması yaşıyor. Bazen de bir kaza sırasında arkadan ağır bir nesne çarpıyor ve gördüğünüz yaralanmalara neden oluyor.
Have an account? Log In
Kuralcı Analitik
Üçüncü adımda, kuralcı analitik aşamasında, araba kazalarında boyun yaralanmalarını önlemenin yollarına ilişkin çeşitli öneriler geliştirirsiniz.
Arabayı, sürücü boyunluk takana kadar hareket etmeyecek şekilde tasarlamayı düşünebilirsiniz. Sürücünün başının çevresine ağır kurşun korumadan yapılmış bir güvenlik kafesi inşa edebilirsiniz. Sorunları algılayan ve ilk tehlike belirtisinde sürücüyü dışarı fırlatan otomatik bir fırlatma koltuğu takabilirsiniz. Ve bunun gibi. Bu aşamada kötü fikir yoktur, yalnızca fikirler vardır.
Buradaki asıl işiniz öngörücü analiz aşamasında bir araya gelir. Geçmiş performans modellerini çalıştırarak, araba sahiplerinin müdahaleci güvenlik cihazlarından rahatsız olduğunu ve boyunlukları devre dışı bırakma ihtimallerinin yüksek olduğunu öğrenirsiniz; bu da onları uygulanamaz hale getirir. Korumaya ağırlık eklemek ve sürücülerin görüş alanını daraltmak ise ters etki yaratır. Havacılık ve uzay sektöründen elde edilen geçmiş veriler, otomatik fırlatma koltuklarının genellikle kötü bir fikir olduğunu gösterir.
Ancak yığın içinde, öngörücü analizinizin ortaya çıkardığı birkaç umut verici fikir vardır:
- Emniyet kemerleri, insanların bir kaza sırasında sabit kalmasını sağlamanın ucuz bir yoludur.
- Hava yastıkları hareket halindeki bedenleri yastıklar.
- Güvenlik camı kolayca kırılarak baş ve boyun yaralanmalarını azaltır.
- Çarpışma önleme, öncelikle bir kaza gerçekleşmesi riskini azaltır.
Böylece bu makul fikirleri, harcanan para karşılığında en iyi sonuçları vereceğini analizinizin öngördüğü yükseltilmiş tasarımınıza dahil edersiniz. Ardından döngü tekrarlanır; daha güvenli arabaların yeni nesli yola çıkar, kazalara karışır ve üzerinde çalışılacak daha fazla veri üretir. Böylece arabalar gelecekte giderek daha güvenli hale gelir.
Yaygın Öngörücü Model Türleri
Şimdiye kadar her şey harika, ancak öngörücü analitiğin araçları gerçekte nelerdir? Nasıl çalışır? Yapay zekâ, makine öğrenimi ve diğer çeşitli araçlar gerçekte ne yapar?
Bu tür analitik için dört temel model vardır. Farklı platformlar bunların tamamını veya bazılarını kullanır ve kullanımları gerçekten bağlama bağlıdır. İşte farklı türlere kısa bir bakış.
Sınıflandırma Modeli
Sınıflandırmaya pekâlâ segmentasyon da denebilir. Bu yaklaşım, büyük veri kümelerini anlamlı ilişkilere sahip parçalara ayırır. Daha önce bir pazar araştırması projesine dâhil olduysanız, demografik segmentasyona aşinasınızdır. Yaşlılara kaykay pazarlamayı denediyseniz, bazı sınıflandırmaların ne kadar önemli olabileceğini zaten öğrenmişsinizdir.
Doğru sınıflandırmaya yönelik özel modeller arasında lojistik regresyon analizi, karar ağaçları, rastgele orman, sinir ağları ve Naïve Bayes analizi bulunur.
Tahmin Modeli
Tahmin, kısmen çok yönlü olduğu, kısmen de karmaşık ve sayısal olmayan tarihsel olgulara gerçek zamanlı sayısal değerler atayabildiği için en yaygın kullanılan yaklaşımlardan biridir.
Örneğin, bir kampanya başlattığınız gün web trafiğini tahmin etmek için markanızın geçmiş ürün lansmanlarını kullanabilirsiniz. Bu sayıyı kullanarak web barındırma hizmeti sağlayıcınızı uyarır ve ek bant genişliği istersiniz. Sonuç olarak çok sayıda trafik alırsınız, siteniz çökmez ve satışlar güçlü olur.
Kümeleme Modeli
Kümeleme modelleri gerçekten güçlüdür ve derin öğrenme algoritmalarının yükselişi onları şaşırtıcı derecede etkili hale getirmiştir. Bu modeller, gerçek dünyadaki şeyler arasındaki korelasyonları belirleyerek, bunları diğer şeylerle karşılaştırarak ve ardından ilişkilendirmelere dayalı tahminler yaparak çalışır.
Örneğin kümeleme modeliniz, bebek bezi, bebek maması, çocuk odası mobilyası ve mama sandalyesi satın alan kişilerin yakın gelecekte sağlık sigortası ve okul malzemeleri de satın alma olasılığının çok yüksek olduğunu fark edebilir. Bu bilgiyi saklayarak, müşteri 18 yıl sonra öğrenci kredilerini pazarlarken bu kişileri hedefleyen başarılı bir satış sunumunun temelini oluşturabilir.
Tahmin edebileceğiniz gibi, bu modellerden çok sayıda vardır. Yaygın kümeleme algoritmaları arasında k-ortalama kümeleme, ortalama-kaydırma kümelemesi, gürültülü uygulamaların yoğunluk tabanlı uzamsal kümelemesi (DBSCAN), Gauss Karışım Modellerini (GMM) kullanan beklenti-maksimizasyon (EM) kümelemesi ve hiyerarşik kümeleme bulunur.
Zaman Serisi Modelleri
Muhtemelen ilk zaman serisi analistleri, hayvanların mevsimlerle birlikte göç ettiğini fark eden avcı-toplayıcılardı. Bu yaklaşım, gelecekteki olayları tahmin etmek için döngüleri izler.
Yukarıdaki hindi satışlarının kasım ayında artmasıyla ilgili örnek, zaman serisi analizine bir örnektir. Burada kullanabileceğiniz belirli model türleri arasında otoregresif (AR), hareketli ortalama (MA), ARMA ve ARIMA bulunur.
Tahmine Dayalı Modellemenin 3 Faydası
Bu tahmine dayalı modeller ve karar verme sürecinize nasıl yardımcı oldukları hakkında söylenecek çok şey var. Daha net bir tablo için, harika sonuçlar elde etmek amacıyla modelleri uygulayabileceğiniz üç alanı burada bulabilirsiniz.
Güvenlik ve Risk Azaltma
Güvenlik, büyük ölçüde insanların davranışlarını öngörme ve bunları önceden hesaba katma işidir. Kapılarınızın kilitleri, insanların bir noktada kapı kollarını çevirmeye çalışacağını öngörür. Adli denetim izleri, birinin para zimmetine geçirmeye çalışacağını öngörür.
Pazarlama alanında geçmiş verileriniz, bilgi sızıntılarının en çok üçüncü taraf tedarikçilerle yaşandığını gösterebilir. Bu nedenle bilgileri ürün lansmanı tarihlerine kadar saklamaya veya güvenliğini korumak için bilgileri bölümlere ayırmaya karar verebilirsiniz.
Operasyonel Verimlilik
Tahmine dayalı araçlar, talebi öngörmenize yardımcı olarak operasyonel verimliliğinizi büyük ölçüde artırabilir. Sabahın erken saatlerinde ve öğleden sonra geç saatlerde gerçekten yoğun, ancak diğer tüm zamanlarda bomboş bir çağrı merkeziniz varsa, vardiyaları planlamanıza yardımcı olacak verilere sahipsiniz demektir.
Saatlik çalışanlarınızı yoğun saatlerde işe getirip kimse aramadığında çalışma temposunu düşürmek, kaynaklarınızı ihtiyaç duyulan yere doğru zamanda yönlendirir; böylece yoğun saatlerde personel yetersizliği, sakin zamanlarda ise fazla personel bulundurma sorunları yaşanmaz.
Geliştirilmiş Karar Verme
Asıl önemli olan budur. Gelecekteki performans için bir hile kodu elde etmek amacıyla aslında tahmine dayalı analitiğe yöneliyorsunuz. FICO puanlarını tekrar düşünün. Puanı düşük ve kredi riski yüksek bir kişiye kredi vermeli misiniz? Puanı 790 olan birine yeni bir kredi kartı göndermeyi reddetmeli misiniz? Analitik model, geçmiş performansa dayanarak gelecekteki sonuçları tahmin etmenize yardımcı olur.
Tahmine Dayalı Analitiği Avantajınıza Kullanmanın 5 Yolu
Müşteri ve Kitle Segmentasyonu
Müşterilerinizin birbirinden farklı olduğunu zaten biliyorsunuz, ancak büyük veri kümelerinin ortaya çıkardığı gruplar halinde kümelenme eğilimindedirler. Veri madenciliği kötü bir üne sahip olsa da hakkında genelleme yapabileceğiniz ve daha verimli bir şekilde hedefleyebileceğiniz mantıklı kümeler oluşturmanın ilk adımıdır.
Yeni Müşteri Kazanımı
Yeni müşteriler kazanmak harikadır ve bunu pazarlama kampanyalarınızla güvenilir bir şekilde yapabilme becerisi markanıza rekabet avantajı sağlar. Doğrusal regresyon modelleri gibi teknikler, iş akışlarınızı geliştirmenize ve yeni müşteri kazanımı kampanyalarından en iyi şekilde yararlanmanıza yardımcı olur.
More Articles
Potansiyel Müşteri Puanlama
Koyunları keçilerden ayırmak, özellikle potansiyel müşteri puanlama ve yeni bir takipçi kitlesi oluşturma söz konusu olduğunda, iş zekâsının önemli bir parçasıdır. Eğilim modellemesi, halkın sizinle birlikte hangi yöne gitme olasılığının yüksek olduğunu ve hangi potansiyel müşterilerin en ilgili kişiler olduğunu gösterir.
İçerik ve Reklam Önerileri
Reklamlar istenmediğinde veya izleyicinin ihtiyaç duymadığı ürünleri tanıttığında can sıkıcı olabilir. İşbirlikçi filtreleme, can sıkıcı unsurları eler ve reklam mesajlarınızın hedef kitleye ulaşma olasılığını çok daha yüksek hâle getirir.
Müşteri Deneyimlerini Kişiselleştirme
İster perakendeci olun, ister finansal hizmetler alanında faaliyet gösterin ya da nakliye şirketleri için hava tahmini yapın, otomatik segmentasyon, üretebileceğiniz tüm çıktıları gözden geçirmenize ve etkileşimde bulunduğunuz herkes için özelleştirilmiş bir deneyim sunmanıza yardımcı olur. Bu, kişisel düzeyde bir optimizasyondur ve markanızın etkileşim kurduğu herkesle kişisel düzeyde bağlantı kurduğu için pazarlamanız üzerinde en güçlü etkiyi yaratma potansiyeline sahiptir.
Geleceğe İlerlemek
Ele alınacak çok şey vardı, ancak umarız artık pazarlama analitiği yazılımının faydaları ve bunların tahmine dayalı analitik konusunda nasıl yardımcı olabileceği hakkında çok daha bilgilisinizdir. Aradığınız takdirde erişebileceğiniz çok daha fazla bilgi de mevcut. Pazarlamadaki en yeni ipuçlarından, trendlerden, yazılım önerilerinden ve daha fazlasından haberdar olmak için The CMO bültenine abone olun.
