Pek çok işletme, özellikle Bilişim Teknolojileri ve finansal işlemlerle beraber kullanmaya başladıkları analitik metodların, genel uygulamalara yayılıp, beklendiği kadar faydasını göremediğinden yakınmakta. Düşünülenin aksine, Analitik Yönteme geçiş için,  işletmelerin önündeki en büyük üç engelden birisi “teknoloji” değil.

Harvard Business Review (HBR)’da yayınlanan yeni bir makalede(1), işletmelerin analitik yöntemleri uygulamaya koymaktaki güçlükleri sıralanırken, sorunun aslında hiç de teknoloji kaynaklı olmadığına vurgu yapılmış. Sorunun teknolojiden çok, insan odaklı olduğunu, işletme yapısallığı, kültürel etmenler ve sorun çözme metodolojisinden kaynaklandığını belirtmişler, HBR yazarları.

Bu üç temel noktayı özetleyelim şimdi:

1. Yapısal Etmenler

En önemli yapısal sorunlardan birisi, veri analizi ile ilgilenen birimlerin, yürütülen iş kolundan tamamen bağımsız, hatta bazen bihaber oluşları olarak ortaya çıkmış. Perakende Finansal hizmetler sunan bir firmadan verilen örnekle, özel yazılım paketlerinde uzmanlaşmış çalışanlar, bulgularını geleneksel yöntemler kullanarak müşterileri ile paylaşmaya, günlük dile uyarlamaya çalıştıklarında, sonuç, yalıtılmış bir ortamda, müşteri beklentilerine cevap veremeyen ve kritik kararları hızla alamayan bir departmandan öteye gidememek olmuş.

Diğer taraftan, iş kolu gereklerine fazla odaklanmış analistlerin ise, üst yönetimin tutucu düşünce yöntemini aşmakta zorlandıkları görülmekte. Yazarların ele aldığı üst seviye bir Araç Kiralama firmasında, analistlerin tavsiyesi ile bakım giderlerinin amortisman giderlerinden daha düşük olacağı öngörüsü ile filo yenilemesine gidilmiş. Ama günün sonunda, analistlerin önyargılı kıyaslama yaptıkları ve gözönüne aldıkları araçların, aynı yaştaki örneklem içinde daha yüksek bakım giderleri olanlar oldukları ortaya çıkmış. Tabii ki buradaki değerlendirmenin, daha genç bir filonun, müşteri memnuniyetine etkisi  dikkate alınmadan yapılmış, tek yönlü bir değerlendirme olduğunu belirtmekte fayda var.

2. Kültürel Etmenler

HBR yazarlarının dikkat çektikleri bir diğer etmen ise işletme kültürü ile ilgili. Veri-işleme temelden bağlı işletmelerde, kimi zamanlar hatalı olsa da, yürütülegelen  modellere körü körüne bir bağlılık gözlemleniyor. Aynen, incelenen bir finans hizmetleri firmasında yaşanan örnekte olduğu gibi; prim yapısını değiştirmek isteyen isteyen üst yönetim, ham değerlendirmelerden, performans değerlendirmelerine geçmekte kararlıdır. Soruna odaklanan analistler, satılan değişik tipte ürünleri, yerel demografik unsurlar ve finansal istatistiklerle aynı anda kıyaslayarak oluşturulacak, her satış elemanı için tek bir performans katsayısı belirleyecek bir model oluştururlar. Ancak, bu yöntemin, düşük performanslı olsa da nihayetinde yüksek değer üreten satış elemanlarının primlerini düşürdüğü için, rakiplere pazar kaptırılmasına neden olduğu ortaya çıkar.

Alternatif olarak, geleneksel içgüdüsüne çok fazla güvenen kuruluşlar, veriler, açıkça belli varsayımların yanlış olduğunu gösterdiğinde bile, varsayımlarını düzeltmeye direnir. Sözü edilen örnekteki araba kiralama acentesinin, verilerin maliyet düşürme iddialarını desteklemediğini keşfettikten sonra bile varsayımını değiştirmekte son derece isteksiz olduğu gözlemlenmiş.

Yani analitik yönteme geçildiğinde, geleneksel işletme yöntemlerinin desteklediği önyargıları olabildiğince geride bırakmanın faydası olduğunun söylemek kadar, çıktıların nesnel değerlendirmelerini yapabilecek izleme parametrelerinin geliştirilmesinin önemini de belirtmekte fayda var.

3. Sorun Çözme Metodolojisi 

Metodoloji söz konusu olduğunda ikiye bölünmenin devam ettiği belirtiliyor makalede. İlkinde aşırı karmaşık modeller yaratan analitik gruplar, aşırı derecede uzun teslim süreleri ve değişen koşullara uyumda sınırlı yöntemler ortaya çıkarabilir.

Buna örnek olarak bir otomobil sigortası şirketi incelenmiş. Analiz ekibi, ilk kaza raporundan sonra bir otomobilin tamamen mi ya da kısmi bir kayıp mı olacağını öngörmek için son derece etkileyici bir model yaratır. Ancak, şirket modelin sonuçlarını bir üretim bandından deneyebilecek altyapıdan yoksundur. Sonuçta, bu kadar kompleks bir modelleme yerine, basit bir regresyon analizinin de aynı sonuçları vereceği görülecektir.

Diğer gruplar ise, bazen yarattıkları çok basite indirgenmiş modellerle, nüansların getireceği farklılıkları ortaya çıkarmakta yetersiz kalabilmekteler; hazır bir giyim markasının düştüğü yanılgı gibi. Firma, belli promosyonların mağaza içine giren insan sayısı ile yüksek korelasyonda olduğunu farkeder. Ama, farkedemedikleri, zaten bu tür promosyonların trafiğin fazla olduğu Cuma ve Cumartesi günleri için yapılmakta olduğu gerçeğidir.

Yukarıdaki örneklerden görüleceği gibi, analitik yöntem uygulamalarında da bir optimum derecenin gözetilmesi elzemdir. Belirlenen yöntem ne olursa olsun, uygun şekilde test edilmeli, gerçekçi izleme parametreleri oluşturulmalı, sonuçlar da hayatın doğal akışına da ters düşmemelidir.

Doğru yöntemleri bu sütunlarda yeri geldikçe yayınlamayı sürdüreceğiz.

Ender Şenkaya

Haziran 2017

(1) 3 Things Are Holding Back Your Analytics, and Technology Isn’t One of Them, Tod Clark ve Dan Wiesenfeld

https://hbr.org/2017/06/3-things-are-holding-back-your-analytics-and-technology-isnt-one-of-them

Bir Cevap Yazın

Aşağıya bilgilerinizi girin veya oturum açmak için bir simgeye tıklayın:

WordPress.com Logosu

WordPress.com hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Google+ fotoğrafı

Google+ hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Twitter resmi

Twitter hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Facebook fotoğrafı

Facebook hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Connecting to %s