Bileklerimi ciddi bir şekilde incitmişim; bu nedenle uzun bir süre klavyeden uzak kalmak zorunda kaldım. Bu süre zarfında bol bol okuma fırsatı buldum; mümkün oldukça edindiğim bilgileri sizlerle paylaşmak istiyorum. Dönelim konumuza.
Harvard Business Review'in en son (Mayıs 2013) sayısı (bir süredir bu derginin Türkçe versiyonu da yayında) Yalın Girişim [Lean Startup] kavramını kapağına taşıdı. Bu kavramın detaylarına girmeyeceğim, ancak temelinde sürekli doğru veri toplama ve sürekli doğru analiz yaklaşımı yatıyor. Peki veri toplama ve analiz süreçlerinin doğruluğuna nasıl karar vereceğiz? Tamamen sayılara güvenmeli miyiz, yoksa iç güdülerimiz mi ağır basmalı? Bu soru, veri analizini konu alan neredeyse her kitabın sorduğu ilk sorulardan biri, ve hepsinde de cevap aynı. Fakat size bu cevabı yine sayısal verilerle sunacağım.
Yukarıda bahsettiğim dergide kısa bir makale var: 3 İnsan + 1 Bilgisayar = En İyi Tahmin. Özetle diyor ki, eğer uzmanlık gerektiren bir konu varsa, ağırlığı insanların değerlendirmesine bırakın, bilgisayardan elde ettiğiniz sonuçlara ise daha küçük oranda bir ağırlık verin. Yani, yukarıdaki paragraftaki sorunun cevabı şu: uzman bir bakış açısının kontrolü altında, sayısal verileri mümkün olduğunca kullanmak. Klasik benzetmeyle, uçabilmek için her iki kanada da ihtiyaç var. Aksi takdirde yapılmaya çalışılan analiz bir şeye benzemiyor. Bu yazıda da, bu oranları şu şekilde belirlemişler: insanların uzman olduğu durumda en iyi karma: %65 insan, %35 bilgisayar.
İşte tam da bu nedenden ötürü, veri analizi yaklaşımları özümsemek doğru yöntemleri ve hesaplamaları belirleyebilmek için çok kritik bir önem taşıyor. Aksi takdirde, normalizasyon hakkındaki yazımda belirttiğim hatalara düşmek an meselesi. İşin en tehlikeli yanı da, hata yaptığınızı farkedememek. Yalın girişim kavramının temellerini oluşturan analizlerin irdelendiği Lean Analytics adlı kitapta bir alıntı var ve bu alıntıda bilgi yaklaşık olarak şu şekilde sınıflandırılıyor:
Biliyoruz
|
Bilmiyoruz
|
|
Farkındayız
|
İyi
|
İyi
|
Farkında değiliz
|
Kötü
|
Berbat
|
Teorik uzmanlığın da doğru analitik araçlarla desteklenmesi çok kıymetli, ve işin güzel tarafı, bu amaçla kullanılabilecek bir çok araç geliştiriliyor. Özellikle büyük veri kavramının yaygınlaşması ve büyük verinin analizinin önem kazanmasıyla son yıllarda bir çok analiz ve görüntüleme aracına kolaylıkla ulaşılabiliyor, bu yazı dizisi kapsamında yeri geldikçe bu araçlardan da bahsedeceğim.
Bu yazı, yazı dizisinde bahsedilecek olan kavramlara bir dayanak mahiyetinde ve yeri geldikçe uzmanlığın önemi konusunda yer yer buraya referans vereceğim. Bir sonraki yazımla veri analizinde uygulanacak adımlara somut bir giriş yapmış olacağım. Bir aksilik olmazsa kısa bir süre sonra görüşmek dileğimle.
Sözün Özü:
Uzmanlık, yeni bir bilgi edinmenin yanı sıra bildiklerimizin ve bilmediklerimizin farkında olmak demek. Bu farkındalık ışığında sayısal verileri yönetmek ise doğru bir veri analizinin olmazsa olmazı.
Proje:
Yalın girişim kavramı, modern veri analizi yaklaşımının pratiğe dönüşmüş şekli; bu nedenle bu ayki (Mayıs 2013) Harvard Business Review [Türkiye] dergisindeki makalelere göz atalım. En azından bir D&R mağazasında 10-15 dakika içerisinde birkaç kısa makale okuyabilirsiniz.
Meraklısına:
Lean Startup, analitik yaklaşımların organize edilerek akıcı bir şekilde bir araya getirilmesi sonucu ortaya çıkan bir kitap. Her ne kadar girişimcilik ekseni etrafında şekillense de, sayısal verilerin hangilerinin kıymetli olduğuna, hangilerinin ise yanıltıcı veya işe yaramaz olduğuna ilişkin temel prensipler sunuyor.
Lean Startup, analitik yaklaşımların organize edilerek akıcı bir şekilde bir araya getirilmesi sonucu ortaya çıkan bir kitap. Her ne kadar girişimcilik ekseni etrafında şekillense de, sayısal verilerin hangilerinin kıymetli olduğuna, hangilerinin ise yanıltıcı veya işe yaramaz olduğuna ilişkin temel prensipler sunuyor.