Büyük Veriyi Ölçme: KPI Örnekleri

Büyük veri girişimlerini organizasyonunuzun stratejisi ile uyumlu hale getirmeyi ve çabalarınızı Temel Performans Göstergeleri ile doğrulamayı öğrenin.

Makalede ele alınan ana konular:

• Büyük Veri Nedir?
• Büyük Verinin Zorlukları
• KPI’lar ve Büyük Veri
• Büyük Veriye Odaklanın
• Büyük Veriyi Ölçülebilir Hale Getirin
• BSC Designer ile Otomasyon

Performans göstergeleriyle uyumlu büyük veri süreç haritası. Kaynak: Büyük Veri Skor kartı.

Yıl sonu, yeni trendler hakkında konuşmak için iyi bir zamandır: sürücüsüz arabalar, yapay zeka, sanal gerçeklik ve Nesnelerin İnterneti. Bu trendlerin işinize ne gibi etkileri olacak? Bu oyun değiştirici fikirlerin olası etkilerini nasıl hesaba katabilirsiniz? Bahsedilen tüm trendler detaylı bir analizi hak ediyor, ancak diğerleriyle bağlantılı gibi görünen bir tanesi var. Büyük Veri hakkında konuşuyorum. AI buna ihtiyaç duyacak, sürücüsüz arabalar bunun üzerine kuruludur ve tabii ki, halihazırda birçok işletme tarafından kullanılmaktadır.

BSC Designer’da, KPI’lar ve strateji hakkında çok konuştuk. Bu makalede iyi tanımlanmış bir strateji ve özel hazırlanmış KPI’ların büyük veri çabalarına odaklanmaya nasıl yardımcı olabileceğini tartışmayı öneriyorum. İşte bu makale için planımız:

• Büyük veri. Nedir? Ana zorluklar nelerdir?
• Büyük veri için KPI’lar. KPI’ların 4 seviyesi ve stratejik uyum sağlama.
• Eylem planı. Büyük verinin ölçülebilir uygulanması.

Büyük Veri Nedir?

Büyük veri, büyük ve yapılandırılmamış veri kümelerinin analizidir.

Büyük veri 3 V ile karakterize edilebilir:

• Hacim. Veri kümelerinin büyük olması beklenir. En az 10 GB veya 1 TB olması gerektiğine dair bazı tahminler vardır, ancak muhtemelen daha iyi bir kriter, büyük verinin depolama veya hesaplamalar açısından dağıtılması gerektiği bir durum olarak tanımlanmasıdır. Hadoop veya benzeri bir çerçeveye geçmek zorunda kaldıysanız, o zaman büyüyor demektir.
• Çeşitlilik. Yapılandırılmış ve yapılandırılmamış verilerin farklı kaynaklarını düşünün. Metin, video, satış verileri, sosyal medya, hava tahmini veya bağlamınızda anlamlı olan herhangi bir şeyden elde edilebilir.
• Hız. Verinin yüksek hacmi, hızlı veri üretiminin bir sonucudur. Sürekli izlenen binlerce uçak elemanını düşünün¹, veya sosyal medyadaki sürekli yorum akışını, veya giyilebilir cihazların sağladığı gerçek zamanlı veriyi düşünün.

Çoğunlukla (örneğin IBM² veya EY³), ayrıca “Güvenilirlik” anlamına gelen dördüncü bir “V” de vardır:

• Güvenilirlik. Veriden bahsederken, her zaman belirli bir belirsizlik seviyesiyle karşı karşıyayız. Veriler nasıl elde edildi? Tüm faktörleri analiz ettik mi? Manipüle edildi mi? Bu rakamlara güvenebilir miyiz?

Veri Nasıl Kullanılır?

Büyük veri, geniş bir yelpazede öngörücü ve davranışsal analiz için kullanılır. Organizasyonlar, maliyetleri azaltmak, müşteri ihtiyaçlarını daha iyi anlamak ve riskleri azaltmak için büyük veriyi uygularlar. Müşterilere özel bir deneyim sunmak için büyük veriyi kullanan bir işletmeyi düşünün; bir e-ticaret sağlayıcısının dolandırıcılık kontrolünü düşünün.

Makalenin başında bazı ortaya çıkan trendlerden bahsetmiştim – büyük veri bunların hepsine dahil oluyor. Büyük verinin pratik kullanımı hakkında daha fazla bilgi edinmek için, uluslararası tanınmış uzman Bernard Marr’ın “7 Amazing Companies That Really Get Big Data⁴” adlı eserine devam etmenizi öneririm.

Büyük Verinin Ana Zorlukları

Açıklanan büyük veri vizyonu çok iddialı görünüyor. Peki, neden şirketler bu yeni eğilimi benimsemede yavaş kalıyorlar? Büyük verinin ana zorlukları nelerdir?

Veri madenciliği artık ana zorluk değil

Ekim ayının ilerleyen günlerinde, SCIP ⁵ (Stratejik ve Rekabetçi İstihbarat Profesyonelleri) tarafından düzenlenen bir konferansta konuşuyordum. Bu organizasyonun üyeleri, pazar istihbaratı alanlarında büyük veri ile ilgilenmektedirler. Konferansın ana teması, beklenebileceği gibi bazı CI/BI verilerini çıkarmakla ilgili değildi; iş zekası çabalarını bir organizasyonun stratejisiyle uyumlu hale getirmekle ilgiliydi. Başka bir deyişle, bir şirket sormak istediği soruları bildiğinde, geri kalan nispeten kolaydır (aşağıdaki anketlerde bazı veriler için bakınız).

Eğer veri madenciliği artık bir sorun değilse, ana zorluklar nelerdir?

Zorluk 1. Büyük veriye odaklan

Ana zorluk, büyük veriyi önemli olan konulara odaklamak ve ardından doğru kişilere ulaştırmaktır. Başka bir deyişle, organizasyonda doğru soruları sormaya başlaması gereken biri olmalıdır.

Bu fikri açıklamak için 2012’de manşetlerde yer alan bir Target hikayesini⁶ ele alalım. Bu perakendeci, alışveriş analitiği verilerini kullanarak bazı müşterilerinin hamile olduğunu başarılı bir şekilde tahmin etti. Hikayeye (gizlilikle ilgili kısmı dikkate almadan) bakalım ve aslında ne olduğunu görelim. Target için çalışan bir istatistikçi olan Andrew Pole, sadece mümkün olan tüm verileri sunmuyordu; pazarlama departmanındaki meslektaşlarından çok özel bir görev aldı – ikinci trimesterdeki hamile müşterileri belirlemek.

Burada bir odaklanma vardı ve bu odaklanma ile ilişkilendirilen büyük bir iş değeri vardı, çünkü yeni ebeveynler alışveriş alışkanlıklarını değiştirmeye ve her şeyi tek bir perakende mağazasında satın almaya eğilimlidir. Bu sadece verilerle oynamakla ilgili değildi, çok özel bir soruya cevap bulmaya yardımcı olacak verileri bulmakla ilgiliydi.

Zorluk 2. İş stratejisiyle uyum

Büyük veri, somut iş değeri sağladığında oyunun kurallarını değiştirecektir. Başka bir deyişle, büyük veri girişimlerinin bir şirketin stratejisini nasıl desteklediği açık olmalıdır. NewVantage Partners, Büyük Veri Yöneticileri Anketi’nde⁷ katılımcılara Büyük Veri iş kabulündeki kültürel engelleri sordu. Katılımcıların %42.6’sı “Yetersiz organizasyonel uyum” yanıtını seçti. Diğer seçenekler arasında benimseme eksikliği, tutarlı bir veri stratejisi eksikliği ve ortak bir vizyon eksikliği yer alıyordu.

Hedef vakasına geri dönersek, iki önemli bileşeni ele almakta başarılı oldular:

1. Belirli bir sorguya odaklanan büyük veri: Bir veri bilimcisinden ikinci trimesterdeki hamile alışverişçileri belirlemesi istendi.
2. Bir iş stratejisiyle uyum: Verinin net bir iş değeri vardı – çocuğu doğan aileler uzun süre tek bir perakende mağazasının müşterisi oluyor.

Zorluk 3. Veri güvenliği ve gizliliği

Bu zorluk henüz yaygın kullanımda değil, ancak veri toplama ve analizinin etik ve yasal olması gerektiği herkes için açıktır diye düşünüyorum. Genel Veri Koruma Yönetmeliği (GDPR), 25 Mayıs 2018 itibarıyla Avrupa’da yürürlüğe girdi ve diğer ülkelerde benzer düzenlemeler bulunmaktadır. Şirketlerin kişisel verileri işlerken veri politikalarına uymaları konusunda çok daha ciddi olmaları gerekmektedir.

Büyük veri bağlamında KPI’ları tartışalım.

KPI’lar ve Büyük Veri

Büyük veri, KPI’ların yerini mi alacak? Tam olarak değil. Büyük veri, KPI’ları daha doğru ve güncel içgörülerle güçlendirecek.

NPS’yi (Net Promoter Score) bir örnek olarak ele alalım:

• Şu anki NPS. Bugün organizasyonunuzda NPS (Net Promoter Score) nasıl hesaplanıyor? Muhtemelen üç ayda bir müşteri anketi yapıyorsunuz. Dolayısıyla, bu gösterge zaman açısından gecikmelidir. İşletmenizde bir şey olursa, NPS bunu birkaç ay sonra gösterecektir.
• Büyük veri ile güçlendirilmiş NPS. Şimdi, müşteri duygularını gerçek zamanlı olarak analiz eden bir büyük veri aracı kullandığınızı hayal edin (aşağıda Heedbook referansına bakın). Bu durumda NPS’niz gerçek zamanlı bir KPI haline gelecektir. Temelde, belirli bir müşterinin belirli bir teklife ve belirli bir satış yaklaşımına tepkisini görebileceksiniz.

Bazı durumlarda, verilere daha derinlemesine dalmak ve belirli durumlara ulaşmak isteyeceksiniz ve bazı durumlarda haftalık, aylık veya yıllık olarak toplanmış verileri görmek gerekecek.

Büyük Veri için KPI’lar

Büyük veri söz konusu olduğunda, yeni araçlar ve mimariye yönelik önemli yatırımlardan bahsediyoruz, bu nedenle bu girişimleri somut verilerle izlemek mantıklıdır. Büyük veri girişimleri de nicelendirilmeli ve ölçülmelidir. Bunu birkaç farklı seviyede yapabiliriz.

Düzey 1. 3-V metrikleri

Büyük verinin 3V’si (Hacim, Çeşitlilik, Hız) kolayca ölçülebilir:

• Veri hacmi kendi başına bir ölçüdür (GB, TB, vb.)
• Çeşitlilik farklı veri kaynaklarının sayısı olarak ölçülebilir
• Hız, belirli bir zaman diliminde üretilen/analiz edilen veri hacmi ile tanımlanır

Dördüncü V – Doğruluk ise daha zor ölçülebilir olabilir. Ekibinizin doğru veri olarak kabul ettiği şeyi tanımlamanız gerekecek ve bu bağlama bağlıdır. Örneğin, içten yanmalı motorlu araçlar için mevcut hızın +-5 km/s hata payı ile ölçülmesi doğru veri olarak kabul edilebilirken, elektrikli araçlar için bu kabul edilemez. Durumunuzda veri doğruluğu hakkında fikir veren 1-2 metrik tanımlayın.

3-V metrikleri faydalı mı? Bağlamınıza bağlı. Google’ın kendi kendine giden arabasını örnek alalım. Araba saniyede 1 GB sensör verisi üretmektedir⁸. Bu sayı etkileyici görünüyor! Büyük verinin ne kadar büyük olduğunu tahmin edebiliriz, ancak bu sayılar daha önce bahsedilen 3 zorlukla ilgili bize yardımcı olmayacaktır.

Büyük Veri performansını ölçmek için KPI’ların hiyerarşisi. Kaynak: Büyük Veri Skor kartı.

Seviye 2. Büyük veri süreç metrikleri

Bir sonraki soyutlama seviyesine geçelim ve büyük veri sürecine bir göz atalım. Basitleştirilmiş model aşağıdaki gibidir:

• Sorgu
• Toplama
• Analiz
• Raporlama

Bu durumda en faydalı metrikler zamanla ilgilidir:

• Veri toplama sıklığı
• Verilerin analize hazır hale gelmesi için gereken zaman
• Verilerin KPI’lar şeklinde raporlanması için gereken zaman

Zamanlama için karşılaştırmalar iş bağlamınıza bağlıdır. Örneğin:

• Sürücüsüz araba verileri gerçek zamanlı olarak toplamalı ve analiz etmelidir ve milisaniyelik farklar önemlidir, ancak
• NPS yöneticileri haftalık toplanan verileri incelemekle ilgilenebilir

Süreç verimliliği açısından, şu konuları izleyebiliriz:

• Sorgudan rapora dönüşüm oranı, %. Bu durumda önce nitelikli bir sorgunun kavramını tanımlamalı ve ardından veri bilimcilerimizin yanıtlayabildiği nitelikli sorguların yüzdesini izlemeliyiz
• Veri yakalama yetenekleri. Yakaladığımız verilerin doğruluk seviyesi (Yukarıda Tartışılan Veracity fikirleri). Bazı şirketler için bu yetenekler onların sürdürülebilir rekabet avantajını tanımlar.

Bu seviyeden elde edilen metrikler, büyük verinin ne kadar verimli olduğuna dair daha iyi bir fikir verir, ancak yine de büyük verinin gerçek iş hedefleri üzerindeki etkisi hakkında bir fikrimiz yoktur.

Düzey 3. Gecikmeli KPI’lar. Büyük verinin başarısını doğrulamak için KPI’lar.

Başka bir soru, şirket içindeki büyük veri girişimlerinin başarısını nasıl doğrulayacağımızdır. Bir yanda altyapıya yapılan önemli yatırımlar varken, diğer yanda büyük veri iş içgörüleri şeklinde geri dönüş sağlamalıdır. Bu içgörülerin para değerini nasıl ölçebiliriz?

Bu durumda, büyük veriyi kullanarak sağlanan iyileştirmeleri izlememiz gerekiyor:

• Büyük veriden hangi dersleri çıkardık? Bu fikirlerin uygulanmasından sonra hangi maliyet tasarrufu elde edildi?
• Özelleştirilmiş bir deneyim sunulması nedeniyle müşteri sadakat oranı nasıl değişti? Müşterinin ömür boyu değeri nasıl değişiyor?
• Büyük veri müşteri hizmetlerinin daha etkili olmasına yardımcı oluyor mu? İlk çağrı çözüm oranı nasıl değişti?
• Büyük veriyi kullanmaya başladıktan sonra işe alım süreçleri nasıl değişti? İK metriği olan performansa ulaşma süresi nasıl değişti?

Gördüğünüz gibi bu düzeyde daha önce kullandığımız klasik KPI’ları kullanıyoruz. Yapmaya çalıştığımız şey, belirli iyileştirmeleri büyük verinin uygulanmasına bağlamaktır.

Bu yaklaşım önyargılı olabilir:

• Olumlu değişiklikleri başarımız olarak sayma eğilimindeyiz ve
• Olumsuz değişiklikleri her zaman olan normal dalgalanmalar olarak görüyoruz.

Çözüm, daha büyük ve somut hedeflere yönelmektir.

Birçok organizasyon bu ölçüm kısmını atlar ve basitçe “bazı büyük veriler” satın alır. Capgemini Consulting tarafından hazırlanan rapora göre⁹, görüşülen şirketlerin %67’si büyük veri girişimlerinin başarısını ölçmek için iyi tanımlanmış kriterlere sahip değildir. Yatırım miktarı göz önüne alındığında, şirketler büyük verinin uygulanmasında hedefleri ve başarı kriterlerini tanımlamada daha sistematik olmalıdır.

Hizalanmış performans göstergeleri ile büyük veri süreç haritası örneği. Kaynak: Büyük Veri Skor kartı.

Düzey 4. Öncü KPI’lar. Büyük veri başarısını sağlama.

Artık büyük veri girişimlerinin sonuç kısmını nasıl ölçeceğimizi biliyoruz, peki ya öncü kısmı? Büyük verinin başarılı bir şekilde uygulanmasını sağlamak için ne yapmalıyız?

Büyük verinin zor kısmı oldukça somuttur, bunu aşağıdaki gibi genel metriklerle ölçebiliriz:

• Büyük veri girişimlerine yatırılan fonlar
• Büyük veri girişimlerine harcanan zaman

İşletme amaçlarına odaklanma büyük veri

İşte gerçek bir senaryo: bir şirket, Hadoop kümesiyle altyapı, araçlar ve büyük veri toplama için milyonlarca dolar yatırım yaptı ve ölçülebilir hiçbir şey olmadı. Bu, zorluk 1’de bahsettiğimiz şeydi: Büyük veri AI değildir, konuşamaz ve ekibinizin soruları sormayı öğrenmesi gerekir. Peki, ekibin rolünü nasıl ölçebiliriz?

Başlamak için bazı fikirler:

• Büyük veri eğitimi etkinliği. Ekibinizin kilit üyelerinin büyük veri konusunda eğitim almış olduğundan emin olun. Onların veri bilimcisi olmaları gerekmez, ancak hangi soruları sorabileceklerini ve bu soruları nasıl formüle edeceklerini bilmeleri gerekir. Bu durumda metrikler, eğitim etkinliği ile ilgili olacaktır¹⁰.
• Büyük veri girişimleri içeren stratejik hedeflerin %’si. Her ekibin formüle ettiği büyük veri sorgularının sayısını takip edebiliriz, ancak bu yaklaşım çok resmi olur ve daha az kullanışlı olur. Daha iyi bir seçenek, hedefler ile büyük veri sorguları arasındaki uyumu izlemektir. Ekibinizden stratejik hedeflerine bakmalarını ve bu hedefler bağlamında daha iyi kararlar almak için hangi verilere ihtiyaç duyabileceklerini tartışmalarını isteyin.

Büyük Veri Yeni İşletme Amaçlarını Belirlemeye Yardımcı Olur

İş bağlamı ile büyük veriyi eşleştirme süreci çift yönlüdür. Bazen aklımızda belirli bir zorluk olur ve ardından belirli büyük veri araçları ararız (Target örneğinde olduğu gibi), bazen de ilginç bir araç buluruz ve ardından bunu amaçlarımızla eşleştirmeye çalışırız. İşte bazı örnekler:

• Ekibinizden biri, müşteri duygularını gerçek zamanlı olarak analiz eden bir hizmet olan Heedbook¹¹ buldu. Bu hizmet Microsoft’un Azure platformu üzerinde kuruludur ve Bulutta mevcuttur. Müşteri hizmetleri ekibiniz, bu hizmeti kullanarak NPS’lerini daha iyi hesaplamak için bir fikir geliştirebilir.
• BT personeliniz, bir DLP (Veri kaybını önleme) yazılımı bulma zorluğuyla karşılaştı. CIS bölgesinde bir bilgi güvenliği şirketi olan SearchInform¹² ile karşılaştılar; bu yazılım sadece iletişimleri ve iletilen dosyaları analiz etmekle kalmaz, aynı zamanda belirli güvenlik politikalarını da uygulayabilir. Organizasyonunuzun BT stratejisi, DLP aracının sunduğu olanaklar dikkate alınarak güncellenebilir.

Her durumda, belirli işletme amaçlarını büyük veri gereksinimleriyle eşleştirmek iyi bir fikirdir.

Eylem planı. Büyük veriyi ölçülebilir hale getir.

Bu makaleden bazı çıkarımlar formüle edelim. Bunu bir eylem planı şeklinde yapmayı tercih ediyorum.

1. Büyük veriyi gözden geçir. Veriler şu anda nasıl toplanıyor, hangi veri toplama yeteneklerine sahipsiniz (büyük veri süreç metriklerini bir çerçeve olarak kullanın).
2. Ödevini yap. Stratejini strateji haritasında formüle et ve iş birimlerine hiyerarşik dağılımını yap. Mevcut KPI’larını gözden geçir.
3. Yetenekleri geliştir. Ekibin büyük veri konusundaki yeteneklerini ele alacak girişimleri planla. Anahtar üyeler hangi soruları sorabileceklerini ve bu soruları nasıl formüle edeceklerini anlamalıdır.
4. Büyük veri çabalarına odaklan. Strateji haritanı gözden geçir, büyük verinin iş hedeflerini destekleyebileceği fırsatları belirle. Büyük veri sorgularını formüle et.
5. Uygulama. Büyük verinin sağladığı içgörüleri analiz et, gerektiğinde bunları KPI’lar şeklinde yansıt.

BSC Designer Yazılımı Kullanıcıları için Kısa Kılavuz

BSC Designer kullanıcısı olarak, bu makalede tartışılan stratejik uyum ve KPI’lar konularının birçok yönünü otomatikleştirecek güçlü bir yazılıma sahipsiniz:

• Stratejik uyum ve büyük veriye odaklanma. İşletme amaçlarınızı sunmak için bir strateji haritası oluşturun; KPI’ları haritadaki hedeflerle hizalayın. Henüz bir strateji haritanız yoksa, başlamak için bir strateji haritası sihirbazı kullanın.

• Bir ekibin büyük veri yeteneklerine sahip olmasını sağlama. Ekibinizin büyük veri ile çalışmak için gerekli yeteneklere sahip olduğundan emin olmak için bir eğitim skor kartı kullanın (bu örnekle başlayabilirsiniz).
• KPI’ları büyük veri ile güçlendirme. Büyük veri girişimleri için performans ölçütlerini izleyin; göstergelere gerçek zamanlı büyük veri raporları girmek için RESTFul API kullanın.

Henüz bir kullanıcı değilseniz, çevrimiçi olarak mevcut olan BSC Designer’ın ücretsiz planı ile başlayabilirsiniz.

Büyük Veri Skor kartı Şablonunu kullan

BSC Designer, organizasyonların karmaşık stratejilerini uygulamalarına yardımcı olur:

1. Platformda ücretsiz bir plan için kaydolun.
2. Başlangıç noktası olarak Büyük Veri Skor kartı şablonunu kullanın. Bunu Yeni > Yeni Skor kartı > Daha Fazla Şablonlar altında bulabilirsiniz.
3. Paydaşları ve stratejik hedefleri kapsamlı bir stratejiye uyumlu hale getirmek için Strateji Uygulama Sistemimizi takip edin.

Bugün başlayın ve BSC Designer'ın strateji uygulamanızı nasıl basitleştirebileceğini görün!

Alexis Savkín

Alexis Savkin, Kıdemli Strateji Danışmanı ve Kurumsal Karne platformu BSC Designer’ın CEO’sudur. Uygulamalı matematik ve bilgi teknolojileri alanında geçmişiyle birlikte, alanda 20 yılı aşkın deneyime sahiptir. Alexis, “Strateji Uygulama Sistemi”nin yazarıdır. Strateji ve performans ölçümü üzerine 100’den fazla makale yayımlamış, sektör etkinliklerinde düzenli olarak konuşmalar yapmaktadır ve çalışmaları sıklıkla akademik araştırmalarda kaynak gösterilmektedir.