Ne İş Yapıyorum – Big Data ve Machine Learning – Bölüm 1

Not: Yazıya klasik kendi iç konuşmalarımı yazma niyetiyle başladım. Ardından TRT World’de ne iş yaptığımı anlatayım dedim. Sonra onu anlatmak için Big Data’nın ne olduğunu anlatmam gerektiğini fark ettim. Fakat bunu anlatmak için perakende bilgimi kullanmanın faydalı olacağını düşündüm (Nedenini okuyunca anlayacaksınız) Sonra Machine Learning derken yazı uzadı da uzadı. Hatta TRT World’de yapmak istediğimiz işlere global örnekler vermeye çalışırken yazı bitmek bilmedi. Bu sebeple yazıyı üçe bölmeye karar verdim. Yazının tamamı bittiği için 5-6 gün arayla yazı yayınlanacak ve bitecektir. Okuduğunuz için teşekkür ederim. Tekrar yazmak çok güzel. Günde 1 saat yazmak iyi gelir, herkese tavsiye ederim.

-Ooooo Müdür naber? Hiç görüşemiyoruz.
-Ben artık müdür değilim bu birincisi. Görüşemiyorsak, bu çift taraflı bir problem değil mi sence de?
-Haydaa, ben mi seni müdürlükten aldım. Neden kızıyorsun ki? Hala 4 saat yollarda sürünüyor musun?
-Hee senin haberin yok mu? Ben iş değiştirdim, yeni çalıştığım yer Ortaköy’de. Akşam 6’da eve oluyorum.
-Vay vay vay. Öyle iş mi var ya. Bize de iş bulsana oradan.
-Yok abi bulamam ben sana iş.
-Neresi orası?
TRT World.
-TRT mi? Ne yapıyorsun ki abi sen orada? Sen perakendeci değil miydin? Hayır yani ne alaka?
-Uzun hikaye…
-Gerçi iyi olmuş, perakendeye hep parakende diyordun.
-…
-Anlat anlat, vaktim var benim. Eski Parakande Analitiği Müdürü 😀
-…….

9 sene. Dile kolay. Perakendede dirsek çürütülmüş 9 sene. TRT World’de çalıştığımı söylediğimde aynı tepkiyi veren sizler, haksız değilsiniz? “Neden böyle saçma bir şey yapmış” diye içinizden geçirdiğinizi biliyorum. “O kadar senelik emeğini bir kenara atmış” dediğinizi de biliyorum. “En verimli olacağı zamanda bu sektör bırakılır mı?” diye beni düşündüğünüzü de biliyorum. Ama durun bir dinleyin söyleyeceklerim var.

Anlatmaya nereden başlasam. LC Waikiki’deki son 1 sene başlangıç için iyi olacak. 2014-2017 yılları arasında bir çok üniversiteye konuşmacı olarak gittim. İki amacımız vardı, birincisi yaptığımız işi anlatıyorduk ikincisi ise çalıştığımız şirketin bize bu imkanı verdiğinden bahsediyorduk. Anlattığımız konular, Optimizasyon (Matematiksel Modelleme), Simülasyon, Otomatik Sevkiyat Sistemleri, İş Zekası, İş Analitiği, Big Data, Veri Madenciliği, Machine Learning gibi konulardı. Saydığım konuların çoğunu çalıştığım şirketlerde yapıyorduk. Fakat konu Big Data ve Machine Learning’e geldiğinde, ne yazık ki sadece konuşuyordum. Çok güzel anlatıyordum ama yaptığım elle tutulur bir örnek yoktu. İşin garibi, iş dışında da bu konularla ilgili bir gelişme kaydedemiyordum. (Silikon Vadisine ve NRF’e gitmeseydim bunlar olmayacaktı)

Acaba ML ve BD uygulaması yapmamış olmam, uygulama alanı olmadığı için olabilir mi? Hadi bunu sorgulayalım.

Perakende sektöründe Big Data var mıdır?
Bugüne kadar hep data ile uğraştım. Akşam yattım data, gece rüyamda data, sabah kalktım data, gün boyu data, data, data (20 defa arka arkaya data deyince traktör sesi çıkıyor 🙂 )
Uğraştığım data hep yapılandırılmıştı. Daha doğrusu ben yapılandırılmış data üzerinden analizlerimi yapıyordum. Satış, Stok, Mağaza, Müşteri gibi datalardı. Ne, Nerede, Ne kadar gibi soruların cevabı netti ve tekti.

Kısa bir bilgi vermek gerekirse, yapılandırılmış veriler incelenirken dimension (boyut) ve measure (ölçüm) ile incelenir. Perakendedeki verilerin boyutlarına bakacak olursak,

  • Lokasyon (Ülke, Şehir, Mağaza, vs.)
  • Zaman (Yıl, Hafta, Ay, Gün, Saat, vs.)
  • Ürün (Kategori, Buyer Grup, Klasman, vs.)
  • Müşteri (Müşteri No, İsim, Adres, Telefon, vs.)
  • Plasiyer – Satış Danışmanı (İsim, Yaş, Çalıştığı sene, vs.)

Ölçümlere bakacak olursak,

  • Satış
  • Stok
  • Fiyat
  • Vs.

Bu boyutlar ve ölçümler kullanılara, çeşitli hesaplanmış alanlar oluşturulabilir ve farklı boyutlarda farklı analizler yapılabilir.

Peki, bu büyük veri midir? Elimizde bu verilerden milyonlarca olsa büyük veri mi olur? Peki ya milyarlarca olsa? Şimdi literatürde büyük veri ne demek kısaca ona bakalım.

İlk tanım: Big Data, zamanla elde edilen, yapılandırılmış ya da yapılandırılmamış, yani henüz geleneksel yöntem veya araçlarla işlenerek kullanılabilir hale getirilmemiş verilerdir.
İkinci tanım: Büyük veri, tek bir sunucuya sığmayacak ölçüde büyük, yapılandırılmamış veya statik bir veri ambarına sığmayacak şekilde sürekli akan veriler için kullanılır.
2012 yılında dünyada 2,8 zetabayt’dan daha fazla veri tutulmuş. Bu verilerin sadece %0,5’i analiz edilmiştir. Bunun en büyük nedeni, bu verinin satır sütun formatında olmamasıdır.(2,8 trilyon gigabyte) Bu veri boyutunun exponential arttığı düşünülürse 2016 yılında kaç olduğunu hadi siz tahmin edin 😛

Big Data ile ilgili en az bir konferansa katıldıysanız aşağıdaki tanım size hiç yabancı gelmeyecektir.

Big Data 5V’den oluşur:
Volume: Verinin büyüklüğü artıyor ve büyük veriyi bir yere yazmak lazım
Velocity: Verinin elde edilme hızı artıyor. Veri çok hızlı büyüyor. Hızlı okumak hızlı yazmak lazım.
Variety: Elde edilen verinin %80’i yapısal değil. Her kaynağın verisi farklı formatta.
Value: Verinin üretilmesi ve işlenmesi sonucunda ortaya çıkan değer.
Veracity: Hakikat! Doğruluk! Elde edilen verinin içindeki gerçek anlamı ve hakikatı ortaya çıkarmak. (Örneğin Twitter gibi bir mecrada yazılmış 140 karakterli bir yazıdan anlamlı bir şey çıkarmak olarak yorumlanabilir)

Şimdi düşünelim, elimizdeki milyarlarca data big data mıdır? (Bu analizler geleneksel perakendeciler için yazılmıştır. Zaten yazının ilerleyen yerlerinde geleneksel perakende, big data ve machine learning birleşiminden bahsedeceğim.)

Volume: Verimiz hızla artıyor fakat tek bir veriambarında bu veriyi tutabiliyoruz. X
Velocity: Verinin elde edilme hızı, mağaza sayısı ile doğru orantılıdır. Bu sebeple mağaza sayısının artmadığı durumlarda hızı da artmaz. X
Variety: Elde edilen veri yapısal veridir. Satış stok bunlar yapısal veriler. X
Value: Analizler ve çeşitli teknikler değerin kralını üretir. Otomatik sistemler, karar destek sistemleri çıkar. V
Veracity: Bu terim sonradan çıkarıldı. Hala bende oturmayan yerler var. Rakamları anlama dönüştürebilmek olarak alırsak, bunu da dahil etmeliyiz. V

Sonuç olarak 2/5 büyük veri olmadığını görüyoruz. Peki perakendede büyük veri nedir? (İki saattir ne değildir diye anlatıp duruyorsun be adam, zaman kazanmayı bırak da anlat bize)
2015 yılında Big Data nedir diye internet üzerinde ararken hep aynı şeyler karşıma çıkıyordu. Aradığım tanımı bulamıyordum. LC Waikiki vasıtasıyla Boğaziçi Üniversitesi’nde bir etkinliğe juri olarak katıldım. Sunum yapan çocuklardan bir tanesinin konusu, makinelerin bakım zamanlarının tahminini big data yardımı ile yapılmasıydı. İlk cümlesi şuydu:

Big Data nedir? Big Data, şu ana kadar ölçmediğiniz veridir.

Dediğinden hiç bir şey anlamadım. Sonra aklıma şu özlü söz geldi.
Ölçtüysen senindir, ölçmediysen hiç senin olmamıştır.
Evet evet! Anlıyordum, aydınlanıyordum! Evreka Evreka diyerek bağırmaya başladım. Sanırım bağırmak yerine horlamışım ve yanımdaki adam beni dürterek uyandırdı. Utanarak sunumu dinlemeye devam ettim.

Ölçmek ya da ölçmemek! İşte bütün mesele bu.

Perkanedeyi oluşturan her bir öğenin içinde bir big data kırıntısı bulunabilir.
Lojistik: Araç takip sistemleri ve araç sensörleri ile oluşan veri. (Araç güzergah bilgileri, aracın hızı, aracın kalma durma süreleri, araç iç sıcaklık, vs.)
Depo: RFID, beacon gibi teknolojiler ile, depo içerisinde her bir ürünün hareketinin tespit edilmesi.
Mağaza: In-Store Analytics dediğimiz, mağaza içindeki müşterilerin hareketlerinin takip edilmesi, sıcaklık ölçen kameralar ile mağaza içi heatmapler, mağaza shiftlerinin daha iyi oluşturulması için personellerin giriş çıkışlarının otomatik yapılması, RFID ile ürünlerin mağaza içindeki hareketler
Merchandising: Sosyal Medyadaki trendlerin takip edilmesi
CRM: Müşterilerin ihtiyaçlarının tespiti, kişiye özel süpriz çözümler

Evet çok kısa kısa ve biraz da altını boş bıraktığımın farkındayım. Fakat sadece Sosyal Medya ile ilgili big data kavramını 4-5 sayfada anlatabilirim. Onun yerine yazının ilerleyen kısmında kısa bir hikaye anlatacağım. Perkande, Big Data ve Machine Learning ile ilgili bu güzel hikayede, olayları daha iyi kafanızda canlandırabileceksiniz. (Şimdilik bir virgül koyuyoruz)

Perakende sektöründe Machine Learning uygulaması var mıdır?
Öğrenme, bireyin yaşantılar sonucu davranışlarda meydana gelen oldukça uzun süreli değişmelerdir. En yalın tanımla Bilebilme ve Yapabilme eylemidir. Yapay Zeka, Bir bilgisayarın veya bilgisayar kontrolündeki bir robotun çeşitli faaliyetleri zeki canlılara benzer şekilde yerine getirme kabiliyetine denir. Yapay Zeka’nın alt bir dalı olan Makine Öğrenmesi (Machine Learning) ise, bilgisayarın “öğrenme” işlemini sağlayacak algoritma ve tekniklerin gelişimi ile ilgili bir çalışma alanıdır. ML, geçmiş deneyimleri veya örnek verileri kullanarak daha iyi sonuçlar üretmek üzere gerçekleştirilmiş bilgisayar yazılımları oluşturma tekniğidir. ML tekniklerine bir kaç örnek verecek olsak, Kredi Taleplerini Değerlendirme, Yüz tanıma sistemleri, Spam Mail belirleme, IBM Watsons, vs.

Şimdi perakende sektöründeki ML uygulamalarını düşünelim. İlk aklıma gelen, CRM ile ilgili konular.

  1. Recommendation Engine : Türkçe’de bilinen adıyla “Bunu alan bunu da aldı” sistemi. Recommendation Engine ile ilgili bir konu olduğunda, Amazon örnek olarak verilir.
  2. Customer Churn : Müşterinizin sizi terk edip etmeyeceğini öngörerek buna göre aksiyon almanıza yardımcı olur.
  3. Market-Basket Analysis : Sepet analizi yaparak, en çok birlikte satan ürünleri tespit ederek, bu ürünleri paket (bundle) şeklinde satmanıza yardımcı olabilir.
  4. Cluster Analysis : Müşteri, ürün ya da mağazalarınızı gruplayarak, karar mekanizmalarını güçlendirebileceğiniz bir yöntem. Örneğin, müşterileri LTV ve Karlılığa göre gruplayarak onları isimlendirebilir ve kampanyaları gruplara özel çıkabilirsiniz.
  5. Müşterilerin stillerinin belirlenmesi : Bu cluster analizin içine dahil edilebilse de, yaptığı alışverişe göre, hangi renkleri, hangi kıyafet tarzlarını, ürün bilgisi ile birleştirip, birinci maddedeki öneri sistemlerinde kullanılabilir. Eğer elinizde ürün bilgisi yok ise, opencv gibi teknikler kullanarak, ürünün resminden bu bilgiyi çıkarabilirsiniz.
    CRM dışında örneklere bakacak olursak
  6. Kombinli Satışın Plasiyer etkisi : Kombinli olarak satılan ürünlerde, plasiyer (satış danışmanı) etkisinin olup olmadığının tespit edilmesi
  7. Başarılı Plasiyer Sistemi : Bağımsız değişkenlerin, plasiyer başarısına etkisinin olup olmadığının tespit edilerek, yeni eleman alımlarında bunun göz önünde bulundurulması
  8. Ürün başarı nedenleri : Satılan ürünün başarısının, bileşenleri ile analizi ve yeni ürün geliştirmede kullanılması (a.k.a. Besim)
  9. Yeni mağaza açma : Yeni açılacak mağazanın yerinin, nüfus, gelir seviyesi, aynı caddede bulunan diğer mağazalar gibi bağımsız değişkenlerle tespit edilmesi
  10. Çalışan Terketme 😛 : Çalışanlarınızın istifa edeceğini önceden tespit etmek. Bu mümkün mü evet mümkün ama bence çok zor ve riskli bir uygulama 🙂
  11. Çocuklar büyüyor : Çocuklar için alışveriş yapan müşterilerin, veri ile çocuklarının büyümesinin tespit edilip, önerilerde bu verinin kullanılması.
  12. Biten ürün : Raf ömrü belli olan ürünlerde, müşterinin ürünü bittiğinde kendisine o ürünü (uygun fiyatla) önerilmesi.

Hem Big Data hem de Machine Learning ile ilgili ayrı ayrı bilgi edindik. Şimdi geldi bunları Perakende ocağında pişirip birleştirmeye. Fakat yazımızın ilk bölümü burada bitiyor. Bir sonraki bölümde Pelin the Planner ile ilgili bir hikaye ile BD ve ML uygulamalarından bahsedeceğiz. İkinci yazı önümüzdeki hafta bugünlerde yayınlanır diye düşünüyorum. Görüşmek üzere.

Ne İş Yapıyorum – Big Data ve Machine Learning – Bölüm 1” üzerine bir düşünce

  1. Geri izleme: Ne İş Yapıyorum – Big Data ve Machine Learning – Bölüm 2 | Sabri Suyunu

Bir Cevap Yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir