Etiket arşivi: CRM

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.

IBM – Silikon Vadisi – Bölüm 3

Evet bir önceki gün çok gezdiğimizin farkındayım. Bu kadar gezmek yeter diyerek sabah erkenden kalktık ve kahvaltı etmek için otelin restorantına indik. Amerika’ya gidecek sevgili okurlarıma yine basit tavsiyeler vereceğim. Amerika’da Türk restorantları hariç, ülkemizdeki gibi bir kahvaltı bulmayı çok hayal etmeyiniz. Adamlar zaten kahvaltıya breakfast demişler. İşin içine fast gibi bir kelime ekleyerek zaten amaçlarını en baştan belirtmişler.

usa-kahvalti-1

Kaldığımız oteldeki kahvaltı beklentimin gayet üstündeydi. Genel Müdürümüz Osman Bey’in verdiği oryantasyon sonucunda, güzel bir kahvaltı edebiliyordum. İlk olarak karışık bir cornflakes fırtınası, ardından Peynir-yumurta ve bagel üçlüsü son olarak da meyve tabağı ile sonlandırıyorum.

usa-kahvalti-3

Bu kahvaltıda değineceğim sadece bir konu var o da bagel. Bagel, yahudilerin icat ettiği, az mayalı, sert, hamur işi. Donut gibi ortası delik sokak açmaları gibi bir şey. Sade ve soğukken yendiğinde bir şeye benzemiyorken, ekmek kızartma makinesinde kızartıp, ortasına krem peyniri sürdüğünde gayet yenilebilir güzel bir şey ortaya çıkıyor. Kendisini tüm kahvaltılarda yanımdan eksik etmedim. Yedim, beğendim, tavsiye ederim.

usa-kahvalti-2

Güzel bir kahvaltının ardından, IBM‘in silikon vadisinin biraz dışında bulunan, kampüsüne gitmek için yola koyulduk. IBM’in herkesin hayatında bir şekilde yeri vardır. En azından duymuştur. Duydunuz değil mi sevgili okuyucular? Benim IBM ile tanışmam, babamın ilk şirket bilgisayarına kadar gitmektedir. Yani 90’lı senelerin başı diyebiliriz. Ardından arkadaşımın 2000’li yılların başında sahip olduğu ve klavyenin ortasında kırmızı düğme ile mouse kontrol edilmesi ile devam etmektedir. Son olarak mezun olup, LC Waikiki‘de işe başladığımda IBM’in aslında sadece donanım üretmediğini, yazılım alanında da çeşitli işler yaptığını görmeme vesile olmuştur. Özellikle 2013 yılı itibari ile İş Analitiği ve İş Geliştirme Müdürlüğü görevime devam ederken, IBM’in ILOG OPL Studio adlı optimizasyon yazılımı ile bol bol haşır neşir olmuştum ekibimle birlikte. Hatta Mağazalar Arası Transfer Projesini bu yazılım ile modellemiş ve çözdürmüştük. Devreye aldığımız bu sistem sayesinde 2013 ve 2014 yıllarında IBM Perakende Günleri 2013 ve IBM Business Connect 2014‘te başarı hikayesi olarak anlatma fırsatımız olmuştu. (Ben LC Waikiki’den ayrıldıktan sonra bu sistem haber olmuş. Görünce çok mutlu oldum. Tebrikler LC Waikiki. Link)

ilog-logo

IBM’den iki kişiye çok teşekkür etmeden bu yazıya devam etmemek gerekiyor. Birincisi Eray Bey. Kendisi hem bilgisiyle, hem mütevaziliği, hem yardımseverliği ile hem de arkadaşlığıyla (Abiliğiyle) yer etmiş biridir. 10 numara adamdır. Şimdi IBM’de yine çığır açacağı haberleri geliyor. Yolun açık olsun abi. İkinci olarak Ebru Hanım. Yaptığı işe hayranlıkla baktığım kişilerden biridir. Eğer bir ürün nasıl satılır, bir insan nasıl ikna edilir, bunlar yapılırken profesyonnel nasıl olunur, insan ilişkileri nasıl yönetilir öğrenmek istiyorsanız, kendisi üstadtır. IBM Konferanslarını organize eden, bize sonuna kadar destek olan kişilerden biridir. Yolun açık olsun Ebru Hanım.

ibm-logo

Evet IBM diyorduk. IBM’i tanıyalım ve ne kadar büyük bir firma önce ona bakalım.

IBM (International Business Machines; Uluslararası İş Makineleri)
Merkezi Armonk, New York, ABD’de olan, dünyanın en büyük bilişim teknolojisi şirketidir. 410.000’i aşkın çalışanı ile 170’den fazla ülkede faaliyet göstermektedir. Faaliyet gösterdiği alanlar arasında bilgisayar ve donanım üretimi, yazılım, servis hizmetleri, sunucu servisleri ve AR-GE bulunmaktadır. Dünyada her yıl en fazla yeni patent alan şirket durumundadır.
Kart delici makinelerin bulucusu Herman Hollerith’in patentlerini işlemek ve geliştirmek üzere Thomas J. Watson tarafından 1911 yılında kuruldu. Kısa zamanda iş hacmini büyüterek kendi alanında ABD ve dünyanın en önde gelen şirketlerinden biri durumuna geldi.
2015 yılında 95 Milyar Dolar ciro elde etmiş. Bunun 12 Milyar doları ise Net Kar. (İyi para) (Wikipedia)

ibm-giris

Biz IBM ile OMS yani Order Management Sistemleri üzerine görüşmek için gittik. Tüm dünya OmniChannel üzerine yoğunlaşırken biz de boş durmadık, OMS’in önde gelen oyuncuları ile ilk görüşmemizi yapmak için buralara kadar geldik. Türkiye’de neden görüşmediniz de taaa Amerika’ya gittiniz? Dediğinizi duyar gibiyim. Sadece artislik olsun diye görüşmeye gittik desem ne değişecek? Tabiki bunun için gitmedik. Türkiye’de ilgili kişilerle görüştük. Fakat, bu işin membahına gitmişken ve bu işin baş sorumluları ile görüşme fırsatımız varken bunu neden değerlendirmeyelim dedik.
Adamlar (IBM) şehrin biraz dışında bir kampüs inşa etmişler. Bu kampüse bir çalışanın ihtiyacı olan tüm şeyleri koymuşlar. Üzerine kalan bölgeleri de ekip biçmişler ki, organik beslenebilsinler. İşte adamlar böyle güzel bir yer yapmışlar.

İşte size çok şaşırdığım bir anıdan bahsedeyim. IBM’e saat 09:45 gibi vardık ve bizi çok basit bir masada bir hanım karşıladı. Kim olduğumuz, nereden geldiğimiz zaten belli olduğu için, hiçbir prosedür olmadan içeri girişimiz 2dk içinde tamamlandı. Türkiye’deki IBM ofisine girmeye çalışsam eminim daha uzun sürerdi.

ibm-giris-2

Ardından Bruce Williams (Briefing Consultant) adlı kişi bizi devraldı. Devraldı doğru bir kelime mi bilmiyorum ama biz devralındığımızı hissettik. Hayatımda ilk defa bir briefing danışmanı ile tanışmıştım. 50’li yaşlarda şık giyimli bir adamdı. İlk olarak eşyalarımzı toplantının yapılacağı odaya bıraktık. Toplantı yapacağımız oda girişe çok yakındı. Eşyalarımızı bıraktıktan sonra kendisi bize “geri geri” yürüyerek göz temasını kaybetmeden şirketi tanıttı. IBM kaç yılında kuruldu, burada ne işler yapılıyor, nerede ne var diye. Son olarak Lavoboların nerede olduğunu gösterdi. Sonra tekrar odaya geri döndük.

İlk olarak tanıştık. Ardından programın içeriğinden bahsetti. Hangi konuşmacının hangi saatler arasında konuşacağını söyledi. Toplantıya başlamadan önce bilinmesi gerekenleri anlattı. Örneğin acil bir durumda yapılması gerekenleri ve acil çıkışların nerede odluğunu söyledi. (Açıkçası böyle bir açıklama ile ilk defa karşılaştım. Hiç aklıma gelmemişti. Ben eğiticinin eğitimi adlı eğitimi almama rağmen bu beni çok etkiledi) Normal araları ve yemek arasının ne zaman olduğunu söyledi. Yemek konusunda herhangi bir alerjimizin olup olmadığını sordu. (Bu da bence efsaneydi. IBM bizim ne yiyebileceğimizi 2 haftadan önce öğrenip bize özel yemek pişirtmesi de ayrı bir güzellikti. Fakat toplantı esnasında servis edilen yiyecekler içinde kendisinin alerji konusundaki hassasiyeti çok etkileyiciydi) Son olarak bizim bu odada bir takımın oyuncuları olduğumuzu ve birlikte çalışarak güzel bir gün geçireceğimizden bahsetti. Her kim sunum yaparsa süreyi kendisinin yönetceğini ve bitmesi gereken zamanı bildireceğini belirterek sözü şirket tanıtımı yapması için IT Direktörümüz Hakan Bey’e devretti. Hakan Bey şirketimizi anlatan kısa bir sunum yaptı ardından esas konu konuşulmaya başlandı. Şimdi araya girmek istiyorum. Bir departman müdürü olarak, yurtdışında hiç sunum yapmadım. Ama profesyonel kariyerime devam edeceksem sanırım bunu yapmak durumunda kalacağım. İngilizcem iyi bir sıkıntı yok ama hiç sunum yapmadım. O sebeple bu konuda kendimi geliştirmem lazım.

ibm-sabri

IBM yetkilileri başladı anlatmaya. Hemen OMS konusuna girmediler. Önce tüketici davranışları ve son araştırmalardan bahsettiler.
Söyledikleri ilk şey “Customers have the power” yani “Müşteri güce sahip” O yüzden, müşterimizin kim olduğunu bilmemiz gerekiyor. Peki nasıl bileceğiz? Bunu bilmenin yolu ise SoLoMo.

SoLoMo
Solomo kelimesini ilk duyduğumda aklıma bir anım geldi. LC Waikiki’de çalıştığım yıllarda yurtdışından bir kargo bekliyordum. Kargo gelmiyordu. Aradan 2 hafta geçmesine rağmen kargo yoktu. Sonra bir gün bizim kargo dağıtan abi, masama geldi ve “Sabri Sen misin?” dedi. “Evet benim” diye cevap verdim. “Bu kargonun senin olma ihtimali yok ama yine de bir baksana senin mi?” dedi. Kargoya baktım. Üzerinde büyük harflerle ismim yazılıydı. Sabri. Yanında ise SOMONO yazılıydı. 😀 Sabri Somono. Bugüne kadar soyadımı yanlış yazan bir çok kişi gördüm. Suyolu, Soyunur, vs. Ama bu efsaneydi. Sabri Somono. Cezayir asıllı italyan aşçı ismi gibi 🙂 (Bu da böyle bir anımdı)

SoLoMo’ya gelecek olursak, aslında çok basit. So – Social, Lo – Location, Mo – Mobile. Müşterinizin sosyal mecralarda paylaştıkları, nerede yaşadığı nerelere gittiği ve mobil cihazlarında hangi uygulamaları kullandığı nerelerden ne alışveriş yaptığı gibi bilgiler. Evet kulağa çok korkunç geldiğini biliyorum. Fakat bugün Amerika’daki müşterilerin %67’si akıllı telefon kullanıyor. Akıllı telefon kullanmak demek, bu bilgileri zaten paylaşmak demek. O yüzden şimdi etik kısmını geçelim de biraz iş konuşalım.

customer-1

Müşterilerinizin kim olduğunu bu verilere ulaşarak öğrenirsiniz. Bu verilere sahip olursanız da, müşterinin gücüne sahip olursunuz. Peki bu verilerle ne yapacağız?

Müşterinin tahmin edilemeyen davranışlarını, tahmin edilebilir hale getirmek. (?)

Hepimiz birer müşteriyiz. Hepimiz her gün alış veriş yapıyoruz. Alışveriş yaparken bir çok şeyi düşünerek yapıyoruz. Örneğin, alışveriş yaparken öncelikle kendi evimize yakın AVM’ye ya da mağaza/markete gidiyoruz. Sevdiğimiz renklere uygun alışverişleri yapıyoruz. Bunları sosyal medyada paylaşıyor ve belirtiyoruz. Mobil uygulamalar üzerinden inceliyor ardından alışverişi mağazadan ya da internetten yapıyoruz. Kendimize mi yoksa başkasına mı alışveriş yaptığımızı bir biz biliyoruz başkası değil 🙂 Ve bunun gibi bir çok bilinmeyen.

Peki mağaza bizim hakkımızda ne biliyor. Eğer elinizde CRM (Customer Relationship Management) yada CXM (Customer Experinece Management) ile ilgili hiçbir alt yapı yoksa, sadece POS Data dediğimiz satış datasına sahipsiniz demektir. Bu da kısıtlı bir bilgidir ve müşterinize özel bir harekette bulunmanızda işinize yaramaz.

customer-2

Şu şekilde düşünün. Hep alışveriş yaptığınız bir marka olsun. Sonuçta 4 seferden fazla alışveriş yaptıysanız artık o markaya sadık bir müşteri haline gelmişsiniz demektir. Hatta bu marka ile duygusal bir bağınız var bile diyebiliriz. Mağazaya ya da e-ticaret sitesine girdiğinizde sizi tanısa ve sizin seveceğiniz ürünleri size önerse, hem de bunu kişiselleştirerek daha önceki yaptığınız alışverişlerle ilişkilendirerek yapsa, hatta ve hatta sizin için beğendiğiniz ürünlere indirimler sunsa, sizi özel davetlere çağırsa, sizin bir probleminiz olduğunda sizinle en öncelikli ilgilense, siz o markaya daha çok bağlanmaz mısınız? Bu sayede daha çok alışveriş yapmaz mısınız? Etrafınızda herkes alışveriş yapsın diye de çalışmaz mısınız?

customer-4

Aslında sadık ve bağlı olan müşteri edinmek çok zor değil. Sunumda bunu 4 cümle ile özetlediler.

Know Me – Beni Tanı
Serve Me – Bana Hizmet Et
Listen to Me – Beni Dinle
Let me be in Control – Kontrolün ben de olmasına izin ver

Eğer bunu yapabilirseniz, müşterinin elindeki gücü en iyi şekilde kullanırsınız.

customer-3

Aklınıza şu soru geliyor olabilir. “Ya Türkiye’de alışveriş yapan kişilerin hepsi yaşlı, sen kimi kandırıyorsun?” (Tam bir soru olmadı aslında:))
Ben 30 yaş üstünde bir insanım ve alışveriş yapıyorum. 1990 yılında doğan bir kişi bugün, 26 yaşında. Çok değil bundan 4 sene sonra, 2000 yılında doğan bir bebe, 20 yaşında olacak. Kısacası Millennials (Y Kuşağı) kontrolü ele geçiriyor. Sen bugün yaşlılar alışveriş yapıyor demeye devam et. Fakat çok farklı alışkanlıkları olan bir nesil, alışveriş kültürünü değiştirmeye geliyor.

IBM IBV (Institute for Business Value) 2013-2015 yılları arasında yaptığı araştırma sonucunda aşağıdaki sonuçlar ortaya çıkmış.
Alışveriş yaparken, Online tercih ederim diyen kişilerin, yaşlara göre dağılımını geçen seneki fikirlerine göre kıyaslamışlar.

ibm-anket-1

İkinci grafikte ise, son alışverişini online kanaldan yapan kişilerin yaş dağılımını geçen seneki durumları ile kıyaslamışlar

ibm-anket-2

Kuşakları bir kenara bırakıp genel tabloya baktığımızda da yeni neslin alışverişi ele geçirdiğini görebiliyoruz. Yine aynı araştırma sonucunda, insanlar alışverişlerinin %27’sini online olarak yapmışlar. (2012 yılına göre %50 artış göstermiş.) %67’si akıllı telefona sahipmiş. %69’u alışverişlerinden sonra bir yorum bırakıyorlarmış. %64’ü daha önce yazılan yorumların, satın alma kararlarını etkileyen en önemli faktör olduğunu söylüyormuş. Her 10 kişiden 9’u da alışveriş yaptıkları şirketlerin omnichannel yetkinliğinin olmasını bekliyormuş.

IBM yetkilisi, bu bilgiyi verdikten sonra konuyu OmniChannel Sistemlerine bağladı. 🙂 Bence gayet güzel bağladı. Şimdi gelelim Omnichannel nedir?

Omni-channel
Brick-and-mortar (Tuğla ve harç) terimi, bir yapı ya da bina için kullanılmaktadır. Perakende de, bu terimi kullandığınızda fiziksel mağazanızı ifade etmektedir. Geçmiş zamanda, e-ticaretin yaygın olmadığı zamanlarda tek kanal yani sadece mağaza vardı. Müşteri mağazaya gelir alışverişini yapar, bir problemi olursa da oradaki kişiyle görüşürdü.

omni-channel-3

Ardından, Satış kanalları artmaya başladı. E-Ticaret, telefon ile satış yapılırken, call center vasıtasıyla müşteriye destek olunmaya başlandı. Bu sayede çok kanala (multi-channel) geçiş yaşandı. Mobil kullanımın artması ve sosyal medyanın hayatımızın içine girmesiyle çok daha kompleks bir yapıya dönüştü. İşte burada Omni-channel devreye girdi. Müşteri bir taneydi. Her kanalda ayrı bir kişiymiş gibi davranılmasını istemiyordu.
Müşterinin, tüm kanallarda (Mağaza, internet, sosyal network, mobil, call center vs.) aynı alışveriş deneyimini yaşamasını sağlayan platformlara Omni-channel denir.

omni-channel-1

IBM bu konuda çok başarılı bir ürün ortaya çıkarmış. Sunumun son kısmında, bize bu platformu sundular. Dünyada kimlerin kullandığını, hangi perakendecilerin burada başarı sağladıklarından bahsettiler. Açıkçası ben çok etkilendim. Çok büyük bir yapı ve tüm herşeyi düşünmüşler. Ama tabi biraz da pahalı 🙂

Yazıklarımı özetleyecek olursam, artık alışveriş deneyimi değişiyor. Müşterisini memnun eden, perakendeciler pazarda kalmaya devam edecekler. Müşterisini tanıyan ona doğru ürünü sunan firmalar çok daha başarılı olacaklar. Müşteriye iyi bir alışveriş deneyimi sunan kişiler, aynı zamanda iyi bir marka deneyimi sunmuş olacaklar.
Günümüzde, bir insan alışveriş yapmadan önce ciddi araştırıyor, Pre-Purchase denilen bu aşamada, bütçesine göre doğru ürünü bulmak için araştırıyor. Purchase yani satın alma işlemi ise çok kısa sürüyor. O yüzden, internet ya da sosyal medya üzerinde markanın ve ürünlerin başarısı, sizden satın alma ihtimalini de artıracaktır. Post-pruchase yani, ürün satıldıktan sonra satış sonrası destek de, kişilerin bir daha sizi tercih etmesi için en önemli adımlardan bir tanesi. Koşulsuz iade, müşteriyi evinde gibi hissettirmek, markanın onu sevdiğini göstermek bunlardan sadece birkaç tanesi.

Alışveriş deneyimi değişiyor. Ayakta kalmak için belki stratejinizi, belki vizyonunuz belki de temel değerlerinizi değiştirmeniz gerekecek. Zor değil, sadece müşteriyi dinleyin yeter. Sonuçta müşteri sizin veli nimetiniz. 🙂

Bu yazıyı burada bitiriyorum. Çünkü çok uzun oldu. İkinci günün ikinci kısmı olan Amerika Ofisi ve Amazon ziyaretini diğer yazıya sakladım. Herkesin geçmiş bayramı kutlu olsun 🙂 Görüşmek üzere.