Etiket arşivi: lcwaikiki allocator

Ne İş Yapıyorum – Big Data ve Machine Learning – Bölüm 2

Yazının birinci bölümünü okumadıysanız buradan ulaşabilirsiniz.

Ali, Veli ve Pelin kim olduğunu bilmiyorsanız, bu yazıyı okuyabilirsiniz.

Bir önceki bölümde, kısaca Big Data, Machine Learning kavramlarının ne olduğunu ve ayrı ayrı düşünüldüğünde Perakendede nasıl uygulanabileceğinin üzerinde durmuştuk. Şimdi ise bunlar birleştiğinde Perakendede nasıl olacağını hayal edeceğiz ve bu hayalimizi de bir hikaye ile anlatacağız. Başrolünde Pelin’in olduğu, Truman Show, Terminatör, Starbucks, Augmented Reality gibi birbirinden ilginç konuların bulunduğu bu hikayeyi tek solukta okuyacaksınız. İyi okumalar

Haydi bir hikaye yazalım. Hikayemiz Pelin hakkında. Pelin’i bilenler bilir. Analything dergisinin 3 yıldızından bir tanesiydi. Hani şu planner olan. Hikayemizin ismi de “Gelin Pelin Jacqueline”

Pelin işten çıkıp eve gittiğinde, hemen uyumak istiyordu. Çok yorulmuştu. Yaklaşan düğün heyecanı ve işlerin yoğunluğu artık son noktaya gelmişti. Bir taraftan gelinlik hakkında araştırma yapıyor, bir taraftan balayı programını en eksiksiz bir şekilde hazırlamaya çalışıyor, bir taraftan alması gereken hediyeleri araştırıyor, bir taraftan da planlama ile ilgili olan işleri yapıyordu. Yemeğini yedi, televizyonu açtı, koltuğa uzandı ve gözlerini kapattı.

06:15‘de çalan alarm ile güne gözlerini açtı. Gözlerini açtığında hala gün(düz) değildi. Gözlerini tekrar kapatmak istedi fakat servisi kaçırırsa vereceği taksi parasını düşündükçe bu fikrinden uzaklaşıyordu. Telefonunu eline aldı. LCSO (LC Waikiki Servis Otomasyonu) adlı uygulamayı açtı. Servisin 25 dakika mesafede odluğunu gördü. Şu anki yol durumuna göre her zamanki vaktinde gelecekti. Evinden servis bekleme yerine yürüme mesafesi de 2 dakika gösteriyordu. Uygulama üzerinden son 5 dakika hatırlatmalı alarmı kurdu ve hazırlanmaya başladı. “5 dakika kaldı” alarmı çaldığında hazırdı. Acele etmeyerek yavaş yavaş servis bekleme noktasına yürümeye başladı. LCSO’ya göre Ali (the Allocator) bugün servise binmemişti. Hasta olduğunu düşünerek mi üzülse yoksa işlerin bir kısmı kendisine kalacağına mı üzülse bilemedi. Neyse ki Veli kendini çok geliştirmişti. O yüzden bu konuyu düşünmeden yürümeye devam etti. Servisi 1-2 dakika bekledikten sonra geldi. servise bindiğinde kısık bir dıt sesi çıktı ve yerine geçip oturdu. LCSO’dan gelen yeni bir push notfication dikkatini çekti. (İşe gelmeyecekleri zaman, uygulama üzerinden işaretleme yapıyorlardı ve bu sayede, şoför dinamik rotalama yapabiliyordu. Çalışanlara servise binecekleri saatlerin değişmesi durumunda push notification ile haber verilebiliyordu) İşe geldiği son 10 gündür servisi hiç bekletmediği ve hep zamanında geldiği için, 1 adet tall mochasını, aşağıda bulunan kare kodu kullanarak şirketin içinde bulunan starbuckstan alabileceğini belirtiyordu. Mutlu oldu. Arkasına yaslandı.
35 dakikalık bir yolculuk onu bekliyordu. Uyumak ya da uyumamak arasında gidip geldikten sonra düşünmeyi tercih etti.

Çalışma hayatının belki de en büyük zorluklarından bir tanesi sabah erken kalkma ve servisle geçirdiğin bu koca vakitti. Düşünsene her gün gidiş geliş 1.5 saat vakit harcıyordun. Yine de bir işe sahip olmak ve sevdiğin bir işe sahip olmak bu günlerde bulunmaz nimetlerden bir tanesiydi. Son 3 sene çok hızlı geçmişti.

Allocatorlıktan plannerlığa geçmişti, ilk başta çok zor gelse de zamanla alışmıştı. Plannerlıktaki 3. senesini tamamlamıştı. Araba ve ev alma konusunda gidip gelmiş ve sonunda bir ev almaya karar vermişti. Eşyalar, taşınma, vs. derken 1 sene geçmişti bile.

Yeni hobiler edinmişti. Terrarium ile uğraşıyordu ve stresini bu şekilde atmaya çalışıyordu.
Geçen sene bir arkadaşı vasıtasıyla tanıştığı “Patrick Jacqueline” adlı kişi ile 6 ay sonra evlenecekti. Aşık olmuştu ama doğru mu yapıyorum diye de sormadan edemiyordu kendine.

Bunları düşünürken, iş yerine ulaştı. Servis kapalı otoparka girerken, yavaşçana toparlandı. Yeni bina eski binadan daha modern olmasına rağmen, arada eski binayı özlediğini farketti. Simit yemek istiyordu ama bu kadar üşengeçken çok mümkün değildi. Yavaş yavaş yukarı çıkmaya başladı. Aklına Starbucks hediyesi geldi. Starbucks’a doğru yürürken 2 şey aklına takılmıştı.
“Birincisi, son 10 gündür servise zamanında geldiğimi nereden biliyorlardı?”
“İkincisi, Mocha’yı ben sevdiğim için mi hediye etmişlerdi yoksa bu bir rastlantı mıydı?”

Tabiki rastlantıydı. Herkesin ne sevdiğini nereden bilebilirlerdi ki? Tam bu cümleyi aklından geçirirken, karşıdan Melih’in ona doğru yürüdüğünü gördü. Ağzı kulaklarına varmıştı. Söze ilk giren o oldu:

“Pelin, sana çok ilginç bir şey söyleyeceğim. Benim hep servise geç kaldığımı biliyorsun. Fakat son 5 gündür geç kalmıyordum. Bugün bir mesaj aldım. Tahmin et ne yazıyordu?”
Bu soru cümlesi cevap bekleyen bir cümle miydi, yoksa devam etmesi için doğrulaması mı gerekiyordu bilemiyordu. Sadece kafasını sağa sola çevirdi. O da devam etti.
“Bana gönderdikleri mesajı dinle: “Senin başarın diğer kişilerin başarısından daha değerli. Azmini tebrik ediyoruz. 5 kere üst üste geç kalmadın. Vanilya Cafe Latte (Yumuşak İçim) kahve bugün bizden. Afiyet olsun.” İnanabiliyor musun? En sevdiğim kahveyi hediye etmişler. Rastlantının böylesi ve bu kadarı”
“Vay be” diyebildi sadece. İçinde hem sıcak hem de soğuk bir rüzgar esti.

Kahvesini almaktan vaz geçerek masasına gitti. Masasına oturdu. (Neden sandelyede oturulmuyordu hala bilmiyordu) Veli çoktan yerine oturmuş ve çalışmaya başlamıştı. Maillerini açtı ve teker teker okumaya başladı. Günlük raporların dışında bir mail gözüne çarptı:

“WGSN Fotoğraları ile Trend Analizleri”

Reklamdır diye düşünüp devam etmek istedi fakat bir şans vermeye karar verdi. Raporu anlatan kısa bir yazı bulunuyordu:

“WGSN Worth Global Style Network, Dünyadaki her markanın vitrininden tutun da, moda dergilerinin kapaklarına kadar, önemli moda şehirlerinde yolda yürüyen insanların giydiği kıyafetlerden, “bu da moda mı yav” diyeceğiniz defilelere kadar, dünyanın modasının nabzını tutan bir portaldır. Biz Data’cılar bu siteye girdiğimizde hiç bir şey anlamıyoruz. Moda ne kadar “değişik” bir şey diyoruz. Fakat Data’nın yalan söylemeyeceğini de biliyoruz. Bu sebeple, bu sitede bulunan fotoğrafları analiz eden, sınıflandıran, kategorilere ayıran, birbirleri arasındaki ilişkiyi ortaya çıkaran bir yapı geliştirdik. Bu yapı sayesinde,

  • Yıl (Zaman)
  • Şehir, Ülke (Yer)
  • Cinsiyet (Kadın, Erkek, ?)
  • Yaş Grubu (Çocuk, Büyük)
  • Marka (X, Y, Z)

boyutlara göre, Renk ve Range bilgilerine ulaşabilirsiniz. moda olan renklerin dışında, Range bilgisi sayesinde o sene hangi tarz kıyafetlerin (Kısa kollu, uzun kollu, çizgili, düz, vs.) ve Klasman detayında analizler (Elbise, T-shirt, Etek, Pantolon, vs.) yapabileceksiniz.
Rapor test aşamasında olduğu için, herhangi bir problemle karşılaşırsanız lütfen bize iletin.”

Bu nasıl mümkün olabilirdi? Şirkette ilginç bir ekip vardı ve hep böyle değişik analizler yapıyorlardı. Geçen ay da, Sosyal medya üzerinde ünlülülerin giydiği kıyafetlerle ilgili bir veritabanı oluşturmuşlardı. Yer yerinden oynamıştı.

Bu verileri kullanarak, tasarımcılarla çok daha verimli toplantılar yapabileceğini düşündü. “Sence Bu Kaç Satar?” adlı uygulama ile bu analizler birleştirince tamamen akıllı bir planlama yapılabilirdi.

“Sence bu kaç satar” uygulaması geçmiş veriden beslenen bir uygulamaydı. Önceki senelerde üretilen ürünlerin bileşenleri ve satışa detlerine göre, her bir bileşenin satışa etkisini buluyordu. Şimdi bu sistemle, gelecek verisi birleşecekti. Dünyada bir numara olmaya çok az kalmıştı.

Morali yerine geldi. “Şimdi gidip kahvemi alabilirim” dedi. Masaüstündeki, bir uygulamayı çalıştırdı. Ekrana çıkan text alanına, “gelinlik, bride, bridal gown, wedding gown” yazdı ve kahvesini almaya gitti.

Kahvesini alıp geldiğinde, bilgisayarının ekranı dolmaya başlamıştı. Yazdığı kelimelerle ilgili, sosyal medyada en çok paylaşılanlar, instagramda en çok beğenilen fotolar, bunla bağlantılı olan web sitelerin listesi, bir liste ve klasörün içinde duruyordu. Öğlen yemeğinden sonra incelerim diyerek programı durdurdu. Tam işe başlayacaktı ki, aklına Patrick’in doğum günü için hiç bir hediye almadığı geldi. Ne alacağını düşünmüştü ve karar vermişti ama fiyat araştırması yapmamıştı. Alacağı hediye, Playstation 4’tü. Son zamanlarda kendisi de biraz oyun oynadığı için, evlendikten sonra da işe yarar bişey almak istemişti.

Bir kaç fiyat araştırma sitesine girdi, Önde gelen firmaların web sitelerine girecekti ki trading toplantısının başlayacağı aklına geldi. Hemen apar topar koştura koştura toplantı odasına gitti. Toplantı başlamıştı. Fast seller ürünlerin artık duvara dizilmek yerine hologram ile duvarların üzerinde belirmesi çok hoş olmuştu. Herkes buna hologram diyordu fakat bu bildiğin “augmented reality”di. O hafta VR ekibi tarafından hazırlanıyor ve 1 hafta boyunca bu şekilde duvarlarda bu ürünler duruyordu. (Bunun otomatik ve filtrelenebilir bir hale getirilmesi için çalışmalar devam ediyormuş. Bittiğinde sanırım çok daha güzel olacak)

Toplantıya konsantre olmadan önce başladığı içi bitirmeye karar verdi. Teknö adlı siteye girdi, satın alma işlemi için ürünü seçti, üyelik işlemlerini tamamladı, kredi kartını cebinde ararken… kalbi hızla atmaya başladı. Kımıldayamıyordu. Toplantı odasındaki herkes ona dönmüştü. Kafalarında ilginç cihazlarla ona bakıyorlardı. Olayın ne olduğunu kısa sürede anlayıp, cep telefonunu cebine koyup, duvarın önünden çekildi. Siparişi sonra tamamlarım dedi ve toplantıya konsantre oldu.

Akşam iş çıkışında, arkadaşlarıyla AVM’de yemek yemeye karar verdi. Evine yakın bir AVM seçilmesi için, baya naz yapması gerekmişti. Yemeği yedikten sonra, AVM dolaşmaya başladılar. Telefonuna bir mesaj geldi daha doğrusu bir push notification. Mesaj şu şekildeydi:
“Merhaba Pelin. Daha önce ilgilendiğin fakat almadığın Playstation 4, şu anda mağazamızda sana özel %10 indirimle” Kafasını kaldırdı ve Teknö mağazasının o turkuaz tabelasını gördü. İçini yine o sebebini bildiği korku kaplasa da hoşuna da gitmişti. Hemen mağazaya girdi. Playstationların nerede olduğunu tam soracakken, telefonuna bir uyarı daha geldi.

“Televizyonların arasındaki koridordan Düz devam et”

“Hoydaaa” dedi. Bu kadar da olamaz herhalde diye düşündü. Kafasını yavaşça yukarı kaldırdı. Kameraların kendisini farketmemesi için şüpheli hareketlerden kaçınmaya çalışıyordu ama daha çok şüphe çekiyordu. Evet anlamıştı. Evet kesinlikle anlamıştı. Bunu nasıl fark edememişti. Ali, Veli, Patrick, Melih, hepsi profesyonel oyuncuydu (sinema oyuncusu). Truman Show adlı filmin ikincisi çekiliyordu ve kendisi de başrol oyuncusuydu. Ama bir dakika, böyle bir durum olsa kendisinin haberi olması gerekmez miydi? Tamam, yeni nesil sinemacılık bu olsa gerekti. Haberi bile olmadan çekiliyordu. Filmin çıkacağını geçen sene duymuştu. Kesin bu filmin bir sahnesiydi. Anladığımı belli etmemeliyim diye düşündü. Tam hareket edecekti ki, önünde durduğu televizyonlardan bir tanesinde Truman Show 2 filminin fragmanı çıktı. (Yazar burada abarttığının farkında ama siz onun kusuruna bakmayın)
“Oha canlı fragman yayınlıyorlar” diye düşündü. Ama başrolündeki kendisi değil, hatta başrolündeki hintli bir erkek oyuncuydu. Omzuna birisinin dokunmasıyla çığlığı bastı.

“(Ciyak) AAAAALiiiii!”

Ali biraz hasta olduğu için işe gidememişti. Kendini biraz iyi hissedince, hem biraz hareket etmek için hem de bir çorba içmek için evinin yanındaki bu AVM’ye gelmişti. Pelin’i hareketsiz bir şekilde görünce de merak edip yanına gelip bir süre izledikten sonra kötü bir şey olduğunu düşünüp omzuna dokunmaya karar vermişti.

Pelin, Ali’yi görünce çok sevindi. Bir çırpıda olanları ona anlattı. Ali kahkahalarla ona gülüyor ve dalga geçiyordu. Pelin gıcık oluyor ama bozuntuya vermiyordu. Anlatması bitince Ali söze girdi.
“In-Store Analytics” dedi ve devam etti:

“Bu kullanılan sistemlerden sadece bir tanesi! Müşterilerin kullandığı wi-fi ya da hücresel veri sayesinde, mağaza önünde ya da içinde hareketlerini takip edebiliyorsun. Eğer kayıtlı müşteri ise ve mağaza içi izleme için gerekli izinler de verilmişse (uygulaması varsa ve kullanıyorsan büyük ihtimalle vermişsindir) sen mağazaya girdiğinde otomatik haberleri oluyor. Sana özel gönderilen kampanya mesaj zamanı ve senin mağazaya girişin arasındaki süre de hesaba katıldığında, gitmek istediğin yer aşikar. Tüm bu sistemler birleşince, sadece senin ürünü alman kalıyor”

Pelin şoku üzerinden atmıştı. Playstation 4 hediye paketi olurken, bugün olan olayları düşünüyordu. Dünya çok hızlı değişiyordu. Perakende de bu hıza ayak uydurmaya çalışıyordu. Bir planner olarak sadece bu olaylara şahit olmuştu. Fakat her gün bunun gibi bir çok yenilik çıkıyordu. Hoşuna gitse de, korkuyordu. Korkuyordu çünkü kontrolü kaybettiğini düşünüyordu. Her şeyi tadında yaşamak lazımdı.

“Robotlar bizi ele geçirir mi dersin Ali?” dedi

Ali cevap vermedi. Sadece sağ gözündeki led kırmızı yandı. Ta tan tan ta tan!

Umarım hikayemi beğenmişsinizdir. Perakendede big data ve machine learning uygulamarını içeren hikayemizi bitirdikten sonra kısa bir kaç söz söylemeden geçemeyeceğim. Evet LC Waikiki’de çalışırken Machine Learning’i tam anlamıyla yapamadık ama Analitik çözümler konusunda sektörün çok ilerisindeydik. 550 mağazalık (şimdi 650’yi geçmiştir) bir perakende zincirinin Otomatik Sevkiyat Sistemlerini kurduk, Optimizasyon ile çalışan Otomatik Transfer sistemini devreye aldık, Dünya devi rota optimizasyon firmalarından daha iyi sonuç çıkaran çözümler ürettik. Bu yaptıklarımız, Machine Learning’den çok daha önemli ve çok daha katma değerliydi (Büyük ihtimalle) Beni yol ayrımına getiren yaptığımız işin büyüklüğü ya da başarısı değildi. Zaten öyle olsa hala çalışıyor olurdum.

Beni yol ayrımına getiren, Gelecek kaygısıydı! Evet bu yaptıklarımla çok paralar kazanabilirdim. 5 sene daha, hadi bilemedin 10 sene daha. Fakat sonra bu sistemleri yazmak ne beni mutlu edecekti ne de karnımı doyuracaktı. (Mutlu etmesi daha önemli) Farkında değil misiniz? Dünya değişiyor. Alışveriş alışkanlıkları, hayat tarzlarımız, günlük aktivitelerimiz, çocuklarımız, gençlerimiz hatta yaşlılarımız. Herşey değişiyor. Perakende de değişiyor. 10 sene önceki gibi değil, 10 sene sonra da bugün gibi olmayacak.

Bundan 10 sene önce kariyerime ilk başladığımda, bu alanda çalışırken şu cümleyi kuruyordum: Şimdi bu yaptığımız işin değerini anlamıyorlar ama 5-10 sene sonra anlaşılacak. Evet şu anda anlaşılıyor. Fakat 5-10 sene sonra? Ben şu anda bulunduğum alana geçmekte geç bile kaldım. Ama yine de bu alanda olmak, bu işi yapmak çok güzel.

Evet sonunda yazımızın son kısmına yani ne iş yapıyorum sorusunun cevabına geldik.
Yazı dizisinin en başında dediğim gibi, kaç senelik perakende tecrübemi bir kenera bırakıp, bilmediğim bir sektöre adımımı attım. Karar vermek gerçekten çok zor oldu. İstişareler, fırsatlar, düşünceler, korkular, swatlar, eksiler, artılar, tablolar, hesaplamalar, vs. Ve tabi bunların yanında işe kabul edilme ve edilmeme ihtimalleri…

Yazının devamı haftaya 🙂

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.

Allocation – Sezon İçi Yönetim Nedir?

Aşağıda okuyacağınız yazı, LC Waikiki İş Analitiği ve İş Geliştirme Departmanı tarafından çıkarılan Analything adlı bültenden alınmıştır. Yazı benim tarafımdan kaleme alındığı için burada yayınlıyorum. Bu yazıda Allocation nedir, Allocator ne iş yapar anlatmaya çalıştım. Şirket içinde yayınlanan halinde bazı değişiklikler yaptım.

Not: Google üzerinden web siteme gelen kişileri incelediğimde Allocation ve Allocator kelimelerinde artış olduğunu gördüm. Bu yazının Allocation alanında çalışacak kişilere ön bir bilgi vermesi dileğiyle. Keyifli okumalar dilerim.

Sezon içi yönetim (Allocation) gerçekten zor mu? Ali, Veli, Pelin

Giyim Perakendesinde bir döngü bulunur. Eğer uzak doğuda üretim yaptırıyorsanız bu döngü çok daha aşikardır. Hele hızlı moda denilen sektörün lideriyseniz bunu bilmemek imkansızdır. Bu şirkette herkesin bildiği döngü şu şekildedir.

grafikSatışa sunulmadan 9-12 Ay kadar öncesinden hangi ürünlerin ne kadar üretileceği belirlenir. 6-9 ay öncesinden üretim siparişleri verilir. 0-3 ay öncesinden ürünler lojistik merkezine gelir. İşte o ürünler o merkez depoya gelir ya, sezon için yönetim denilen süreç başlar.

Sezon içi yönetim (Allocation). 3 kelime. Bu 3 kelime ne kadar zor olabilir. Ürünler merkez depoya geliyor ve mağazaya yollanıyor. “Ürün burada, mağaza şurada, planda ortada. E hadi yollasana” demek o kadar da kolay değil.

Aslında her şey 12 ay önce başlıyor. Yani planlama sürecinde. Her bir ürünü ilgili mağazalara planlıyoruz ve bu plana göre üretim yaptırıyoruz. Buna rağmen neden halen ürünleri mağazalara yollamada sıkıntı yaşıyoruz? Bu sorunun bir tane cevabı yok. Bir çok cevabı mümkün. Mesela, Planlamanın 1 sene öncesinden yapılması, Mağaza gruplamasının yeterli olmaması, üreticiden ürünün zamanında gelmemesi, ürünün planlandığı haftalarda hava şartlarının beklenenin dışında gerçekleşmesi, ekonomik durumlar, inspectiona takılma, beklenen satışların gerçekleşmemesi, kapasiteden fazla ürün planlanması, vs. Bunun gibi birçok neden sayılabilir. Eğer her şey harika olsaydı ve saydığımız ve sayamadığımız sebepler beklendiği ve istenildiği gibi olsaydı sezon içi yönetim o kadar da zor olmazdı.

analitik

Ürün merkeze geldikten sonraki süreci biraz daha detaylı inceleyelim ve biraz da matematik ile süsleyelim. Ürün merkez depomuza geldikten sonra inspection ve depolama aşamalarından geçiyor. Sonrasında ürünler rezerveye hazır hale gelir ki sezon içi yönetim (allocation) buradan itibaren başlar.

Ali (Allocator’ın kısaltması olarak kullanılacaktır) pazartesi günü sabahın köründe şirkete gelmiştir. Coşkun Abi’den tost mu yoksa kapıdaki simitçiden açma mı alayım ikileminde kaldıktan sonra Veli’nin (Diğer Allocator) aldığı simide ortak olurum diyerek X-Ray cihazından geçmiş ve kartını evde unutmadığına şükrederek sırıtarak merdivenlerden çıkmaya başlamıştır. Ali masasına ulaştığında o gün yapılacak işlerin listesini çıkarmak için defterinin beyaz bir sayfasını açmış ve yazmaya başlamıştır.

  1. Trading Toplantısına katılınacak
  2. Projeksiyon yapılarak mağaza ihtiyaçları belirlenecek
  3. İlk Sevkiyatlar yapılacak
  4. Haftasonu satışı desteklenecek
  5. Transferler çalışılacak
  6. Veli’nin simidi yenecekti ama bunu bire yazmalıydım aslında

istihbaratKahvaltısını beleşe getirmenin ve Trading toplantısı ile güne başlamanın verdiği mutlulukla raporlarını çekmeye ve güncellemeye başlar. Veli simidinin yarısının yendiğini görünce küplere biner ama küpler hala dönmektedir ve o lap diye düşer. Pelin (Planner’ın kısaltması olarak kullanılacaktır) durumu fark etmiş ve arkadaşlara acele etmesini söyleyerek trading toplantısının yapılacağı odaya geçmiştir.

Trading toplantısı her zamanki gibi çok heyecanlı geçmektedir. Ürünler bir birleriyle yarıştırılmakta ve en iyi satandan en kötü satana göre sıralanmaktadır. Ali bir en iyi ürüne bir de en kötü ürüne bakarak haftasonu yaptığı mağaza ziyareti gözlemlerini katılımcılara aktarmaktadır. Toplantıda sonuç olarak bir strateji belirlenir ve ilk sevkiyat, rpt planları üç aşağı beş yukarı karar verilmiştir.

Ali masasına döndükten sonra Pelin ile tekrar bir araya gelerek spesifik olarak hangi ürünün bu hafta ilk sevkiyatının yapılacağını, hangi ürünlerin rpt yapılması gerektiğini, transfer ve iade planlarını konuşur ve iş planını günceller.

Önce mağazalarının durumunu incelemek için dönmeyi bırakmış olan Kapasite raporunu kullanarak projeksiyonunu yapar. Mağazaların ihtiyaçlarını belirler. Bu ihtiyaçları karşılamak için 2 + 2 seçeneği vardır. İlk Sevkiyat, RPT (2) yaparak ihtiyacı karşılamak veya Trasnfer, İade yaparak (2) ihtiyacı şekillendirmek.

yukselO anda üzücü bir haber alır. Yere düşen Veli hastaneye kaldırılmıştır. Tek başına kalmıştır. LC Waikiki’de tek bir allocator kalmıştır. O da Ali. (One man, one allocator, one destiny – dan lafontaine)

Elleri terlemesine rağmen sakinliğini korumaya çalışmaktadır. İlk olarak İlk Sevkiyat ve RPT yapmayı tercih eder. Hesaplamaya başlar.

Ürün yollayacak 1 Lojistik Depo ve ürünü alacak 400 Mağaza var. An itibari ile 4.000 farklı ürün var. Beden detayında düşünürsek 25.000 SKU anlamına geliyor. Bunlardan bir kısmı ilk sevkiyat bir kısmı ile de Replenishment yapacağım. Bunu yaparken aynı zamanda mağazaları patlatmamam gerekiyor. Yani dolulukları da göz önünde bulundurmam lazım. Tabi unutmadan kısıtlı stoklarıda en iyi satacak mağazalara yollamam lazım. Ya en zor olanı da koli bazında yollama kararı. Yok M bedeni satmış XL satmamış ve stok şişme yaşamasın ama satış kaybı da olmasın. İlk sevkiyatta kaç koli yollayacağım, Replenishmentta nasıl tahmin yapacağım. Mağazaların bir de alım limiti var. Veliiiiiiii, Allah seni bildiği gibi yapsın!
Şimdi bir ara verelim ve Ali’nin akıl hastanesine kaldırılmasına sebep olan problemi inceleyelim.

allocation

Ürün detayında sevkiyat yaptığımızı düşünürsek 400 Mağaza ve 4.000 ürüne rezerve girmemiz gerekiyor. Yani 400 x 4.000 = 1.600.000 tane karar verilmesi gerekiyor. Bu kararı verirken üç önemli hususu göz önünde bulundurması gerekiyor. Mağazaların alım limiti; her bir mağazanın bir limiti yani toplamda 400 kısıt bulunmakta. Grup ve Kategori dolulukları; 22 Grup için 22 x 400 = 8.800 kısıt, Grup – Kategori için 22 x 10 x 400 = 88.000 kısıt bulunmakta. Bunların dışında replenishment yaparken koli yollama kararını vermesi için her birini beden detayında incelemesi gerekiyor.

Eğer bu kararı SKU detayında vermesi gerekseydi (beden detayında rezerve girseydi), 400 x 25.000 = 10.000.000 tane karar olacaktı. Diğer kısıtlar aynı şekilde olacaktı.
Sonuç olarak, 1.600.000 ya da 10.000.000 farklı kararı verirken birbirine bağlı 400, 8.800 ve 88.000 kısıtı gözetmesi gerekecekti.

Sonuç olarak, merkez depo(lar)dan, mağaza(lar)a, çeşitli kısıtları ve değişkenleri (hava durumu, ürün karışımı, haftanın günü, vs.) göz önünde bulundurarak, ürünleri yollama kararını verme işine allocation (sezon içi yönetim) denir. Allocation zurnanın zırt dediği yerdir. Tasarım, planlama, üretim, inbound lojistik, inspection, depolama yapılmış ve son adım olan ürünler mağazalara yollanacaktır. Yani en son adımdır allocation. Bu karar ne kadar doğru verilirse ürünler o kadar iyi satışa dönüşecektir. Ne kadar kötü olursa, hem satan ürün engellenecek hem de iade maliyeti ortaya çıkacak ya da indirim yapılacaktır.

Kolay gibi görünse de aslında Merchandising’in en zor kısmıdır Allocation. Şimdiden tüm allocatorlara ve allocator adaylarına kolay gelsin 🙂