VERİ MADENCİLİĞİ (DATA MINING)

Gerçek Zamanlı Pazarlama ve klasik listeli offline kampanyalar tasarlamaktan bahsettik. Bu yöntemlerin istediğimiz etkinlikte çalışması, nihai amacımız olan müşteri geri dönüşlerinin artırılması ve bu olurken bir yandan da müşteri memnuniyet seviyesinin yükseltilmesi için bu araçların arkasında yer alan ve bunlara gerekli veriyi sağlayan datamart'ların kurumun ihtiyaçlarına, amaçlarına ve müşteri kitlesinin nicel ve nitel özelliklerine göre doğru bir biçimde tasarlanması ve maintain edilmesi gerekir dedik.

Peki Datamart'lardan kampanya araçlarına gelen veriler arasında kurumun amaçlarına birincil seviyede hizmet eden veriler hangileridir? 

Elbette Veri Madenciliği modellerinden ortaya çıkan analitik veriler.

Kurumlar, stratejik ve taktiksel planlarını ve kararlarını uygulamaya almadan önce bu kararların ve planların sonuçlarını tahmin etmeye çalışırlar. Bu onlar için önemlidir çünkü büyük yatırımlar eğer geri dönüş yaratmazsa kurumlar büyük zararlarla yüzleşebilirler. Örneğin, yeni geliştirilecek bir ürün veya pazara sunulacak yeni bir kampanya kurumlar için yeni bir aksiyon anlamı taşır. Ve çoğu durumda bu aksiyonlar için önemli yatırımlar yaparlar. Yeni ürün ve kampanya örneğinde, reel sektör için makine yatırımı, hizmet sektörü için ise sistemsel bir yatırım söz konusu olabilir, bu ürün/kampanyanın sunulması için satış ekibinin kaynak ayırması, müşterilere sunulacak avantajlar ve herşeyden önemlisi zaman... Bunlar önemli masraflardır. İşte bu tarz yatırımları planlarken Veri Madenciliği yöntemleri ile geliştirilen tahminleme modelleri kullanılabilir ve bu modeller kurumlara yatırım yapıp yapmamaları gerektiğini, yapacaklarsa hangi müşteri kitlesine ne tip farklılıklarla gitmeleri gerektiğini söyler. Bu farklılıklar; sunulacak avantajların farklılaşması, iletişim kanalının ve yönteminin farklılaşması ve ürünün kendisinin farklılaşmasına kadar gider.

Hangi alanlarda kullanabilir kurumlar Veri Madenciliği yöntemlerini? Örneğin, müşterinin erimesini (churn) ve kurumu terketmesini (attrition) engellemek için kullanırlar. Özellikle telekom sektöründe ve bankacılık sektöründe örneklerine sık rastlanır. Telekom sektöründe özellikle son numara taşıma yasasından sonra hareketlenen transfer olayları bu tarz modellerin önemini artırmıştır. GSM operatörleri çeşitli istastistiki yöntemlerle müşterilerin hat kullanım davranışlarını analiz etmeye ve bu hareketlerden rakip operatöre gitme ihtimali yüksek müşterilerini tespit edebilme yönünde anlamlar çıkarmaya çalışmaktadırlar. Terketme ihtimalinin yüksek olduğunu tespit ettikleri müşterilerine ise genellikle mevcutta sahip oldukları koşulların daha avantajlı versiyonlarını (genellikle sınırlı bir süreliğine) önererek olası bir terketme durumunu proaktif biçimde bertaraf etmeye çalışırlar.

Kurumlar gitme ihtimali olan müşterilerini kurumda tutmaya çalıştıkları gibi, hali hazırda kaybetmiş oldukları müşterilerini geri kazanmak için de Veri Madenciliği modelleri oluşturmaktadırlar. Hangi kaybedilmiş müşteriyi geri kazanmaya daha yakın olduklarını, ve bunları hangi ürün/kampanya ile hangi avantajları sunarak geri kazanabileceklerini kestirmeye çalışırlar.Burada kritik faktör, "geri kazanılacak müşteriden elde edilecek yaşam boyu değer (Life Time Value) o müşteriyi kazanmak için yapılacak maliyeti karşılayacak mı" sorusunun cevabıdır.

Kurumlar, Veri Madenciliği modellerinin kullanımında ters mantıkla da hareket edebilirler. Davranış path'ini belirleyip o path'e uygun ürün/kampanyayı sunabildikleri gibi, bunun tersini de yaparlar; karlılık potansiyeli yüksek bir ürünün kullanımını artırmak için o ürünün kullanımına eğilimi olan müşteri kitlesini belirlerler (propensity modelleri)

Kurumlar, özellikle finansal kurumlar risk içeren kredi, kredi kartı, kredili mevduat hesabı ve çek gibi ürünlerini her talep eden müşteriye vermeyi tercih etmezler. Bu ürünlere başvuru yapan müşterilerinin bu ürünleri kullanımlarında sorun yaşama ihtimallerini minimize etmeye çalışırlar. Veri Madenciliği modelleri bu amaç için de kullanılmaktadır. Müşteriler bu ürünlere başvuru yaptıklarında belli bir skorlama algoritmasına girer ve bu skorlama sonucunda hem bu ürünleri kullanıp kullanmayacakları, hem de eğer kullanabileceklerse ne ölçüde (örn; kredi kullanımı için kredi limitinin ne kadar olacağı) kullanabilecekleri belirlenir.

Bunlar ve bunlar gibi sayılabilecek diğer birçok uygulama alanında kullanılan Veri Madenciliği Teknikleri aşağıdaki gibi sıralanmaktadır;

1. İstatistiksel Yöntemler
2. Bellek Tabanlı Yöntemler
3. Sinir Ağları
4. Karar Ağacları

Veri Madenciliği Fonksiyonları ise aşağıdaki gibi sıralanabilir.

1. Bağıntı (Assocation) (Ör: Sepet Analizi)
2. Sınıflandırma (Classification)
3. Regresyon (Ör: Kredi Skorlama)
4. Zaman içinde sıralı örüntüler(Sequence patterns in time)
5. Benzer zaman sıraları (time series)
6. İstisnalar(Ör: Fark Saptanması)
7. Döküman madenciliği (Web Mining)

Bu teknikler ve fonksiyonların detayları internette ufak bir arama ile kolayca bulunabilir. Benim bu yazıda ifade etmeye çalıştığım şey bunların detaylarından ziyade Veri Madenciliğinin kurumlar için stratejik önemi. Eğer kurumlar bu alana odaklanır, gerek sistemsel gerekse insan kaynağı olarak gerekli yatırımı yapmaktan kaçınmazsa ve en önemlisi en üst yönetim kademesinden başlayarak bu işi sahiplenirse, Veri Madenciliği stratejik amaçlarına ulaşmaları yolunda bu kurumlara beklediklerinden daha fazla katkı sağlayacaktır.