Geçmiş durgunluklar sırasında öğrendiğim dersleri anımsatan son yazımın ardından, erken dönem çevreci sloganı “azalt, yeniden kullan, geri dönüştür” aklımda kaldı. Son gönderimdeki iş yükü ve takım düşüncesinin ötesinde, bu yaklaşımların verilere nasıl uygulanabileceği konusunda kafa yormaya başladım.

Böyle bir derin düşünme, bu yüzyılın bazı bolluklarının belki de bir tuzağa dönüştüğünü anlamama da neden oldu. Demek istediğim, kullanılabilir bilgi işlem gücündeki büyüme ve büyük veri depolamanın karşılanabilirliğindeki artış.

Şimdi, lütfen bir Luddite olduğumu düşünmeyin. Bu teknolojik buluşların hiçbirinden pişman değilim. Ancak kıtlık genellikle buluşun anası olduğundan, karşı nokta kesinlikle arz bolluğunun tembel düşünceye veya durağanlığa yol açabileceği olmalıdır.

Veri kullanımımız hakkında nasıl farklı düşünebiliriz?

Böyle bir tuzağa düşmekten kaçınmamıza ve süreçte potansiyel olarak paradan tasarruf etmemize yardımcı olması için, bir dizi yakınsama gücüne dikkat etmenizi öneririm. Bugünlerde kuruluşlar ve liderleri, bir takım beklentiler ve kısıtlamalarla ilgilenmek zorunda.

Sadece üçünü arayayım:

• Birincisi, enerji tüketimi (veri merkezleri ve dolayısıyla veri depolama ölçeği dahil) ile ilgili çevresel kaygılar.
• İkinci olarak, özellikle kişisel verilerin uygunsuz kullanımını engellemeye yönelik etik ve veri koruma kaygıları ve düzenlemeleri.
• Üçüncüsü, azalan bütçe ve kaliteyi veya çıktıyı düşürmeden maliyetleri düşürmenin yollarını arayan organizasyonel arayış dahil olmak üzere ekonomik gerçekler.

Bugünün veri liderlerinin beklentilerinin ağırlığı altında bunalıma girmektense, bunları klasik bir venn diyagramı olarak görmenizi tavsiye ederim. Başka bir deyişle, bunların örtüşen ilgi alanları olduğuna inanıyorum. Veri liderlerinin, üçünü de aynı anda ele almanın meşhur ‘tatlı noktasını’ hedeflemesi gerektiğini öne sürmek.

‘Azalt, yeniden kullan, geri dönüştür’ yaklaşımına ilham veriyor

Öyleyse, bu konudaki ilk düşüncelerimi ortaya koymama izin verin – tam veya akıllıca olmaktan çok uzaklar, ancak umarım daha iyi bir çözüme giden yolu düşünen daha iyi beyinlere giden yolu gösterirler. Yukarıda tanımlanan üç farklı endişeyi ele almanın üç yolu olabileceğine inandığım şeyi paylaşmak için yukarıdaki ifadeyi bir çerçeve olarak kullanacağım.

1. Veri kullanımınızı azaltın

‘Büyük Veri Şehri’ yolundaki sarı tuğlalı yolun o kadar aşağısındayız ki, böyle bir başlık sapkınlık gibi geliyor, değil mi? İyi bir şirkette olduğumu düşünmeme rağmen, Dr. David Speigelhalter bile “The Art of Statistics“ adlı kitabında analistlerin verileri örneklemesi gerektiğinde istatistiksel düşünmenin daha sağlam olduğu yolları paylaşıyor. Ben sadece, belki yardımcı olur diye, her şeyi akılsızca depolamaya geçtiğimizi öneriyorum.

Bu zihniyetin yukarıda listelenen üç topluluğun da endişelerini ihlal ettiğine inanıyorum. Asla kullanılmayacak verileri depolayan veri sunucusu çiftlikleri tarafından ne kadar enerjinin boşa harcandığını (ve karbon saldığını) kim bilebilir?

Asla kullanılmayacak verileri depolayan veri sunucusu çiftlikleri tarafından ne kadar enerjinin boşa harcandığını (ve karbon saldığını) kim bilebilir?

Ayrıca, müşterilerinin ihtiyaçlarını karşılamak için hangi verilere gerçekten ihtiyaç duyulduğuna ilişkin düşünce biçimlerini kökten değiştirmek yerine, çok sayıda kuruluşun GDPR’den ‘hayatta kaldığını’ kesinlikle biliyorum. Bu, yalnızca bulut sağlayıcı aboneliklerinin artan maliyetlerinde tasarruf etmek için bir fırsat olmalıdır.

Bu pek çok kişi tarafından hoş karşılanmayacak olsa da, BI için işe yaradığını gördüğüm şekilde temellere geri dönmenizi tavsiye ederim. Bugünlerde çoğu kuruluşun çok fazla kontrol paneli ve raporu var. Çoğu, kararları ve eylemleri yönlendirmek için kullanılmıyor.

Böylece BI liderleri, periyodik budamanın gerekli olduğunu öğrendiler. Panoların otomatik olarak yayınlanmasını durdurun ve kimin şikayet ettiğini görün. Bu tür bir düşünce, kullanılmayan verileri silmek için de kullanılabilir. Analistleri ya sonunda planladıkları analiz/model oluşturma aşamasına geçmeleri ya da ‘her ihtimale karşı’ tutulan verileri kaybetmeleri için zorlayın. Ardından maliyet tasarrufunu hesaplayın.

2. Diğer gereksinimleri karşılamak için verilerinizi ve veri kümelerinizi yeniden kullanın

Bill Shamrzo’nun “Veri, Analitik ve Dijital Dönüşüm Ekonomisi” adlı kitabındaki faydalı içgörülerden biri, yeniden kullanım fırsatlarına dikkat etmekti. Bill’in bu ipucuyla kastettiği şey, verileri veya analitiği yeniden kullanma fırsatlarını tespit etmektir – son yazımda analitik dünyasında ikincil araştırma türü düşünme için yaptığım çağrıya benzer.

Geçenlerde podcast’im için bir veri lideriyle röportaj yapıyordum ve siloların dışında düşünme ihtiyacından bahsetti. Rol, işlev, iş, sektör ve coğrafya açısından miyop düşünmenin risklerini belirledi.

Analistler ve veri bilimcilerin, verilerin ve mevcut analitiğin yeniden kullanımını en üst düzeye çıkararak değer yaratma konusunda dikkatli olmaları gerekir. Diğer iş zorluklarına yardımcı olabilecek aktarılabilir süreçleri, müşteri anlayışını, modelleri, dönüşümleri ve içgörüleri belirlemek.

Buradaki iyi disiplin, ortak bir modelleme veri seti geliştirmek olabilir. Hâlâ bir veri gölünde veya benzer bir yaklaşımda tutulan daha geniş veri havuzundan çizim. Dar, yüksek kaliteli bir veri kümesiyle başlayıp ona yalnızca değer katan değişkenler olarak ekleyerek bir tür kurumsal hafıza geliştirmek.

Ancak bağlamı açıklarken veya çıkarımları belirlerken önemli olduğu kanıtlananları da içerir. Bu daha küçük veri kümesi için performansı optimize etmenin daha az maliyetli olmasının yanı sıra, analistlere ne kullanmayı düşünecekleri konusunda fikir vermeye yardımcı olur.

3. Bilimsel yöntemi uygulayarak verilerinizi geri dönüştürün

Customer Insight Leader podcast’indeki misafirlerimin bir kısmı bilim geçmişinden geldi. Sadece bilim dereceleri veya doktoralar değil, bazı durumlarda akademide başarılı kariyerler.

Bu tür veri liderleriyle konuştuğunuzda, veri bilimi işlevlerine getirebilecekleri titizliğin bir kısmını fark etmeye başlarsınız. Enda Ridge’in faydalı pratik kitabı “Guerrilla Analytics”teki tekrarlanabilir sonuçlar üreten bir iş akışı çağrısına çok uygun.

Akademi içinde, en azından yayınlanmış hakemli araştırmalara odaklananlar için, bilimsel yönteme daha fazla odaklanılabilir. Bu, güçlü bir geri bildirim döngüsüne sahip bir metodolojidir. Sadece bir model dağıtmak ve ardından bir sonraki projeye geçmek değil. Bunun yerine, böyle bir müdahalenin etkisinin/sonucunun ve devam eden etkinliğinin doğru veri toplamasını sağlamak.

Bu endişeler, çoğunlukla gelişmiş istatistiksel sağlamlık hedefiyle dile getirilir. Ama aynı zamanda bir maliyet tasarrufu açısı da var. Geçmişe dönük incelemeler gibi törenlerin kullanımıyla birlikte etkili geri bildirim döngülerinin uygulanması, gelecekteki varsayımları, analitiği ve modelleri geliştirecek ve genellikle sıfırdan araştırma yapmak için harcanan zamanı azaltacaktır.

Dağıtılan tüm modellerin/veri ürünlerinin performansının sürekli izlenmesi, bunların ne zaman yeniden inşa edilmeleri gerektiğini de otomatik olarak belirleyebilir. Bu da hem faydalarda fark edilmeden azalmayı önlemek hem de hala çalışan yerlerde gereksiz yeniden yapılandırmalardan kaçınmak açısından maliyet tasarrufu sağlar.

Tamam, bu doğru olmayacak ama ne işe yarayabilir?

Yukarıdakileri bugünlerde çok daha az uygulamalı biri olarak paylaştığımın acı bir şekilde farkındayım. Müşterilerim ve arkadaşlarımla düzenli olarak konuşurum, ancak bu, bir veri veya analitik işlevini yönetmeye devam etmekle aynı şey değildir.

Dolayısıyla, yukarıdaki düşüncemin ana hatlarıyla belirtildiği gibi uygulanabileceğini iddia etmeyeceğim. Ekiplerin, süreçlerin, organizasyonların ve aslında dünyanın o kadar basit olmadığının farkındayım. Ama umarım kendi düşünce sürecimi sizinkine ilham verecek kadar iyi açıklamışımdır.

Aksiyona yakınsınız. Kendi veri ekipleriniz var veya bunların içinde çalışan bir uzmansınız. Ne önerirsiniz? Veri kullanımımızda daha sürdürülebilir ve etik olurken burada tasarruf etmenin pragmatik fırsatları nelerdir? Harika fikirlerinizi duymak için sabırsızlanıyorum. Bunları uygulayarak kuruluşunuza ne kadar tasarruf ettiğinizi duymak da harika olurdu.

Bu parça, orijinal olarak customerinsightleader.com’da yayınlanan bir makaleden uyarlanmıştır.