Bir e-ticaret sitesi yöneticisi düşünün: müşteri memnuniyet anketlerinde ortalama puan sekizin üzerinde, net tavsiye skoru makul görünüyor. Ama aynı dönemde sepet terk oranı yüzde ellinin üzerinde seyrediyor, ödeme adımında oturum süreleri anormal biçimde uzuyor ve belirli ürün kategorilerinde tekrar ziyaret oranı düşüyor. Anket verisi ‘her şey yolunda’ diyor; davranış verisi ise farklı bir hikâye anlatıyor. İşte bu iki veri kaynağı arasındaki uçurum, müşteri deneyimi yönetiminin en az konuşulan ama en kritik sorunlarından biridir.
Müşteriler anketlerde sosyal baskı, hatırlama yanılgısı ve anlık ruh hali gibi etkenler nedeniyle gerçek deneyimlerini tam olarak aktaramaz. Bir kullanıcı ödeme sürecini ‘kolay’ olarak işaretleyebilir; oysa o süreçte üç kez geri tuşuna basmış, iki farklı ödeme yöntemi denemiş ve işlemi tamamlamak için ortalama altı dakika harcamıştır. Bu davranışsal izler, web sunucu kayıtlarında, oturum verilerinde ve sayfa etkileşim loglarında sessizce birikir. Büyük veri yaklaşımının müşteri deneyimine katkısı tam da burada başlar: yapılandırılmamış ve yüksek hacimli bu davranış verilerini anlamlı sinyallere dönüştürmek.
Davranış verisi üç temel sinyal kategorisinde değerlendirilebilir. Birincisi bekleme sinyalleri: bir sayfada geçirilen sürenin normalin üzerine çıkması, kullanıcının içeriği sindirmekte güçlük çektiğine ya da bir sonraki adımda kararsız kaldığına işaret eder. İkincisi tıklama ve gezinme örüntüleri: kullanıcının beklenen akışın dışına çıkması, arama kutusuna döngüsel biçimde girmesi veya yardım sayfasına yönelmesi, süreçte bir kopukluk olduğunu gösterir. Üçüncüsü ise vazgeçme noktaları: formun hangi alanında bırakıldığı, ödeme sürecinin hangi adımında oturumun kapandığı, hangi ürün sayfasında geri dönüşün gerçekleştiği. Bu üç sinyal bir arada okunduğunda, anketin asla veremeyeceği bir tanı ortaya çıkar.
Bu tür bir analizi hayata geçirmek için teknik altyapı şart olmakla birlikte, asıl zorluk teknik değil yorumsal boyuttadır. Bir perakende firması web log verilerini düzenli olarak topluyor olabilir; ancak bu verileri ‘hangi adımda müşteri deneyimi bozuluyor?’ sorusuna yanıt verecek biçimde işlemek, veri mühendisliği kadar iş süreci bilgisi de gerektirir. Hangi sayfanın ne kadar süre tutması ‘normal’, hangi tıklama örüntüsü ‘sorunlu’ sayılır? Bu eşikleri belirlemek için önce temel çizgiyi oluşturmak, ardından sapmaları anlamlı bağlamda yorumlamak gerekir. Veri hacmi büyüdükçe bu yorumlama işi elle yapılabilir olmaktan çıkar; Hadoop gibi dağıtık işleme altyapıları ya da veri ambarı çözümleri devreye girer.
Somut bir örnek üzerinden ilerlemek gerekirse: bir telekomünikasyon şirketinin self-servis portalında oturum verilerini inceleyen bir ekip, fatura görüntüleme adımında oturum sürelerinin belirli bir müşteri segmentinde iki katına çıktığını tespit eder. Anket verisi bu grupta memnuniyeti ‘orta’ olarak gösteriyordur; ama davranış verisi çok daha keskin bir şeyi söyler: bu müşteriler faturayı anlayamıyor. Tasarım ekibi fatura şablonunu sadeleştirdiğinde hem oturum süresi normalleşir hem de o segmentte çağrı merkezi başvuruları düşer. Buradaki ROI hesabı nettir: daha az çağrı merkezi yükü, daha düşük operasyonel maliyet, daha yüksek self-servis tamamlama oranı. Anket verisi bu tasarım kararını asla tetikleyemezdi.
Ancak bu noktada bir uyarı gerekiyor. Davranış verisi de tek başına yanıltıcı olabilir. Uzun oturum süresi her zaman sorun değildir; içerik zenginse kullanıcı sayfada kalmak isteyebilir. Yüksek terk oranı her zaman başarısızlık değildir; kullanıcı aradığını bulmuş ve sayfayı kapatmış olabilir. Bu nedenle davranış verisini anket verisi, müşteri hizmetleri kayıtları ve satış verisiyle birlikte okumak, yani çok katmanlı bir veri çerçevesi kurmak, karar kalitesini belirleyen asıl faktördür. Tek bir veri kaynağına dayalı karar vermek, büyük veri çağında da geçerliliğini yitirmemiş eski bir tuzaktır.
Karar vericiler için pratik başlangıç noktası şudur: mevcut web altyapısında hangi davranışsal veriler zaten toplanıyor, ama hiç işlenmiyor? Çoğu kurumsal web sitesi yıllardır log üretiyor; bu loglar genellikle depolama maliyeti olarak görülüp görmezden geliniyor. Bir pilot çalışma için en yüksek terk oranına sahip üç süreci belirlemek, o süreçlerin davranış verisini elle de olsa analiz etmek ve anket verileriyle karşılaştırmak yeterli bir başlangıçtır. Bu karşılaştırma, müşterinin söylemediği ama davranışıyla anlattığı şeyi görünür kılar; ve çoğu zaman bu görünürlük, en pahalı müşteri araştırmasından çok daha değerli çıkar.