Bir perakende zinciri düşünün: her gün binlerce satış kalemi işliyor, stok hareketlerini kayıt altına alıyor, müşteri işlemlerini sunucu loglarına yazıyor. Yöneticiler bu verinin büyüklüğünden duydukları memnuniyeti toplantılarda dile getiriyor; ancak bir sonraki sezonun talep tahminini hâlâ geçen yılın satış rakamlarına bakarak elle yapıyorlar. Veri var, içgörü yok. Bu tablo, Türkiye’deki pek çok orta ölçekli işletmede tanıdık bir manzara. Sorun veri yokluğu değil; toplanan verinin ne anlama geldiğini çıkarmaya yönelik yetkinlik ve düşünce biçiminin henüz oturmaması.
Büyük veri kavramı iş dünyasının gündemine hızla giriyor. Depolama maliyetlerinin düşmesi, kurumsal yazılımların her işlemi kayıt altına alması ve internet kanallarının yaygınlaşmasıyla birlikte şirketler daha önce hiç olmadığı kadar çok veri üretiyor. Ancak bu ilk dalga ağırlıklı olarak toplama odaklı: daha fazla veri, daha büyük depolama, daha uzun saklama süreleri. Yöneticiler çoğu zaman bu birikimi bir başarı göstergesi olarak sunuyor. Oysa ham veri yığını, içinden anlamlı bir soru sorulmadan hiçbir işe yaramıyor. Gerçek dönüşüm, ikinci dalgayla başlıyor: veriden anlam çıkarma, yani veri biliminin (data science) işletme kararlarına entegre edilmesi.
Veri bilimi, istatistik, yazılım geliştirme ve alan uzmanlığının kesişiminde duran bir disiplin. Bir veri bilimcisi yalnızca rakamları işlemiyor; hangi soruyu sormak gerektiğini biliyor, verinin kalitesini değerlendiriyor ve bulgularını karar vericilerin anlayabileceği bir dile çeviriyor. Bu üç yetkinliğin bir arada bulunması nadir. Türkiye’de bu profildeki profesyoneller henüz az sayıda ve büyük ölçüde büyük şehirlerdeki teknoloji şirketleri ile finans kurumlarında yoğunlaşmış durumda. KOBİ’lerin bu yetkinliğe erişimi ise çok daha kısıtlı; çünkü söz konusu profil hem pahalı hem de bulunması güç.
Peki bu tablonun pratik sonuçları ne? Bir üretim firması, ERP sisteminden çektiği satış verilerini Excel tablolarına döküyor ve aylık raporlar hazırlıyor. Raporlar geçmişi anlatıyor; ancak stok fazlası ya da müşteri kaybı gibi sorunları önceden işaret eden örüntüler kimse tarafından sorgulanmıyor. Oysa aynı veri, doğru analitik çerçeveyle işlendiğinde tedarik kararlarını, fiyatlandırma politikasını ve müşteri segmentasyonunu doğrudan besleyebilir. Buradaki engel teknik değil, zihinsel: veriyi ‘geçmişin kaydı’ olarak değil, ‘geleceğin ipucu’ olarak görmek bir düşünce değişikliği gerektiriyor.
İş zekası (business intelligence) araçları bu geçişi kolaylaştırmak için bir köprü işlevi görüyor. Tableau, QlikView ve SAP BusinessObjects gibi görselleştirme platformları, ham veriyi yöneticilerin yorumlayabileceği gösterge tablolarına dönüştürüyor. Ancak bu araçların değeri de yine doğru soruyu sormakla başlıyor. Hangi metriğin izleneceğine, hangi boyutların karşılaştırılacağına ve hangi eşik değerlerinin alarm üretmesi gerektiğine karar vermek analitik yetkinlik istiyor. Araç tek başına içgörü üretmiyor; sadece içgörü üretme kapasitesini hızlandırıyor. Yöneticilerin bu ayrımı net biçimde kavraması, araç yatırımından gerçek getiri (ROI) elde etmenin ön koşulu.
Kurumsal düzeyde veri analitiği altyapısı kurmanın önündeki en somut engel, toplam sahip olma maliyeti (TCO) hesabının eksik yapılması. Şirketler lisans bedelini görüyor; ancak veri temizleme, model geliştirme, raporlama altyapısının bakımı ve en önemlisi yetkin insan kaynağının sürdürülmesi maliyetlerini başlangıçta hesaba katmıyor. Bir analitik projesinin ilk yılında teknik kurulum toplam maliyetin belki üçte birini oluşturuyor; geri kalanı insan, süreç ve değişim yönetimi. Bu gerçeği görmezden gelen şirketler pahalı yazılım lisansları satın alıp aylar sonra sistemi atıl bırakıyor.
Karar vericiler için somut bir başlangıç noktası şu: veri yatırımına geçmeden önce ‘hangi soruyu cevaplamak istiyoruz?’ sorusunu yazılı olarak tanımlamak. Bu soru net değilse ne kadar veri toplanırsa toplansın, analitik proje bir süre sonra yönünü yitirir. Küçük ve orta ölçekli işletmeler için en pragmatik yol, mevcut ERP ve muhasebe sistemlerinin zaten ürettiği veriyi daha iyi sorgulamaktan geçiyor. Yeni bir büyük veri altyapısı kurmak yerine, eldeki veriden daha derin anlam çıkarmayı öğrenmek hem daha az maliyetli hem de daha hızlı sonuç veriyor. Veri biliminin özü de zaten burada: büyük yığınlar değil, doğru sorular.