Enes BAL
Norm Digital, Data Scientist & BI Consultant
Aslında bu sorunun pek çok cevabı olabilir; ancak en önemlisi, “Gelecekte bizi neler bekliyor?” sorusudur. Tıpkı insanlar gibi, şirketler de gelecekte neler yaşayacaklarını ve bu yaşananlara göre nasıl pozisyon almaları gerektiğini bilmek isterler. Peki bu, gelecekte olacak olayları bilme süreci nasıl gerçekleşiyor? Sizlerden gelecek olan cevapları tahmin edebiliyorum: Ekonomik tablolar incelenir, deneyimli insanlara danışılır. Tabii ki, bunlar yanlış cevaplar değiller; sadece günümüz dünyasında yetersiz cevaplar.
Nasıl Bir Süreç İzlenmelidir?
Öncelikle asla yılmamak gerekmektedir. Bunu tecrübelerime dayanarak söylüyorum, sayın okuyucu. Tahmin yapabilmek için öncelikle sınırlar belirlenmelidir. Ne için tahmin yapılacağı konuşulmalıdır: bütçe, satış, döviz gibi. Tahmin konusu belirlendikten sonra, genelden özele etki eden faktörler araştırılmalıdır. Peki, bu ne demek? Belirlenen konuya etki eden başlıkları bulmaktan bahsediyoruz. Döviz neden artar? Satışımızı etkileyen faktörler nelerdir gibi sorular bizi bu faktörleri bulmaya iter. Faktörleri bulmak yeterli değil; bunları sayısallaştırmak gerekmektedir. Çünkü tahmin modelleri veri ile çalışır ve veriler sayısal olmak zorundadır. Örneğin, 0-1 (hayır-evet) gibi. Son olarak, tahminleme yapmak için yapay zeka (AI), makine öğrenmesi (ML), derin öğrenme (deep learning) metotları araştırılmalıdır. Örneğin, Walmart’ın fiyatlandırma stratejilerini optimize etmek için makine öğrenmesi kullanması, bu süreçlerin ne kadar etkili olabileceğini göstermektedir.
Veri Düzenlemesi ve Tahminleme Uygulaması Nasıl Olmalıdır?
İlk aşamada, veri setinin tahminlemeye uygun olup olmadığı entropi testleri (veri setinin uygunluğunun ölçümü için kullanılan bir yöntem) ile kontrol edilmelidir. Veri seti uygunsa, veri manipülasyon işlemlerine geçilir; eksik veri giderilir, veri türleri kontrol edilir ve veri normalleştirilir (veriyi standart bir aralığa dönüştürmek). Daha sonra, veriler hedefi etkileyen faktörler doğrultusunda düzenlenir ve tahmin modelleri kurulur. Uzman bir AI (yapay zeka) geliştirici iseniz, kendi tahmin modelinizi yazabilir ve parametreleri optimize edebilirsiniz. Alternatif olarak, hazır tahminleme araçları kullanabilirsiniz; örneğin, AWS Sage Maker Canvas bu amaç için yeterli olabilir. Spotify’ın kullanıcı müzik tercihlerini tahmin etmek için AI modellerini kullanması, bu sürecin güzel bir örneğidir.
Uygulama Sonrası Sonuçlar Nasıl Değerlendirilmelidir?
Yaşanan deneyimlerden elde edilen veriler, kıymetli içgörüler sunar. Öncelikle ne için tahminleme yaptığınız önemlidir. İstatistiksel olarak MAD (ortalama mutlak sapma), MAPE (ortalama mutlak yüzde hatası), RMSE (kök ortalama kare hatası) gibi metrikler öncelikli olmalıdır. Bu ölçütler, test veriniz ile deney veriniz arasındaki farkları istatistiksel olarak sunar. Peki çıkan sonuçları doğru kabul edip, müdahale olmadan sahada kullanabilir miyiz? Maalesef yanıt hayır. Bunun sebebi, tahminleme yöntemlerinin ana süreci desteklemesi gerektiği, sürecin yerini almaması gerektiğidir. Ayrıca, her zaman başarılı sonuçlar alınamayabilir veya anlık değişen olaylara dinamik tepki verilemeyebilir. Örneğin, Tesla’nın üretim tahminlerinde bazen yanılmalar yaşaması ve bu durumun üretim sürecine etkileri, tahmin sonuçlarının dikkatle değerlendirilmesi gerektiğini gösterir. Sonuç olarak, bu çalışmaların titizlikle yapılması ve asla sürecin yerine konmaması gerektiği öğrenilmelidir.