İş Dünyasında Hergün Yükselen Bir Değer - Nedensellik Analizleri (Causality Analysis)

Giriş

Şirketler, günlük işleyişlerinde sürekli kararlar almaktadır. Bu kararların bazıları o kadar önemlidir ki şirketin gelecek on yılını bile etkileyebilirler. Geçtiğimiz on yılda bu kararları verirken basit istatistiksel analizler, görselleştirme, iş zekası ve tahminleyici modelleme konularından destek alınıyordu ve bu yönteme "Data Driven Decision Making" adı veriliyordu. Ancak, bu analizlerin doğrulukları (precision) o kadar önemli bir hale geldi ki, şirketler bu seviyede isabet sağlayan yeni yöntemlere yöneldiler. 

Bu yöntemlerin en başında Nedensellik (Causality) geliyor. Causality analizleri, bir olayın diğer bir olaya neden olup olmadığını araştırır ve öyleyse, bu nedenselliğin özelliklerini anlamaya çalışır. 

Örneğin, hava sıcaklığı arttığında, insanların daha fazla dondurma yediği gözlemlenmiştir. Bu durumda, hava sıcaklığı dondurma tüketiminde bir neden olarak kabul edilebilir. Ayrıca, sıcaklığın bir derece artmasının dondurma satışlarını ne kadar etkilediği de önemli olabilir. Her ne kadar çok kolay bir örnekle başlasak ve aradaki neden-sonuç ilişkisi bu örnekte çok bariz görünse de gerçek hayattaki Causality uygulamaları çok karmaşık bir hal alabilir. Hemen alttaki figür aile hayatındaki mutluluğa neden olan etkenlerin birbiri ile ilişkisini göstermektedir.

Bu seride genel olarak, causality metotlarından ve bunların en iyi uygulamalarından bahsedeceğiz. Ama, daha önce causality kavramının işletmeler için neden bu kadar önemli olduğunu anlamak gerekir. İşte bu makalede, bu konuyu daha ayrıntılı olarak ele alacağım.

Causality'nin İşletmelere Faydaları

Günümüz iş dünyasında, veri analizi ve büyük veri kavramları oldukça popüler. Şirketler, müşteri verileri, pazar trendleri ve diğer faktörler hakkında çok fazla veriye sahip olabiyor. Ancak, bu verilerin anlamlı hale getirilmesi oldukça zor analitik süreçler gerektiriyor. Bu verilerin tam olarak anlam kazanması ve daha iyi karar alma süreçleri oluşturulması için, işletmelerin causality konularını anlamaları layıkıyla anlamaları gereklidir.

Şirketler, ürünleri veya indirim, promosyon, bundling gibi aksiyonları ile müşteri davranışları arasındaki nedensel ilişkiyi anlayarak, müşterilerinin ihtiyaçlarını belirleyebilirler. Bu sayede de, müşterilerine daha iyi hizmetler ve ürünler sunabilirler. Ayrıca, şirketler, nedensellik analizlerinden ürün ve hizmetlerini iyileştirmek için de faydalanabilirler. Benzer şekilde, ürünlerinin ve aksiyonlarının müşteriler tarafından ne kadar sıklıkla kullanıldığını ve hangi özelliklerinin müşterilerin memnuniyetini artırdığını analiz ederek, ürünlerini daha da geliştirebilirler.

Causality ayrıca, işletmelerin pazarlama stratejilerini ve reklam kampanyalarını da optimize etmelerine yardımcı olur. Şirketler, müşteri davranışları hakkında doğru verileri analiz ederek, müşterilerin hangi ürün ve hizmetlerden daha fazla ilgi gösterdiğini belirleyebilirler. Böylece, müşterilerine daha etkili bir şekilde ulaşarak, satışlarını artırabilirler.

Causality, işletmelerin kaynaklarını daha verimli kullanmalarına da yardımcı olur. Şirketler, hangi ürün ve hizmetlerin daha fazla kar getirdiğini ve hangi pazarlarda daha fazla potansiyel olduğunu analiz ederek, kaynaklarını daha verimli bir şekilde kullanabilirler. Bu şekilde, maliyetleri düşürerek karlılıklarını artırabilirler.

Şirketler Causality'den Dört Temel Şekilde Yararlanabilir

Doğru Kararlar Vermek: Causality, şirketlerin doğru kararlar vermesine yardımcı olur. İşletmeler, süreçlerindeki nedensellik anlayışını arttırarak, şirket faaliyetlerindeki neden-sonuç ilişkilerini anlamak ve bu ilişkileri kullanarak doğru kararlar almak için causal veri analizi yapabilirler. Causal veri analizi, işletmelerin müşteri ihtiyaçlarını belirlemelerine, ürün ve hizmetleri geliştirmelerine, maliyetleri düşürmelerine ve rekabet avantajı elde etmelerine yardımcı olur.

Rekabet Avantajı Elde Etmek: Causality, şirketlerin rekabet avantajı elde etmelerine yardımcı olur. Şirketler, causality'yi kullanarak, müşteri ihtiyaçlarını belirleyebilirler ve bu ihtiyaçları karşılayan ürün ve hizmetler geliştirebilirler. Ayrıca, causality, şirketlerin maliyetleri düşürmelerine yardımcı olur ve bu da rekabet avantajı sağlamaya yardımcı olur.

Verimliliği Artırmak: Causality, şirketlerin verimliliklerini artırmalarına da yardımcı olur. Şirketler, causality'yi kullanarak, faaliyetlerindeki neden-sonuç ilişkilerini anlayabilirler ve bu ilişkileri kullanarak verimliliklerini artırabilirler. Ayrıca, causality, kaynakların daha verimli kullanmalarına yardımcı olur.

Riskleri Yönetmek: Causality, şirketlerin risklerini yönetmelerine yardımcı olur. Şirketler, causality'yi kullanarak, şirket faaliyetlerindeki riskleri yönetebilirler. Ayrıca, causality, işletmelerin gelecekteki faaliyetlerini planlamalarına yardımcı olur ve bu da işletmelerin risklerini yönetmelerine yardımcı olur.

Causality'nin Yararlarına Örnekler

İlk örnek olarak, bir bankanın web sitesindeki bir özelliği değiştirme kararı, causal an alizler ile daha doğru yapılabilir. Diyelim ki, geçmiş loglara bakılarak, online kredi verme arayüzünün belli bir basamağında çok fazla müşterinin kredi alma sürecini terk ettiği tespit edilmiş olsun. Bu basamağın geliştirilmesi gerektiğine yönelik bir karar alınsın ve iki alternatif bulunsun. O zaman, bu iki alternatifin istenen sonucu değiştirip değiştirmeyeceğine yönelik bir A/B testi yapılabilir. (A/B testlerinin nasıl yapılması gerektiğinden ileride uzun uzun bahsedeceğim.) Bu test neticesinde, eski sürecin mi, birinci alternatifin mi, yoksa ikinci alternatifin mi daha iyi sonuçlar getirdiği anlaşılır ve o yöntemle devam edilir.

Bir diğer örnek olarak, bir mobil operatörün causality'yi kullanarak, pazarlama stratejilerini nasıl optimize çıkardığı edebileceğine bakalım. Diyelim ki şirketin gençlere yönelik olarak yapacağı promosyon için bir bütçesi olsun. Tabii ki, her şirket bu bütçeyi en verimli şekilde harcamak ister. Kısaca, iki tür promosyon yapmak istesin. Mesela, bazı müşterilerine yüzde on, bazı müşterilerine yüzde otuz indirim imkanı sunsun. Tabii ki bütçe kısıtlarına uyarak. Bunun için şirket bir A/B testi yaparak, bu iki promosyonun hangi müşteri dilimlerinde ne kadar etkili olduğunu bulabilir (heterogeneity analysis). Analiz neticesinde, farzedelim ki, gelir seviyesi belli bir miktardan yüksek olanlar için indirim oranını yüzde onden yüzde otuza çıkarmanın etkisinin olmadığını gözlemleyebilir. Böylece bu grup için sadece yüzde onluk indirim önererek, bütçesini korur; ve yüzde otuzluk indirimi sadece daha etkili olacak gruba verebilir.

Zorluklar

Ancak, causality'nin doğru şekilde kullanımı bazı zorluklar içerir ve çok kolay bir süreç değildir. En büyük zorluk, treatment ile outcome arasındaki korelasyonun sadece treatmenttaki değişimden kaynaklandığını anlamaktır. Buna detaylı olarak değineceğim. Ama, temel olarak, "Correlation does not mean causality" (Korelasyon, nedensellik anlamına gelmez.) sözünün çıkış sebebi budur ve bu korelasyondaki gereklilikleri sağlamak çok zordur.

"Correlation does not mean causality" cümlesi, iki şeyin birlikte meydana gelmesi veya ilişkili olması, bunlardan birinin diğerini neden olduğu anlamına gelmez şeklinde ifade edilebilir. Başka bir deyişle, iki değişken arasındaki bir ilişki, bir değişkenin diğerine neden olduğunu kanıtlamaz.

Örneğin, belirli bir dönemde dondurma satışları ile köpek balığı saldırıları arasında bir ilişki varsa, bu, insanların daha fazla dondurma yemesininin köpek balığı saldırılarını arttırdığı anlamına gelmez. Bu ilişki, sıcak hava gibi üçüncü bir değişkene bağlı olabilir, yani sıcak hava hem dondurma satışlarını hem de plaj ziyaretlerini arttırır. Bu yüzden de iki değişken arasında bir korelasyon oluşabilir.

Önemli olan şey, ilişkilerin tesadüfi olabileceği ve anlamlı olmayabileceği gerçeğini akılda tutmaktır. Bu nedenle, neden-sonuç ilişkisi kurmak için, bir değişkenin diğerini doğrudan etkileyip etkilemediğini belirlemek için daha fazla araştırma yapmak gereklidir, örneğin deneyler veya daha sonra tartışacağımız longitudinal çalışmalar yapmak gereklidir.

Causality, verilerin doğru ve güvenilir olmasını gerektirir. Verilerin, özellikle treatment ve outcome verilerinin, yanlış veya eksik olması, causality analizlerini etkileyebilir ve yanlış sonuçlara (bias) yol açabilir. Ayrıca, causality analizleri, doğru bir şekilde yürütülmediği, doğru metotlar uygulanmadığı, ve metotların bul ettiği varsayımlar ihlal edildiği takdirde yanıltıcı sonuçlar verebilir. Bu nedenle, causality analizlerinin doğru bir şekilde yürütülmesi için üst düzey uzmanlığa ihtiyaç duyulabilir.

Bununla birlikte, causality analizlerinin yapılması, bazen maliyetli olabilir. Verilerin toplanması ve analiz edilmesi zaman alır ve pahalı olabilir. Digital platformlarda hizmet veren şirketler için kolay olan deneyler, diğer şirketler için oldukça yüksek maliyetler içeribilir. Bu sebeple, şirketleri, causality analizlerini yürütmek için yeterli kaynağa sahip olmaları gerekir.

Sonuç

Sonuç olarak, causality kavramı, şirketler için oldukça önemlidir ve teknolojiyi özümsemiş birçok şirket bu yöntemi en iyi şekilde uygulamak ve süreçlerine katmak için yoğun çaba göstermektedir. Ancak aldıkları aksiyonların sonuçlarını iyi öngörebilen şirketler, müşterilerine sürekli olarak daha iyi hizmet sunabilirler ve satışlarını artırabilirler. Bu ilişki o kadar önemlidir ki; şansa, öznel değerlendirmelere, ya da rastgele seçimlere bırakılamaz. İyi şirketler ile harika şirketler arasındaki en belirgin fark bu anlayıştır. Bu anlayışı uygulamanın en birincil koşulu da aksiyonlardan elde edilen sonuçların doğru ölçülmesidir.

İşte, bu ölçümlerin teorisi ve pratiğini bir çok postta konuşacağız. 

Referanslar: 

https://www.mdpi.com/2079-8954/5/3/46