Tüketici Davranışları Genelinde

Veri Analiz

 

Günümüzde, bireysel anlamda tüketici davranışlarına eğilim gösterme önem kazanmaktadır. Özellikle işletmelerin pazarlama departmanlarının dikkatlerini tekil müşterilere çevirmeleriyle, tüketicilerin davranışlarını analitik yönlerden incelemenin önemi gittikçe artmakta.

 

Bir işletme açısından hem sahip olduğu müşterilere yönelik hem de potansiyel olarak gördüğü/görebileceği müşterilerine yönelik tutundurma çalışmaları yapmak hayati önem taşımaktadır. Sahip olduğu müşterilere ait olarak yapacağı tutundurma çalışmaları çerçevesinde, bilişim kaynakları çerçevesinde hem kendi elinde bulundurduğu veri kümelerinden, hem de ikincil kaynaklar olarak adlandırabileceğimiz anket vb. kaynaklar yardımıyla gerçekleştirilebilecektir. Potansiyel müşterilerin tedariği ise ya diğer müşterilere tavsiyede bulunmuş diğer müşteriler üzerinden, ya günümüzün modası nesnelerin interneti olan bulut servisleri üzerinden ya da anlaşmalı olunan gsm operatörleri vb. veri sağlayıcılardan elde edinilen doneler ile karşılanabilecektir.

 

(1)Tüketici davranışları konusu doğal olarak çok geniş bir yelpazeyi içermektedir. Bu yelpaze içerisinde yer alan en büyük değişken ise kültür değişkenidir. Haliylen bilişim açısından elde yer alan veri kaynakları üzerinden analitik anlamda analizler sırasında, kültür bileşenini bir sabit değişken olarak yapılan analizler içerisine yerleştirmek zorunludur. Bu makale çerçevesinde tüketici davranışlarının doğasından ziyade tüketici davranışları çerçevesinde analitik anlamda neler yapılabileceğini tartışılacak ve buna çeşitli yorumlar yapılacaktır.

 

2000’li yılların başından itibaren bilişim teknolojilerinin işletmelerin hayati değerini fazlasıyla arttırmaya başlaması ile birlikte, özellikle 2000’li yılların başlarında yönetim bilişim sistemleri açısından veritabanı pazarlamacılığı ((2)database marketing) önemli bir yer kazanmaya başladı. Veritabanı pazarlamacılığı içerisinde müşteri davranışlarını ölçmenin önemi ortaya çıkmaya başladıkça, veri ambarlarının kullanımı arttı, veri ambarları üzerinden gerçekleştirilen analitik modellemeler ortaya çıkmaya başladı. (Veri Madenciliği) Ancak hem son zamanların moda gelişmelerinden olan büyük veri ve (3)nesnelerin interneti adı verilen internet üzerinde yer alan tüm verilerin analiz edilebilme olanakları çerçevesinde veritaban pazarlamacılığı daha değişik bir yapıya yönelmektedir.

 

Bu yazıda hem temel veritaban pazarlamacılığı yönünden neler yapıldığını ve günümüzde nerede olunduğunu ele alırken, aynı anda hem nesnelerin interneti hem de büyük veri çerçevesinde neler yapılabileceğini ele alacağız.

 

Öncelikle veritaban pazarlamacılığı mantalitesi açısından müşteri davranışlarını iki yönden ele alabiliriz. Bunlardan birincisi, tüketici davranışlarını tahmin etmek bir diğeri de tüketicileri bulundukları sektöre, yaşa, benzeri boyutlara göre bir segmentasyon içerisine almakla gerçekleşmektedir. Tabi tahminleme ve segmentasyon içerisine alma terimleri işin içerisine katıldığı anda akla hemen veri madenciliği ile ilgili olarak kullanılacak olan araçlar gelmektedir. Müşteri sadakati olarak da adlandırabileceğimiz Churn Analiz Metodu ile müşterilerin işletmeye/ürüne olan sadakatları ölçülebilirkenki sadakat kasıt işletmeden işletmeye doğal olarak değişecektir. Herhangi bir müşterinin işletmeye ya da işletmenin sahibi olduğu üründen vazgeçebilmesi ya da vazgeçmesini önleyici olarak davranışlarını tahminleyebilme ve bunun önüne zamanında geçebilme olarak ele alınabilir. Genel anlamda müşterilerin bir işletmeye bağlı olan bağlılıklarını geçmiş müşterilerin davranışlarına göre ölçmek mümkün olabilmektedir. Bu tahminleme yöntemi içerisinde en çok kullanılan da lojistik regresyon metodudur. Lojistik regresyon, bildiğimizi lineer regresyona çok benzemekte ise de, lineer regresyon üzerinde tahminleme bağımlı değişkenin bağımsız değişkenler etrafında belirli bir değerini elde etmek iken, lojistik regresyonda ise, bağımlı değişkenin gerçekleşme olasılığını elde etmeye çalışmaktır.

 

Bir diğer veri madenciliği metodu ise müşterilerin gruplama mantığı ile segmentasyon içerisine alınmasıdır. Doğal olarak segmentasyon içerisine alınacak müşteriler de clustering (kümeleme) algoritmaları ile ele alınmaktadır. Gene bu yaklaşım içerisinde müşterilerin işletme açısından hangi parametreler içerisinde kümeleneceği ele alınarak, söz konusu müşterilere yönelik pazarlama faaliyetleri bu alanlar içerisinde gerçekleştirilebileceği gibi, müşterilerin segmentasyon ya da grup değiştirebileceği de göz önüne alınabilir.

 

Müşteri analitiğine ait olarak yukarıda belirtmiş olduğum iki yaklaşım, pazarda en sık kullanılan veri madenciliği araçlarından olan SPSS Modeler, SAS ve R gibi araçlar yardımıyla kolaylıkla gerçekleştirilmektedir. Son yıllarda bu araçlardan elde edilen sonuçlar işletmelerin genelinde çok büyük itibar görmektedirler. Ancak bu araçlarında özellikle büyük veri kaynağı içeren işletmeler içerisinde yetersizlikleri göze batmaktadır. Elde edilmiş olan sonuçların, söz konusu bu büyük veri kaynaklarına geri beslenmesi özellikle SPSS ve SAS tarafında bazı external dosyalara (txt, html vb.) aldıktan sonra, bunlar üzerinde gerekli kodlamaların yapılarak işletme veritaban ya da veri ambarları üzerinde güncelleme şeklinde olmaktadır. R tarafında ise bu durum biraz daha esnektir. Özellikle R tarafında Phyton kullanımının da geniş olarak olanak sunmasından ötürü, veritabanları ve/veya veri ambarları ile etkileşimi daha kolay yapılabilmektedir.

 

Yukarıda bahsi geçen veri madenciliği araçlarının dışında, son yıllarda hem SQL hem de programlama dillerinin in-house olarak kullanılması ile de müşteri analizi yöntemlerine gidilmektedir. Özellikle finans sektöründe faaliyet gösteren firmaların bu yönteme başvurduğu gözlemlenmektedir. Bunun da nedenlerinden bir tanesi, yukarıda da belirtmiş olduğum üzere veritabanı ve/veya veri ambarlarının güncellenebilme periyotları şeklinde oluşurken, diğer bir nedeni de veri madenciliği araçları için oluşturulacak olan data martların yönetme maliyeti, işletmenin veri kaynakları üzerinde daha hızlı analiz yapabilme yeteneği olarak ele alınabilmektedir. Eğer veritabanı programlamasına iyi düzeyde haiz bir geliştirici ekibine sahipse işletme, bu durumda veri madenciliği araçlarının gerçekleştirmekte olduğu tüm işlevleri işletmenin sahip olduğu veritaban yönetim sistemine bağlı olarak yapabilecektir. (Oracle için PL-SQL, MS-SQL SERVER için T-SQL vb.) Yalnızca veritaban programlama ile, bunların dışında güçlü olan Phyton/C ya da kurumsal anlamda kullanılmakta olan Java veya C# gibi dillerin yardımıyla da müşteri analitiğine ilişkin analizler yapılabilir.

 

Yukarıda da belirtmiş olduğum üzere, büyük verinin ve bulut üzerinde yer alan nesnelerin interneti konsepti içerisinde müşteri analitiğine bakışta artık yavaş yavaş değişmektedir. Nesnelerin interneti konsepti içerisinde artık genelde veri analizi, özelde ise müşteri analitiğine bakış açısı bulut üzerinde gerçekleştirilecek olan uygulamalara doğru kaymaktadır. Bulut üzerinden yapılacak olan uygulamalar ise, hem Hadoop ya da Mongo DB ya da Amazon Flat DB üzerinde yazılacak olan uygulamalar göz önüne alınarak geliştirilmektedir. Bu yeni yaklaşımlar içerisinde, özellikle finans kurumları gibi işlemin çok döndüğü ve çok hızlı bir şekilde hem yönetime hem de müşterilerine geri dönebilecek şekilde artık üçüncü parti uygulamalar yerine, kendi bünyelerinde in-house yazılım geliştirmeye doğru gidilmektedir.

 

Sonuç olarak, yeni ekonomi olarak da adlandırılabilecek olan müşteri davranışlarına uygun şekilde bireysel bazda pazarlama tekniklerine yönelmekte olan işletmelerin en önemli silahları olan kendi veri kümelerine ve evrensel düzeyde veri kaynağı olarak düşünülebilecek internet üzerindeki verilere yönelmeleri ve bu verileri bireysel anlamda kendi müşteri düzeylerine inerek geliştirecekleri bir çok yöntem ve yol bulunmakta. Bu yöntemlerden hangisi ya da hangilerinin seçilip kullanılacağı ise, doğal olarak işletmelerin insiyatifindedir.