Final Durağı: Değeri Görünür Kılmak

Merhaba Dostlar!

Pusulamız bizi yolculuğumuzun son durağına getirdi. Birlikte veriyi keşfettik, geleceği modelledik ve bu modeli çalışan bir motora dönüştürdük. Motorumuz her gün bize risk altındaki müşterilerin bir listesini (tahmin_sonuclari.csv) veriyor.

Peki bu yeterli mi? Hayır! Dünyanın en iyi modelini de kursanız, bulgularınızı ve yarattığınız değeri başkalarına anlatamadığınız sürece projeniz bir değer yaratmaz.

Bu bölümde, veri bilimcinin en önemli yeteneklerinden birini, verinin hikaye anlatıcılığı sanatını keşfedeceğiz. Teknik bir çıktıyı, kararları yönlendiren, ilham veren ve aksiyon yaratan bir hikayeye dönüştüreceğiz.

1. Adım: Hedef Kitleni Tanı - Pusulayı Kime Çeviriyoruz?

Tek bir sunum veya rapor herkes için uygun değildir. Hikayemizi anlatmadan önce, dinleyicilerimizin kim olduğunu ve ne duymak istediklerini anlamalıyız. Her paydaşın farklı bir “dilde” konuştuğunu ve farklı sorular sorduğunu unutmamalıyız:

CEO / Üst Yönetim:

Odak Noktası: “Büyük resim” ve stratejik etki.

Duymak İstedikleri: Projenin finansal etkisini (Ne kadar müşteri kurtaracağız? Bize ne kadara mal olacak?), stratejik önemini ve genel başarıyı.

Bizim Görevimiz: Karmaşık metriklerden kaçınarak net sonuçlar ve uygulanabilir öneriler sunmak.

Pazarlama Departmanı:

Odak Noktası: “Aksiyon listesi” ve operasyonel verimlilik.

Sordukları Soru: “Tamam, şimdi ne yapmamız gerekiyor?”

Bizim Görevimiz: Hangi müşterilere, hangi kanaldan, ne tür bir kampanya ile ulaşmaları gerektiğini gösteren, önceliklendirilmiş ve somut listeler sunmak.

Bu bölümde, hikayemizi Yönetim ve Pazarlama kitlelerinin dillerine çevirerek, projemizin yarattığı değeri en etkili şekilde onlara sunacağız.

2. Adım: Veriyi Görselleştirme Sanatı - Bir Resim Bin Tablodan İyidir

Şimdi, Bölüm 3’te motorumuzun ürettiği o değerli tahmin_sonuclari.csv dosyasını alıp, sıkıcı bir tablodan çıkararak, farklı paydaşlarımızın bir bakışta anlayabileceği, güçlü ve ikna edici görsellere dönüştürme zamanı.

Bu görev için R’ın görselleştirme devi olan ggplot2 paketini kullanacağız. Unutmayın, amacımız sadece güzel grafikler çizmek değil, doğru sorulara cevap veren ve karar almayı kolaylaştıran görseller yaratmaktır.

# Gerekli kütüphaneleri yüklüyoruz
library(dplyr)
library(ggplot2)

# Bölüm 3'ten gelen tahmin sonuçlarını ve müşteri bilgilerini okuyalım
# Bu dosyaların projenizin ana dizininde olduğunu varsayıyoruz
tahminler <- read.csv("tahmin_sonuclari.csv")
musteri_detaylari <- read.csv("data/yeni_musteri_bilgileri.csv")

# İki dosyayı birleştirerek daha zengin bir veri seti oluşturalm
# Bu sayede tahmin sonuçlarımıza, müşterinin harcama bilgisi gibi
# raporlama için kritik olan detayları eklemiş oluyoruz.
rapor_verisi <- left_join(tahminler, musteri_detaylari, by = "musteri_id")

# Oluşturduğumuz nihai rapor verisinin ilk 6 satırına bir göz atalım
# head() fonksiyonu, bir tablonun nasıl göründüğünü anlamak için harikadır.
print("Raporlama için Hazırlanan Veri Setinin İlk 6 Satırı:")
## [1] "Raporlama için Hazırlanan Veri Setinin İlk 6 Satırı:"
head(rapor_verisi)
##   musteri_id terk_etme_olasiligi tahmin_durumu uyelik_suresi_ay aylik_harcama
## 1       1501               0.396       Kalacak                5        194.17
## 2       1502               0.262       Kalacak               24        144.06
## 3       1503               0.132       Kalacak               28         79.09
## 4       1504               0.268       Kalacak               11        345.00
## 5       1505               0.318       Kalacak               25        413.52
## 6       1506               0.674   Terk Edecek                6        258.52

Grafik 1 (Yönetim İçin): Riskli Müşteri Dağılımı

Bu grafik, üst yönetime tek bir bakışta riskin nerede yoğunlaştığını gösterir. Amacı, karmaşık sayılar yerine, “Sorunun büyüklüğü ne?” ve “Nerede odaklanmalıyız?” sorularına anında görsel bir cevap vermektir.

ggplot(rapor_verisi, aes(x = terk_etme_olasiligi)) +
  geom_histogram(bins = 20, fill = "#FF6347", color = "white", alpha = 0.8) +
  geom_vline(xintercept = 0.40, color = "darkred", linetype = "dashed", size = 1.2) +
  labs(title = "Yeni Müsteriler Arasindaki Terk Etme Riski Dagilimi",
       x = "Terk Etme Olasiligi",
       y = "Musteri Sayisi",
       caption = "Kirmizi cizgi, 'riskli' olarak isaretledigimiz 0.40 esigini gostermektedir.") +
  theme_minimal(base_size = 12)

Bu grafik CEO’ya ne söyler?

“Müşterilerimizin önemli bir kısmı, bizim belirlediğimiz kırmızı risk çizgisinin sağ tarafında, yani yüksek risk bölgesinde yoğunlaşmış durumda. Acil aksiyon almamız gereken somut bir grup var.”

Dostlara Bir Not: Bir Grafiğin Anatomisi ve CEO’nun Zihin Haritası

Dostlar, yukarıdaki grafik basit bir çubuk grafiği gibi görünse de, içinde bir CEO’nun stratejik karar vermesi için gereken tüm bilgiyi barındırır. Gelin bu grafiği bir dedektif gibi inceleyelim ve bir yöneticinin zihninde hangi düşünceleri tetiklediğini görelim.

1. Grafiğin Anatomisi: Haritayı Okumak

  • X-Ekseni (Risk Metresi): Bu yatay çizgi, bir müşterinin terk etme riskini 0’dan 1’e kadar ölçer. Sağa doğru gittikçe risk artar.

  • Y-Ekseni (Müşteri Sayısı): Dikey çizgi, belirli bir risk seviyesinde kaç tane müşterimiz olduğunu sayar.

  • Kırmızı Çizgi (Stratejik Sınır): Bu, bizim Bölüm 2’de belirlediğimiz “artık bu müşteri risklidir” dediğimiz 0.40’lık sınırdır. Bu çizginin sağı, aksiyon alınacak tehlikeli bölgedir.

2. CEO’nun Gördükleri: Veriden Bilgiye Geçiş

Bir CEO bu grafiğe baktığında çubukların yüksekliğini saymaz, büyük resmi görür:

  • Problemin Büyüklüğü: CEO, kırmızı çizginin sağındaki tüm çubukların toplam yüksekliğine bakar ve anında şunu anlar: “Modelimiz, yeni gelen müşterilerden 10 tanesinin bizi terk etme riski taşıdığını söylüyor.” Bu, problemin boyutunu somut bir sayıya indirger.

  • Aciliyetin Seviyesi: CEO, sadece toplam sayıya değil, çubukların dağılımına da bakar. En sağdaki, %70-80 riskli çubukları görür ve düşünür: “Bu risk sadece sınırda değil, bazılarının durumu çok kritik. Bu bir ‘belki’ sorunu değil, ‘yakında olacak’ bir sorun.”

3. CEO’nun Karar Süreci: Bilgiden Aksiyona Geçiş

Bu görsel bilgi, CEO’nun zihninde bir dizi stratejik kararı tetikler:

  • Kaynak Planlaması: “Demek ki, şu an masada acil ilgilenmemiz gereken 10 müşteri var. Pazarlama ekibinin bu 10 müşteriye yönelik bir kampanya hazırlaması gerekiyor. Bu kampanyanın maliyeti ne olur?”

  • Potansiyel Kazanç (ROI) Analizi: “Eğer bu 10 müşteriden sadece yarısını bile kurtarabilirsek, bu bize aylık X kadar ciro kazandırır. Bu yatırım yapmaya değer mi?”

  • Sorumluluk Atama: “Pazarlama Direktörü’nden, bu 10 kişilik gruba özel bir eylem planı hazırlamasını ve bir hafta içinde sonuçları bana sunmasını isteyeceğim.”

Gördüğünüz gibi, doğru tasarlanmış tek bir grafik; bir durumu ölçülebilir hale getirir, bir aciliyet hissi yaratır ve üst yönetimin kaynakları doğru yere yönlendirmesini sağlar. Bu, veri biliminin en güçlü yönlerinden biridir.

Bu bölümü bitirdiğimize göre, şimdi aynı detay ve derinlikle Pazarlama Direktörünün dünyasına geçmeye hazırız.

Grafik 2 (Pazarlama İçin): Öncelik Verilecek Müşteriler

Bu grafik, pazarlama ekibine “Kime odaklanmalıyız?” sorusunun cevabını verir.

# Sadece "Terk Edecek" olarak tahmin edilenleri filtreleyelim
riskli_musteriler <- rapor_verisi %>% filter(tahmin_durumu == "Terk Edecek")

ggplot(riskli_musteriler, aes(x = aylik_harcama, y = terk_etme_olasiligi)) +
  geom_point(aes(color = terk_etme_olasiligi, size = aylik_harcama), alpha = 0.7) +
  scale_color_gradient(low = "orange", high = "red") +
  labs(title = "Oncelik Verilecek Riskli Musteriler",
       x = "Aylik Harcama (Deger)",
       y = "Terk Etme Olasiligi (Risk)",
       color = "Risk Skoru",
       size = "Musteri Degeri") +
  theme_minimal(base_size = 14)

Bu grafik Pazarlama Direktörüne ne söyler?

“Grafiğin sağ üst köşesindeki müşteriler, hem bize en çok parayı kazandıran (yüksek harcama) hem de terk etme riski en yüksek olanlar. Müdahale kampanyamıza ilk olarak bu müşterilerden başlamalıyız!”

Dostlara Bir Not: Bir Pazarlamacının Gözünden Grafiğin Anatomisi

Bu grafik, risk altındaki müşterilerimizi üç önemli boyutta aynı anda görmemizi sağlar:

  • X-Ekseni (Müşterinin Değeri): Bir müşteri ne kadar sağda ise, şirketimize o kadar çok para kazandırıyor demektir (Aylık Harcama).

  • Y-Ekseni (Müşterinin Riski): Bir müşteri ne kadar yukarıda ise, onu kaybetme olasılığımız o kadar yüksektir (Terk Etme Olasılığı).

  • Noktaların Boyutu ve Rengi: Bu iki özellik, X ve Y eksenindeki bilgiyi görsel olarak pekiştirir. Noktaların büyüklüğü müşterinin değerini, kırmızıya dönen rengi ise riskinin yüksekliğini gösterir.

Pazarlama Direktörünün Zihin Haritası: Segmentasyon ve Aksiyon

Bu grafiğe bakan bir Pazarlama Direktörü, müşterileri anında zihninde dört ana segmente ayırır ve her biri için farklı bir aksiyon planı düşünür:

1. Sağ Üst Köşe: “Acil Müdahale Grubu - VIP’ler”

  • Kimler Bunlar? Hem bize en çok parayı kazandıran (yüksek harcama) hem de terk etme riski en yüksek olan müşteriler. Grafikteki büyük ve kırmızı noktalar.

  • Direktörün Düşüncesi: “Bunlar bizim ‘yüksek değerli, yüksek riskli’ mücevherlerimiz. Onları kaybetmek, sadece bir müşteri kaybetmek değil, ciromuzda ciddi bir delik açmak demektir. Standart bir kampanya yeterli olmaz.”

  • Aksiyon Planı: “Bu 3-4 müşteri için hemen özel müşteri temsilcilerimizi devreye sokalım. Birebir arayıp sorunlarını dinlesinler ve onlara özel, yüksek değerli bir teklif (örn: ücretsiz ek hizmet, büyük bir indirim) sunsunlar. Bu grubun maliyeti yüksek olabilir ama potansiyel kaybın yanında bu bir hiç.”

2. Sol Üst Köşe: “Yüksek Riskli Ama Düşük Değerli Grup”

  • Kimler Bunlar? Terk etme riskleri çok yüksek, ancak şirketimize katkıları daha az olan müşteriler. Grafikteki küçük ama kırmızı noktalar.

  • Direktörün Düşüncesi: “Bu müşterileri de kaybetmek istemeyiz, ancak her birine özel temsilci atamak maliyetli olur. Verimliliği yüksek tutmalıyız.”

  • Aksiyon Planı: “Bu grup için otomatize edilmiş, kişiselleştirilmiş bir e-posta veya SMS kampanyası başlatalım. Onlara ‘Sizi özledik, geri dönün!’ diyen standart bir indirim kodu gönderelim. Maliyeti düşük, potansiyel etkisi yüksek bir hamle.”

3. Sağ Alt Köşe: “Değerli Ama Düşük Riskli Sadık Müşteriler”

  • Kimler Bunlar? Bize iyi para kazandıran ama şu an için riskleri daha düşük olan müşteriler. (Bu grafikte bu gruptan çok yok, çünkü sadece risklileri filtreledik, ama gerçek bir analizde bu grup da olurdu).

  • Direktörün Düşüncesi: “Bu müşteriler şu an güvende görünüyor. Onları gereksiz ve agresif kampanyalarla rahatsız etmeyelim. Sadece ilişkileri sıcak tutalım.”

  • Aksiyon Planı: “Bu gruba standart sadakat programımız dahilinde küçük jestler (doğum günü kutlaması vb.) yapmaya devam edelim. Şu an için özel bir müdahaleye gerek yok.”

4. Sol Alt Köşe: “Düşük Riskli ve Düşük Değerli Grup”

  • Kimler Bunlar? Hem riskleri hem de değerleri düşük olan grup

  • Direktörün Düşüncesi: “Bu grup şu anki önceliğimiz değil. Kaynaklarımızı ilk iki gruba odaklamalıyız.”

  • Aksiyon Planı: “Bu grup için şimdilik bir aksiyon alınmayacak. Standart pazarlama iletişimimiz devam etsin.”

Bu tek grafik, Pazarlama Departmanının tüm “elde tutma” stratejisini veriye dayalı, segmente edilmiş ve bütçe dostu bir şekilde planlamasını sağlamış oldu.

3. Adım: Hikayeyi Oluşturmak - Veriden Değere Giden Yol

Artık tüm parçalarımız var: Problemi anlayan bir CEO ve aksiyon almaya hazır bir Pazarlama Direktörü. Şimdi, bu iki kitleyi aynı odada topladığımızı ve onlara 5 dakikalık bir sunum yaptığımızı hayal edelim. Hikayemiz, klasik 3 perdelik bir yapı izleyecek.

Perde 1: Problem ve Fırsat (Nereden Geldik?)

(Bir sunumun ilk slaytında olduğumuzu hayal edelim. Slaytın başlığı: “Müşteri Kaybı: Reaktif Savunmadan Proaktif Hücuma”. İşte o slaytı anlatırken söyleyeceklerimiz:)

“Değerli yönetim, değerli pazarlama ekibi,

Bildiğiniz gibi, en büyük zorluklarımızdan biri müşteri kaybıydı. Bu sorunu bugüne kadar reaktif yöntemlerle, yani müşteri gittikten sonra anlamaya çalışarak çözmeye çalıştık. Ancak bu, kanamayı durdurmak yerine sadece yarayı temizlemek gibiydi.

Bu yüzden, proaktif bir yaklaşım benimsemek için bir veri bilimi projesi başlattık. Amacımız basitti: Müşterileri kaybetmeden önce, kimin risk altında olduğunu bilimsel bir kesinlikle tespit etmek ve onlara özel olarak müdahale etmek.”

Perde 2: Çözüm ve Yeteneklerimiz (Ne İnşa Ettik?)

(İkinci slayta geçilir, Grafik 1: Riskli Müşteri Dağılımı ekrandadır)

“Bugün, bu amaca ulaştığımızı duyurmaktan mutluluk duyuyorum. Geliştirdiğimiz makine öğrenmesi motoru sayesinde, artık terk etme riski taşıyan müşterileri %86’nın üzerinde bir başarıyla (Recall) tespit edebiliyoruz.

Ekranda gördüğünüz bu grafik, sadece son bir haftada sistemimize giren yeni müşteriler arasındaki risk dağılımını gösteriyor. Kırmızı çizginin sağında kalanlar, motorumuzun ‘acil müdahale gerekli’ dediği müşteriler. Gördüğünüz gibi, şu anda bile 10 yeni müşterimiz bu yüksek risk bölgesinde. Problem, somut ve ölçülebilir bir şekilde karşımızda duruyor.”

Perde 3: Aksiyon ve Sonraki Adımlar (Şimdi Ne Yapacağız?)

(Üçüncü slayta geçilir, Grafik 2: Öncelik Verilecek Riskli Müşteriler ekrandadır)

“Peki, bu 10 müşterinin hepsi aynı mı? Hayır. Motorumuz bize sadece kimin riskli olduğunu değil, kime öncelik vermemiz gerektiğini de söylüyor.

Bu grafik, o 10 riskli müşteriyi, hem şirketimize getirdikleri değere (yatay eksen) hem de risk seviyelerine (dikey eksen) göre haritalandırıyor. Pazarlama ekibi için bu, bir hazine haritası niteliğinde.

Önerimiz net ve uygulanabilir:

  1. Acil Aksiyon (VIP Grubu): Grafiğin sağ üst köşesinde gördüğünüz, hem en değerli hem de en riskli olan 3-4 müşterimiz için, özel müşteri temsilcilerimiz hemen devreye girmeli. Bu, kişisel ve yüksek değerli bir müdahale gerektiriyor.

  2. Otomatize Aksiyon (Geniş Risk Grubu): Geriye kalan, daha düşük değerli ama yine de riskli olan diğer müşteriler için ise, daha az maliyetli, otomatize edilmiş bir e-posta kampanyası başlatabiliriz.

Bu projenin, bu stratejiyle, önümüzdeki çeyrekte müşteri kaybı oranımızı %15 düşürme potansiyeli olduğunu öngörüyoruz. İlk sonuçları ve kampanyanın etkisini bir ay içinde tekrar sizlere sunmak için sabırsızlanıyoruz.”

Serinin Sonsözü: Pusulanın Gösterdiği Yol

Dostlar, yolculuğumuzun ana etabının sonuna geldik. Birlikte, ham bir veri yığınından yola çıktık ve onu değere dönüştürdük. Gelin, pusulamızın bizi nerelere götürdüğünü son bir kez hatırlayalım:

  1. Keşfettik: Verinin içindeki desenleri ve sorunları anladık.

  2. Modelledik: Geleceği tahmin eden bir beyin inşa ettik ve onu iş hedeflerimize göre stratejik olarak kalibre ettik.

  3. Kodladık: Bu beyni, yorulmadan çalışan otomatize bir motora dönüştürdük.

  4. Sunduk: Ve son olarak, bu motorun ürettiği değeri, herkesin anlayabileceği ikna edici bir hikayeye çevirdik.

Bu, bir veri bilimi projesinin uçtan uca yaşam döngüsüdür. Pusulamız bize yolu gösterdi, ama unutmayın ki bu sadece bir başlangıç. Veri bilimi, sürekli bir öğrenme ve keşif yolculuğudur.

Takipte kaldığınız ve bu dört duraklık yolculukta bana eşlik ettiğiniz için çok teşekkür ederim!

Ama macera burada bitiyor mu? Elbette hayır! Sırada, söz verdiğimiz gibi, bu projenin üzerine inşa edeceğimiz Bonus Bölümler var:

Veriyle kalın, Lütfen takipte kalın…