T.C
İSTANBUL TİCARET ÜNİVERSİTESİ DIŞ TİCARET ENSTİTÜSÜ
KÜRESEL PAZARLAMA VE MARKA YÖNETİMİ ANA BİLİM DALI KÜRESEL PAZARLAMA VE MARKA YÖNETİMİ YÜKSEK LİSANS
PROGRAMI
BÜYÜK VERİ ANALİTİĞİNİN DİJİTAL PAZARLAMA STRATEJİLERİ ÜZERİNDEKİ ROLÜ
Yüksek Lisans Tezi
TARTEEL AWAD GADIN MOHIELDIN 200014614
İstanbul, 2022
T.C
İSTANBUL TİCARET ÜNİVERSİTESİ DIŞ TİCARET ENSTİTÜSÜ
KÜRESEL PAZARLAMA VE MARKA YÖNETİMİ ANA BİLİM DALI KÜRESEL PAZARLAMA VE MARKA YÖNETİMİ YÜKSEK LİSANS
PROGRAMI
BÜYÜK VERİ ANALİTİĞİNİN DİJİTAL PAZARLAMA STRATEJİLERİ ÜZERİNDEKİ ROLÜ
Yüksek Lisans Tezi
TARTEEL AWAD GADIN MOHIELDIN 200014614
Danışman
Doç. Dr. Mustafa Emre CİVELEK
İstanbul, 2022
Yüksek Lisans Tezi Onay Formu
ÖZET
Her yıl, dijital pazarlama sürecinin gidişatını değiştiren ve pazarlamacıların işlerini yapmalarını ve zamandan sürekli tasarruf etmelerini kolaylaştıran bir dizi yeni trend ortaya çıkmaktadır. Büyük veri, dijital pazarlamayı büyük ölçüde etkileyen ve gelecekte de etkisini sürdürmesi beklenen en önemli yeni trendlerden biridir. Bu tez, potansiyel fırsatları, faydaları ve zorlukları tartışarak dijital pazarlama stratejilerinde büyük veri analitiğinin rolünü tanımlamaya amaçlamıştır. Bu tez, çalışma alanında önceki literatürü incelenerek sistematik inceleme metodolojisine dayanmaktadır. literatürden elde edilen sonuçlar, “Gartner” tarafından geliştiren “Analitik Üstünlük Modelinin”
dijital pazarlamada büyük veri analitiğini uygulamak için en etkili ve kapsamlı çerçeve olduğunu göstermiştir. Literatür ayrıca, dijital pazarlamada, (müşteri deneyimini iyileştirme, rakipleri ölçme ve analiz etme, inovasyon ve ürün geliştirme...vb.) dahil olmak üzere büyük veri analitiğinin birçok uygulamasını bulunmuştur. bununla birlikte tez, şirketlerin genellikle, müşteri bilgilerini geliştirmek, yüksek düzeyde özelleştirilmiş promosyon içeriği sağlamak, satışları artırmak ve dijital pazarlama kampanyalarının etkinliğini ölçmek gibi farklı pazarlama kararlarının doğruluğunu artırmak için büyük verileri kullandığını keşfetmiştir. Tez ayrıca, büyük veri kullanımının karşı karşıya olduğu birçok zorluğun olduğunu ve bu zorlukların (verilerle ilgili zorluklar, teknik zorluklar ve insani zorluklar) olarak ayrıldığını da ortaya koymuştur. Bu tez, gelecekteki araştırmacıların büyük veri analitiğini dijital pazarlamada ne ölçüde kullandıklarını görmek için Türk şirketleri üzerine bir saha çalışması yürütmeleri için teorik bir temel sağlayacaktır.
Anahtar Kelimeler: Büyük Veri, Büyük Veri Analitiği, Büyük Veri Uygulamaları, Dijital Pazarlama, Dijital Pazarlama Stratejileri, Sosyal Medya
JEL Sınıflandırması: C55 – M31
THE ROLE OF BIG DATA ANALYTICS IN DIGITAL MARKETING STRATEGIES
ABSTRACT
Every year, a set of new trends arise that change the course of the digital marketing process and make it easier for marketers to do their work and save time continuously.
One of the most critical new trends that have greatly influenced digital marketing and are expected to sustain its impact in the future is Big Data. This dissertation aimed to outline the role of big data analytics in digital marketing strategies by discussing potential opportunities, benefits, and challenges. This thesis was based on the systematic review methodology by reviewing the previous literature in the study area. The results obtained from the literature proved that the “Analytical Excellence Model” developed by
“Gartner” is the most effective and comprehensive framework for applying big data analytics in digital marketing. The literature also showed various applications of big data analytics in digital marketing, including (improving customer experience, measuring and analyzing competitors, innovation and product development....etc). The thesis also discovered that companies regularly employ big data to improve the accuracy of different marketing decisions, such as enhancing customer knowledge, providing highly customized promotional content, increasing sales, and measuring the effectiveness of digital marketing campaigns. Furthermore, the thesis revealed that there are multiple challenges related to the use of big data and these challenges are divided into data-related challenges, technical challenges, and human challenges. This thesis will provide a theoretical base for future researchers to conduct a field study on Turkish companies to examine to what extent they are using big data analytics in digital marketing.
Keywords: Big Data, Big Data Analytics, Big Data Applications, Digital Marketing, Digital Marketing Strategies, Social Media
JEL Classification: C55 – M31
TEŞEKKÜR / İTHAF
Her şeyden önce, hayatımın her alanında bana bahşettiği tüm nimetler için Yüce Allah'a teşekkür etmek istiyorum.
Bu tez, beni büyütmek için gösterdiği çaba ve sevgiden ve benim için özveriyle yaptığı onca fedakarlıktan dolayı yakın zamanda aramızdan ayrılan sevgili anneme ithaf edilmiştir. Seni seviyorum ve benim için yaptıklarını ve bana tüm hayatım boyunca gösterdiğin güçlü kadın örneğini asla unutmayacağım. Allah sana merhamet etsin ve seni bağışlasın ve yurdunu cennet eylesin.
Yurtdışında yüksek lisans yapma yolculuğu, çevredeki bazı istisnai kişilerin uygun desteği ve rehberliği olmadan düşünülemez bir adımdır. Üç yıllık bu yolculuğum hiçbir zaman yalnız olmadım. Bu başarımda bana destek olan herkese en içten takdirlerimi sunuyorum.
Bu süreçte sürekli rehberlik ve denetim ve hepsinden önemlisi sabır gösteren değerli tez danışmanım, Doç. Dr. Mustafa Emre CİVELEK'e içten teşekkürlerimi sunuyorum. Ayrıca, yüksek lisans çalışmalarıma sponsorluk yapan ve bana bu deneyimleri yaşamaya fırsat veren Türkiye Cumhuriyeti Bursları'na (YTB) minnettarım.
Koşulsuz sevgisi ve desteğiyle hayatımın bu noktasına gelmemi sağlayan sevgili babama sonsuz teşekkürlerimi sunuyorum, umarım sizi her zaman gururlandırabilirim.
Ayrıca, kendimden şüphe duyduğum zamanlarda bile bana inanan, her şeyi nasıl kolaylaştıracağımı bilen, her adımda yanımda oldan ve beni motive eden nişanlıma teşekkürlerimi iletiyorum.
Son olarak, değerli kardeşlerime, aile bireylerime ve her ihtiyacım olduğunda yardımlarını esirgemeyen tüm arkadaşlarıma kalptan teşekkürlerimi iletiyorum.
İÇİNDEKİLER
ÖZET ... iii
ABSTRACT ... iv
TEŞEKKÜR / İTHAF ... v
İÇİNDEKİLER ... vi
TABLOLAR LİSTESİ ... xi
ŞEKİLLER LİSTESİ ... xii
KISALTMALAR LİSTESİ... xiii
GİRİŞ ... 1
BİRİNCİ BÖLÜM ÇALIŞMANIN GENEL ÇERÇEVESİ 1.1. Tezin Amacı ... 4
1.2. Tezin Soruları ... 4
1.3. Tezin Önemi ... 5
1.4. Metodoloji ... 5
1.4.1. Veri Toplama ... 6
1.4.2. Veri Analizi ... 6
1.5. Tez Kapsamı ve Kısıtları ... 6
1.6. Etik Hususlar ... 7
İKİNCİ BÖLÜM BÜYÜK VERİ: KAVRAMI V KAPSAMI 2.1. Büyük Veri Tanımı ... 8
2.2. Büyük Veri’nin Özellikleri ... 9
2.2.1. Hacim (Volume) ... 10
2.2.2. Hız (Velocity) ... 10
2.2.3. Çeşitlilik (Variety) ... 10
2.2.4. Doğruluk (Veracity) ... 11
2.2.5. Değer (Value) ... 11
2.2.6. Görselleştirme (Visualization) ... 11
2.2.7. Değişkenlik (Variability) ... 11
2.2.8. Oynaklık (Volatility) ... 12
2.3. Büyük Veri Kaynakları ... 13
2.3.1. Harici Veri Kaynakları ... 14
2.3.1.1. Sosyal Medyadan Üretilen Veriler ... 14
2.3.1.2. Nesnelerin İnterneti (IoT) ... 14
2.3.1.3. Pazarlama Araştırması Verileri ... 14
2.3.2. Dâhili Veri Kaynakları ... 15
2.4. Büyük Veri Türleri ... 15
2.4.1. Yapılandırılmış Veriler ... 15
2.4.1.1. Makine Tarafından Oluşturulan Veriler ... 15
2.4.1.2. İnsan Tarafından Oluşturulan Veriler ... 16
2.4.2. Yapılandırılmamış Veriler ... 17
2.4.2.1. İnsan Tarafından Oluşturulan Yapılandırılmamış Veriler ... 17
2.4.2.2. Makine Tarafından Oluşturulan Yapılandırılmamış Veriler ... 17
2.5. Büyük Verinin Uygulama Alanları ... 18
2.5.1. Sağlık Hizmetlerinde Büyük Veri ... 18
2.5.2. Büyük Veri ve Finans Dünyası ... 19
2.5.3. Eğitim ve Büyük Veri ... 19
2.5.4. Telekom Sektöründe Büyük Veri ... 20
2.5.5. Büyük Veri ve Gıda Endüstrisi ... 20
2.5.6. Perakende Sektöründe Büyük Veri ... 20
2.5.7. Devlet Sektöründe Büyük Veri ... 21
2.5.8. Üretimde Büyük Veri ... 21
2.5.9. İşletme ve Pazarlamada Büyük Veri ... 21
2.6. Büyük Veri Analitiği: Nedir ve Neden Önemlidir? ... 22
2.6.1. Büyük Veri Analitiğinin Teorik Temelleri ... 22
2.6.2. Büyük Veri Analizi Türleri ... 23
2.6.2.1. Betimsel Analitik / Discrptive Analytics ... 24
2.6.2.2. Teşhis Analitik / Diagnostic Analytics ... 24
2.6.2.3. Tahmin Analitiği / Predictive Analytics ... 25
2.6.2.4. Kuralcı Analitik / Prescriptive Analytics ... 25
2.6.3. Büyük Veri Analiz Teknikleri ... 25
2.6.3.1. MapReduce ... 26
2.6.3.2. Büyük Tablo (Big Table) ... 26
2.6.3.3. Hadoop ... 26
2.6.4. Geleneksel Veri Analitiği ve Büyük Veri Analitiği ... 27
ÜÇÜNCÜ BÖLÜM DİJİTAL PAZARLAMA: İLKELER VE KAVRAMSAL ÇERÇEVE 3.1. Pazarlamanın Evrimi ... 29
3.2. Geleneksel Pazarlama ... 30
3.3. Dijital Pazarlama ... 31
3.4. Dijital Pazarlamanın Unsurları ... 34
3.4.1. Çevrimiçi Reklamcılık ... 34
3.4.2. E-posta Pazarlama ... 34
3.4.3. Sosyal Medya ... 34
3.4.4. Mobil Pazarlama ... 35
3.4.5. Satış Ortaklığı (Affiliate) Pazarlaması ... 35
3.4.6. Arama Motoru Optimizasyonu (SEO) ... 35
3.4.7. İçerik Pazarlaması ... 36
3.4.8. Viral Pazarlama ... 36
3.5. Geleneksel Pazarlama ile Dijital Pazarlamanın Karşılaştırması ... 36
3.6. Dijital Pazarlama Stratejisi ... 40
3.6.1. Dijital Pazarlama Stratejisinin Temel Kavramları ve Unsurları ... 40
3.6.1.1. Pazarlama Araştırması ... 40
3.6.1.2. Segmentasyon Hedefleme ve Konumlandırma ... 42
3.6.1.3. Tüketici Davranışları ... 43
3.6.1.4. Pazarlama Karması ... 46
3.6.1.4.1. Ürün ... 46
3.6.1.4.2. Fiyat ... 46
3.6.1.4.3. Tanıtım ... 47
3.6.1.4.4. Yer ... 47
3.7. İnovasyon ve Dijital Pazarlama ... 47
3.7.1. Yapay Zeka ... 49
3.7.2. Pazarlama Teknolojilerinin Entegrasyonu ... 49
3.7.3. Sanal ve Artırılmış Gerçeklik ... 49
3.7.4. Robot Sesleri ... 50
3.7.5. Nesnelerin İnterneti (IoT) ... 50
DÖRDÜNCÜ BÖLÜM BÜYÜK VERİ ANALİTİĞİNİN DİJİTAL PAZARLAMA STRATEJİLERİ ÜZERİNDEKİ ROLÜ 4.1. Büyük Veri Çağında Dijital Pazarlama ... 51
4.1.1. Veri Odaklı Dijital Pazarlama ... 52
4.2. Dijital Pazarlamada Büyük Veri Analitiğinin Uygulamaları ... 54
4.2.1. İnovasyon ve Ürün Geliştirme ... 54
4.2.2. Kişiselleştirilmiş Pazarlama ve Hedefli Reklamlar ... 60
4.2.3. Fiyat Optimizasyonu ve Satışları Artırma... 65
4.2.4. Daığtım ve Depolama ... 68
4.2.5. Müşteri Deneyimi Geliştirme ... 69
4.2.6. Gerçek Zamanlı Tahmine Dayalı Analitik ... 74
4.2.7. Bütçe Optimizasyonu ... 78
4.2.8. Rakip Analizi ... 79
4.2.9. Pazarlamanın Kampanyalarının Sonuçlarını Ölçme ... 80
4.3. Dijital Pazarlamada Büyük Veri Kullanmanın Zorlukları ... 82
4.3.1. Büyük Veri Kullanmanın Veriyle İlgili Zorlukları ... 82
4.3.1.1. Veri Hacmi ... 83
4.3.1.2. Gizlilik ve Bireysel Özgürlüğü ... 84
4.3.1.3. Veri Güvenliği ... 86
4.3.2. Büyük Veri Kullanmanın Teknolojiyle İlgili Zorlukları ... 87
4.3.2.1. Veri Sistemlerin Çeşitliliği ... 87
4.3.2.2. Veri Analiğtinin Teknolojilerinin Farklılığı ve Modernliği ... 88
4.3.2.3. Departmanlar Arası İşbirliği ... 89
4.3.3. Büyük Veri Kullanmanın İnsanlarla İlgili Zorlukları ... 89
4.3.3.1. Yetenek Yönetimi ... 90
4.3.3.2. Liderlik ... 90
4.3.3.3. Karar Verme Prosedürü ... 91
4.3.3.4. Kurumsal Kültürü ... 91
4.3.3.5. Büyük Verinin Sorumlu Kullanımı ... 91
4.4. Büyük Verilerin Gelecekteki Beklentileri ... 93
4.5. Büyük Veri Kullanan Dijital Pazarlamanın Geleceği ... 94
SONUÇ VE ÖNERİLER ... 97
KAYNAKLAR ... 99
TABLOLAR LİSTESİ
Sayfa No.
Tablo 1: Geleneksel Pazarlama Analitiği ve Büyük Veri Analitiği…...28
ŞEKİLLER LİSTESİ
Sayfa No.
Şekil 1: Büyük Veri 8V’s………...12
Şekil 2: Büyük Veri Kaynakları………...13
Şekil 3: Gartner’ın Analitik Üstünlük Modeli………..…24
Şekil 4: Dijital Pazarlamanın Yapısı………...33
Şekil 5: Tüketici Satın Alma Davranışı Süreci………...39
Şekil 6: Geleneksel ve Dijital Pazarlamanın Değişen Rolleri………...45
Şekil 7: The Amazon Recommendations System………...65
KISALTMALAR LİSTESİ
ABD : Amerika Birleşik Devletleri
AI : Artificial İntelligence “Yapay Zeka”
AMA : American Marketing Association “Amerikan Pazarlama Derneği”
APA : American Psychological Association “Amerika Psikoloji Derneği”
API : Application Program Interface “Uygulama Programlama Arayüzü”
B2C : Business-to-Consumer BCG : Boston Consulting Group BI : Business Intelligence “İş Zeka”
BT : Bilgi Teknolojisi
CRM : Customer Relationship Management “Müşteri İlişkileri Yönetimi”
DAAS : Data As A Service
DMP : Data Management Platform “Veri Yönetim Platformu”
DVD : Digital Versatile Disc “Çok Amaçlı Sayısal Disk”
GAAM : Gartner Analytics Ascendancy Model
GPS : Global Positioning System “Küresel Konumlama Sistemi”
GSM : Global System for Mobile Communications IoT : Internet of Things “Nesnelerin İnterneti”
MMM : Market Mix Modeling
MMS : Multimedia Messaging Service NBA : The National Basketball Association NFL : The National Football League
NPS : Net Promoter Score “Net Promosyoncu Puanı”
NPV : Net Present Value
OLAP : Online Analytical Processing “Çevrimiçi Analitik İşleme”
POS : Point Of Sale PPC : Pay-Per-Click
QR : Quick Response Code “Karekod”
RFM : Recency, Frequency, Monetary Value
SEO : Search Engine Optimization “Arama Motoru Optimizasyonu”
SKU : Stock Keeping Unit “Stok Tutma Birimi”
SMS : Short Message Service SQL : Structured Query Language
SWOT : Strengths, Weaknesses, Opportunities, Threats TO : Tıklama Oranı “Click-Through rate – CTR”
UGC : User-Generated Content “Kullanıcının Geliştirdiği İçerik”
Wi-Fi : Wireless Fidelity ZB : Zettabyte
1
GİRİŞ
Mobil bilgi işlem, sosyal medya ve dijital içeriğin (YouTube'dan bloglara, e- kitaplara) küresel olarak benimsenmesi, insan faaliyetleri, alışkanlıkları ve etkileşimlerin doğasını önemli ölçüde değiştirmiştir. Bu dijital boyuta doğru hareketi, müşteri davranışlarının dönüşümü ile birlikte işletmelerin kullanabileceği bilgi (Büyük Veri) miktarında bir patlama yaşanmıştır. Verilerin patlaması ve hızla ilerleyen teknoloji, kuruluşları geleneksel operasyonlarını değiştirmeye, süreçlerini ayarlamaya, yeni bilgi sistemlerini benimsemeye ve mevcut sistemlerini güncel tutmaya zorlamaktadır. Ve işletmeler, yeni potansiyel ve sadık müşterilerin dikkatini çekmek için zengin ve bilgilendirici içerikler geliştirerek büyük veriyi daha etkili kullanmanın yeni yollarını aramaya başlamıştır.
Geçmişte, şirketler ve kurumlar, belirli bir ürün veya hizmet hakkında insanların görüşlerini bilmekte zorlanırlardı. Onu öğrenmek için kamuoyu yoklamaları ve anketleri dağıtarak veri toplamak ve onları analiz etmek kullanılan yöntemlerden biriydi. Ancak günümüzde, teknolojinin gelişmesi ve yaygınlaşması sayesinde, haberler, görüşler ve sosyal değişkenler arasında, şirketlerin müşterilerin istekleri ve beklentileri doğrultusunda daha iyi hizmetler sunması için birçok fırsat yaratan çok sayıda farklı veri mevcuttur.
Büyük Veri, müşterileri anlamaya ve her kategoriye uyan çeşitli teklifler oluşturmak için ihtiyaçlarını takip etmeye dayalı modern pazarlama stratejileri oluşturmak üzere keşfedilecek bir altın madenidir. Yapay zeka teknikleri, modern pazarlama stratejilerini yönlendirmekte ve verileri analiz etmek ve müşteri ihtiyaçlarını tahmin etmek için veri madenciliği araçları kullanılmaktadır. Yapay zeka teknikleri ayrıca, şirket web sitesi, e-posta, sosyal ağlar gibi birçok elektronik kanal aracılığıyla tüketici etkileşimini izlemekte, tüm etkileşim verilerini kaydetmekte ve müşteri deneyimlerini çıkarmak ve ihtiyaçlarını anlamak için makine öğrenimi algoritmalarını kullanmaktadır.
2 Pazarlama, dinamik ve sürekli değişen bir iş fonksiyonudur. Modern pazarlamanın anahtarı kişiselleştirmedir. Bununla birlikte, günümüzün dijital pazarlama çağında dijital teknolojinin, işletmelerin pazarlama stratejisi üzerindeki etkisine ve özellikle hedefleme uygulamaları üzerindeki etkilerine ilişkin daha iyi bir anlayışa sahip olması gerekmektedir. Digital pazarlama, geleneksel pazarlama yöntemlerinde bilgi teknolojisinin kullanılmasının bir sonucudur (Sudianto, 2019). 21. yüzyılın başından bu yana, büyük verinin dijital pazarlama ortamında kullanımı önemli ölçüde artmıştır. 253 kurumsal pazarlama karar vericisiyle yapılan çevrimiçi bir ankete göre, %91'i başarılı markaların pazarlama kararlarını yönlendirmek için müşteri verilerini kullandığına inanmaktadır (Rogers & Sexton, 2012). Bunun yanına, dünyanın en büyük şirketlerinin çoğundan 650'den fazla lider pazarlama yöneticisi ile New Freeman araştırmasının sonuçlarına göre, %89'u stratejik kararlar almak için, %98'i bütçeleri korumak için ve
%70'ten fazlası, daha geniş pazarlama ve işletme hedeflerini etkilemek için verilerden yararlanmaktadır (Freeman, 2018).
Dijital Pazarlama dışında bile, Büyük Veri, ABD'nin her eyaletindeki insanların davranışları hakkında bilgi edinmek için büyük miktarda veri kullanıldığından ve kullanıldığı için önceki ABD başkanlık seçimlerine önemli bir katkıda bulunmuştur.
Ardından, hangi alanların bütçeye ihtiyacı olduğunu ve bu bütçenin ne için kullanılacağını bilmek üzere çabaları yoğunlaştırmaya başlanmıştır.
Büyük verinin mevcudiyeti, pazarlama stratejilerinin geliştirilmesi açısından endüstri için büyük miktarda fırsatlar yaratmaktadır; Pazarlamacıların pazarı daha iyi anlamalarına, pazarlama stratejilerini geliştirmelerine ve karar vermeyi uydurmaya yardımcı olmaktadır. (Järvinen, Tollinen, Karjaluoto, & Jayawardhena, 2012)’e göre pazarlama perspektifinden dijital verilerin elde edilebilirliği endüstri için iki önemli fırsat oluşturmaktadır. Birincisi, firmalar pazarlama amacıyla kullanılabilecek çok çeşitli dijital araçlara erişebiliyor, ve ikincisi, dijital ortam pazarlamacıların pazarlama faaliyetleri ile ilgili verileri değerlendirme, toplama, işleme ve raporlama yeteneğini geliştirerek pazarlamayı daha ölçülebilir hale getirmiştir. Bu sayıda, günümüzün dijital pazarında yer almak veya rekabet gücünü korumak için kuruluşların, yeni potansiyel ve sadık müşterilerin dikkatini çekmek için verilerin bilgi ve bilime dönüştürülmesine yardımcı olan yeni veriye dayalı bir yaklaşım sunmaları gerekmektedir.
3 Büyük veri analitiği, farklı bilgi havuzlarında depolanan büyük miktarda veriden önemli bilgileri keşfetmektedir (Liao & Hsu, 2020). Aynı zamanda, büyük veri analitiği, hangi müşterilerin hangi ürün ve hizmet teklifleriyle hedefleneceği konusunda net kararlar alımında yardımcı olmaktadır. Bu doğrultuda, kaliteli müşteri verilerinin mevcudiyeti, firmanın müşterileri hakkındaki bilgilerini artırmada ve onlara yanıt vermek için uygun pazarlama stratejileri geliştirmede çok önemli bir rol oynamaktadır. Veri toplama ve depolamadaki teknolojik gelişmelerle birlikte, firmalar tarafından tahmine dayalı analitiğin kullanımını artırmıştır. Bu analitikler, işletmenin verileri madencilik, analiz etme ve gerçek zamanlı olarak izleme için yeni araçlarla kullanmasına yardımcı olmaktadır. Bu nedenle, Büyük Veri Analitiği, pazarlama karar vericilerinin pazarlama stratejisini geliştirmek için daha iyi içgörüler elde etmelerinde ideal bir yöntem olarak kabul edilmektedir.
Son yıllarda işletmeler, özellikle pazarlamada büyük veri analitiğine yatırım yapma konusunda agresif hale gelmiştir. Aynı zamanda pek çok firmanın pazarlama bütçesinin büyük bir bileşeni haline gelmektedir. Ancak, bu ilerlemelere rağmen, Büyük Veri ile dijital pazarlama arasındaki ilişkiye dair önceki araştırmalar hala sınırlıdır.
Çalışma, dijital pazarlama stratejilerinde büyük verinin mevcut durumu ve kapasitesi ile gelecekteki potansiyelini ortaya koymaya çalışmaktadır. Bu özel konunun seçimi, dijital teknolojinin işletmelerin dijital pazarlama stratejisi üzerindeki etkisinin daha iyi anlaşılması ihtiyacıyla motive edilmiştir
Araştırma dört bölümden oluşmaktadır. Birinci bölüm araştırmanın genel çerçevesini ve metodolojisini kapsamaktadır. Sonraki bölümde ise, literatür taramasıdır.
Literatür incelemesinde, büyük verinin kapsamı, veri analizi kavramını tartışılmaktadır.
Ardından, verileri faydalı bilgilere dönüştürmek için veri analizin önemi açıklanmaktadır.
Üçüncü bölümde, dijital pazarlama ile neyin kastedildiğini tanımlamakta ve nasıl benimsendiği tartışılmaktadır. Ardından, dijital ortamda pazarlamanın rolü araştırılmıştır.
Dördüncü ve son bölümde, büyük veri ve dijital pazarlama arasındaki ilişki ele alınmaktadır. Teorik yönleri ele alındıktan sonra, çalışma, dijital pazarlamada büyük veri uygulamalarının gerçek hayattan bazı endüstri örnekleri detaylı analiz edilmiştir. Aynı bölümde, çalışmanın teorik kısmındaki teorik kavramlar, ampirik kısımdaki pratik durumlarla ilişkilendirilmiştir. Son olarak, tezin bulguları ve önerileri sunulmuştur.
4
BİRİNCİ BÖLÜM
ÇALIŞMANIN GENEL ÇERÇEVESİ
1.1. Tezin Amacı
Yukarıdaki girişte tartışıldığı gibi, internet ve dijital bilgi çağı işletmelere, müşterileriyle ilişkilerini geliştirmek ve onlarla daha hedefli yaklaşım benimsemek üzere yeni fırsatlar sunmaktadır. Araştırma, artan müşteri verilerinin (büyük veri) müşterileri daha iyi anlamak ve yönetmek için nasıl kullanıldığını araştırmayı amaçlamaktadır.
Araştırmanın temel amacı, büyük veri kullanımlarının artan önemi ışığında farklı kavramlar sunarak büyük veri analitiğinin dijital pazarlama stratejileri üzerindeki rolünü tanımlamaya çalışmaktır. Bu doğrultuda, büyük verinin nasıl önemli bir etki yarattığını ve dijital pazarlama stratejilerinin geliştirilmesine yardımcı olduğu hakkında sonuçlara ulaşmak araştırmanın diğer amacıdır. Bunların yanında, farklı şirketlerden birkaç pratik vakayı gözden geçirerek ve onların tarafından izlenen ve uygulanan büyük veri analizlerinin ana yöntemleri ve uygulamalarını araştırarak bilgiyi genişletmeye çalışmaktadır.
1.2. Tezin Soruları
Büyük veri analitiğinin dijital pazarlama stratejileri üzerindeki rolünün sorusu cevaplamak üzere, ve konuyu detaylı bir şekilde anlamak ve analiz etmek için, aşağıdaki sorulara cevap aramaya çalışmaktadır:
1. Dijital pazarlama stratejilerinde Büyük Veri ana analiz yöntemleri nelerdir?
2. Dijital pazarlama stratejilerinde Büyük Veri analitiğinin çeşitli kullanımları nelerdir
3. Dijital pazarlama stratejilerinde büyük Veri benimsemesinin algılanan faydaları nelerdir?
4. İşletmelerin Büyük Veri analitiği dijital pazarlama stratejilerine uygulanırken karşılaştıkları zorluklar nelerdir?
5 1.3. Tezin Önemi
Günümüzde şirketler, giderek daha fazla veri odaklı bir ekosistemin içinde yer almaktadır. Buna göre, Büyük Veri kullanımı ve analizi, iç ve dış pazarda güçlü bir varlığa sahip olmak isteyen şirketler ve kurumlar için vazgeçilmez bir konu haline gelmiştir. Bu nedenle, büyük verileri analiz etmenin ve kullanmanın önemi, yüksek pazar büyüme oranlarına ulaşmada, yeni pazarların keşfedilmesinde ve verimli dijital pazarlama stratejileri geliştirmede, etkili bir strateji olarak gösterilmektedir.
Pazarlamada büyük veri ile ilgili akademik literatür sürekli büyümekte olsa da, dijital pazarlama faaliyetlerinde büyük verinin rolünü ortaya koyan araştırma eksikliği vardır. Çalışmada, bu verilerin önemine ek olarak, büyük verilerin dijital pazarlama stratejileri oluşturma ve geliştirmedeki rolü analiz edilmekte ve gösterilmektedir.
Dolayısıyla, tez, bu konularda literatürü zenginleştirmektedir.
Dijital pazarlama ve büyük veri gibi kavramların ortaya çıkması ve gelişmesiyle, müşterilerden üretilen büyük verilerin analizi ve kullanımı yoluyla, özellikle pazarlama stratejileri geliştirilmesinde bu kavramlardan faydalanılması gerekliliği ortaya çıkmıştır.
Bu yüzden, çalışma sonucunda, şirketler ve pazarlamacılar, büyük verinin dijital pazarlamaya yönelik temel uygulamaları ve yöntemlerini daha iyi anlayabilecek ve bu tür uygulamaların her birinin öneminin daha fazla farkına varabilecektir. Son olarak, çalışma tarafından sunulunan öneriler, şirketlerin yeni dijital pazarlama stratejilerinin detaylandırılmasına ve etkili bir şekilde planlamasına yardımcı olması beklenmektedir.
1.4. Metodoloji
Bu tez, büyük verinin dijital pazarlamada nasıl kullanıldığını anlamak için küresel şirketlerde büyük veri kullanımını analiz etmeye odaklanmaktadır. Ayrıca araştırma, bu şirketlerin dijital pazarlamasında büyük verinin ortak benzerliklerini ve uygulamalarını bulmaya çalışmaktadır.
Araştırma, uluslararası şirketler tarafından uygulanan büyük veri uygulamalarının örneklerinin derinlemesine analizine dayanan nitel bir araştırma yöntemi kullanmıştır.
Şirketler için örnekler ve modeller ve bu şirketlerin dijital pazarlamada büyük verileri nasıl kullandığına dair bir araştırma, çeşitli akademik kaynaklardan seçilmiştir.
6 Bu tezin temel amacı, görüşmeler veya sistematik bir anket yaparak büyük verinin dijital pazarlamadaki uygulamasını test etmekteydi. Ancak Corona pandemisi nedeniyle görüşme veya anket yapmanın zorluğu nedeniyle tez konusu için dijital veri sağlayamamasının yanı sıra çoğu şirketin bilgi güvenliği politikalarına büyük veri stratejilerine dahil etmesi nedeniyle, araştırmanın planlandığı şekilde tamamlanması sürecini zorlaştırmıştır. Bu nedenle, bu tezde nicel araştırma yöntemi yerine yalnızca önceki çalışmaları (sistematik tarama) incelemek yeterli olmuştur.
1.4.1. Veri Toplama
Araştırma sürecinde yalnızca mevcut verilere (İkincil Veri) dayanan sistematik bir araştırma yaklaşımı kullanılmıştır. Geçerli araştırma sonuçlarına ulaşmak için, bu verileri toplamaya, organize etmeye, ve analiz etmeye çalışılmıştır. Bu alanda şimdiye kadar yapılan önemli bilimsel katkıların kapsamlı bir literatür taraması yapılmıştır.
Verileri, veri tabanından, internetten, kütüphanelerden…vb. yerlerden toplanmıştır.
Konunun yüksek oynaklığı nedeniyle en güncel kaynaklar incelenmeye çalışılmıştır.
1.4.2. Veri Analizi
Araştırma sorularını ele almak üzere, teorik bilgileri ve dünyadan farklı şirketler tarafından gerçekleştirilmiş olan pratik ayrıntılarla birleştirerek işletmelerin dijital pazarlama stratejilerini geliştirmede Büyük Veri Analitiğini nasıl etkili bir şekilde kullandıkları araştırılmıştır. Şirketlerle görüşmenin zorluğu nedeniyle, tanımlayıcı nitel araştırma yöntemleri bu çalışma için en uygun yaklaşım olarak görülmüştür. Daha sonra alınan bilgilere içerik analizleri yapılmıştır.
1.5. Tez Kapsamı ve Kısıtları
Çalışmada, firmaların büyük veriyi dijital pazarlamayı geliştirmek için yeni bir araç olarak ne ölçüde kullandığı araştırılmıştır. Şirketlerin Büyük veri kullanımındaki artışın dijital pazarlamaya etkisini analiz etmek üzere; çalışmada, analiz yöntemlerini, kullanımlarını, faydalarını ve karşılaşılan zorlukların derinlemesine bir incelemesi gerçekleştirilmiştir. Bu belirtilen yönler, bir veri bilimcisinin değil, pazarlamacının bakış açısından incelenmiş, açıklanmış ve analiz edilmiştir. Araştırmada ayrıca, pazarlama faaliyetlerini genişletmek ve pazarlama işlevlerini desteklemek için büyük verilerin kullanıldığı gerçek şirket örnekleri ve gerçek durumları incelenmiştir. Çalışmanın iki ana
7 kısıtı vardır. İlk olarak, büyük veri ve dijital pazarlama arasındaki ilişkiye dair önceki araştırmaların azlığı. Bununla birlikte, bilgiler yalnızca literatürden ve internetten alınması nedeniyle; bu çalışmadaki analiz edilen veri tabanlarının sayısı ve makalelerin veri tabanından toplanmasında kullanılan kriterler çalışmanın diğer sınırıdır.
1.6. Etik Hususlar
Bu tez, akademik etik kurallarına uygun olarak yapılmıştır. Ayrıca bu tez, Dış Ticaret Enstitüsü'nün tez yazım kılavuzuna göre hazırlanmıştır. Bundan başka, bu tezde atıfta bulunulan yazarlar, alıntılar ve referanslar yoluyla kabul edilmiştir. Kullanılan tüm referanslar Mendeley Desktop yazılımı, 1.19.8 versiyon kullanılarak yönetilmiş ve düzenlenmiştir. Tüm referanslar APA yöntemine göre alıntılanmıştır.
8
İKİNCİ BÖLÜM
BÜYÜK VERİ: KAVRAMI V KAPSAMI
2.1. Büyük Veri Tanımı
Günümüzde bir kavram olarak “Büyük Veri”, her yerde bulunmasına rağmen, gelişmekte olmasının yanı sıra belirsiz kökenlere de sahiptir. Başka bir ifadeyle; Büyük verinin gerçekte ne zaman ortaya çıktığını söylemek imkânsızdır. Araştırma Trendleri Özel Sayısı’na (Halevi, 2012) göre, Büyük Veri üzerine 2005 yılında Roger Magoulas tarafından ortaya atılan "Büyük Veri" terimi ilk olarak, atmosferik ve okyanus sondajları üzerine kaleme alınan 1970 tarihli bir makalede yer almıştır. Belirli bir proje tarafından oluşturulan büyük miktarda veriyi ifade etmektedir. Ancak 2005 yılına kadar "Büyük Veri" resmi olarak bir araştırma ve bilim konusu olarak görülmüştür. Ayrıca (Lohr, 2013) göre, ABD'li bir bilgisayar bilimcisi olan John Mashey’in büyük veri teriminin mucidi olduğu ve 1990'larda bu konsept etrafındaki konuşmanın başlamasında sorumluluğ olduğna inanılmaktadır. Ancak, “Büyük Veri” terimi, 2011’ gibi yakın bir zamanda yaygınlaşmıştır. Büyük Veri tanımları hızla geliştiğinden, bazı karışıklıklara da yol açmıştır. Bazı tanımlar bu verinin ne olduğuna odaklanırken, diğerleri ise bu veri ile ne yapıldığını cevaplamaya çalışmaktadır. Bu nedenle, bu tartışmalı terimin doğru ve homojen bir tanımını bulmak, resmi olmadığı gibi araştırmacılar ve bilim adamları tarafından da kabul edilmediği için, pratikte mümkün olamayacağı görülmektedir.
Bundan dolayı, Büyük Veri teriminin daha iyi anlaşılması için bazı genel kabul gören tanımlar sunulacaktır.
Büyük Veri teriminin göreceli bir anlamı vardır ve zamanla daha büyük veri kümelerini ifade etme eğilimindedir. Genel olarak Büyük Veri; yakalama, depolama, yönetme ve analiz etme amaçlı geleneksel veri yönetimi sistemleri ve yazılım araçlarının işleme kapasitesini aşan verileri ifade etmektedir (Omran, 2016). (Mahrt & Scharkow, 2013)’a göre, bilgisayar biliminde; düzenli depolama ve işleme altyapıları tarafından ele alınamayacak kadar büyük veri kümelerini ifade etmektedir. Sosyal ve beşeri bilimlerde ise, araştırmacıların yanı sıra yazılım veya donanımla mücadele etme eğiliminde olan veri
9 kümelerinin boyutudur. Aynı zamanda (Pokorný, 2017); iş alanında büyük veri, ölçek, dağıtım, çeşitlilik ve / veya zaman çizelgeleri, yeni iş değeri kaynaklarına yönelik içgörüler sağlamak için bu yeni teknolojilerin kullanılmasını gerektiren veriler olduğunu eklemektedir.
McKinsey Global Institute tarafından oluşturulan klasik ve yaygın tanım; “Büyük veri, boyutu verileri yakalama, depolama, yönetme ve analiz etme için tipik veritabanı yazılım araçlarının kapasitesinin ötesinde olan veri kümelerini ifade etmektedir”
(Manyika et al., 2011). Bu tanım, büyük veri nedeniyle ticari kuruluşların karşılaştığı büyük zorluğun, yanı sıra verilerin türü ve miktarı büyük ve çeşitli olmak üzere, bu verilerle geleneksel yöntemlerle ve şirketlerin kullandığı araçlarla ilgilenmenin mümkün olmadığına işaret etmektedir. Ayrıca, Ernst ve Young tarafından yapılan tanım daha geneldir; ve büyük verinin insanlar, araçlar ve makineler tarafından yaratılan dinamik, büyük ve farklı veri hacimlerini ifade ettiğini iddia ederek fenomene kapsamlı bir bakış sağlamaktadır. Bu veriler, tüketiciler, risk, kâr, performans, üretkenlik yönetimi ve gelişmiş hissedar değeri ile ilgili gerçek zamanlı iş içgörüleri elde etmek için toplanan büyük miktardaki verileri barındırmak ve analitik olarak işlemek üzere yeni, yenilikçi ve ölçeklenebilir bir teknoloji gerektirmektedir (Tykheev, 2018). Bunlarla beraber, “Üç V”
(Variaty, Velocity, Volume), büyük veriyi tanımlamak için ortak bir çerçeve olarak ortaya çıkmıştır. Örneğin Tech American Foundation (2004), Büyük Veriyi “bilginin yakalanması, depolanması, dağıtılması, yönetimi ve analizini sağlamak için gelişmiş teknikler ve teknolojiler gerektiren büyük hacimli yüksek hızlı, karmaşık ve değişken veriler” olarak tanımlamaktadır (Grishikashvili, Dibb, & Meadows, 2014). Bunlar, büyük verinin özellikleri kısmında daha ayrıntılı olarak tartışılacaktır.
2.2. Büyük Veri’nin Özellikleri
Büyük veri hareketinin altında yatan gelişmeleri gözden geçirmeden ve bu değişikliklerin ticari piyasaları nasıl etkilediğini tartışmadan önce birkaç anahtar terim tanımlanmalıdır. Büyük veriyi normal verilerden ayıran özellikler nelerdir? Veri kümesi boyutu mevcut sistemin verileri toplama, işleme, alma ve yönetme kabiliyetinin ötesinde olduğunda, genellikle Büyük Veri hakkında konuşulmaktadır. Açıkçası, "büyük veri nedir?" sorusu düşünüldüğünde akla gelen ilk özellik büyüklüktür. Ancak son zamanlarda büyük verinin başka özellikleri de ortaya çıkmıştır.
10 Büyük veri, artan ve değişen sayıda boyutla karakterize edilmiştir. (Ylijoki &
Porras, 2016), büyük verinin sözde orijinal; 3V tanımının hacim, hız ve çeşitlilik olarak ilk kez 2001 yılında Laney tarafından sunulduğunu ve büyük verinin temel boyutları haline geldiğini iddia etmişlerdir. Bu “V” modelinin konsepti aşağıda kısaca açıklanmıştır:
2.2.1. Hacim (Volume)
Her türden çeşitli kaynaklardan üretilen ve depolanan veri miktarını ifade etmektedir. Veriler, video, müzik, sensör verileri, büyük görüntüler ve diğerleri biçiminde veriler bulabildiğimiz için artık metin verilerinden daha fazladır. Veri ölçeği, Terabayt'tan Petabayt'a ve hatta daha fazlasına kadardır. Bu büyük hacimli veriler, doğru sonuçlar ve önemli bilgiler elde etmekte fayda sağlamaktadır. Bununla birlikte, verilerin değeri ve potansiyel içgörüyü ve gerçekten büyük veri olarak kabul edilip edilemeyeceğini belirlemektedir. (Jasim Hadi, Hameed Shnain, Hadishaheed, & Haji Ahmad, 2015), hacmin Büyük Verinin en önemli ve ayırt edici özelliği olduğunu ve şu anda kullanılan tüm geleneksel teknolojilere ve araçlara özel gereksinimler getirdiğini belirtmiştir.
2.2.2. Hız (Velocity)
Hem verilerin ne kadar hızlı üretildiğini hem de ne kadar hızlı işlenmesi gerektiğini ifade etmektedir. Akıllı telefonlar ve sensörler gibi dijital cihazların yaygınlaşması, benzeri görülmemiş bir veri oluşturma oranına yol açmış ve gerçek zamanlı analitik ve kanıta dayalı planlama için artan bir ihtiyacı tetiklemektedir. Birçok uygulama için, veri oluşturma hızı hacimden bile daha önemlidir. Gerçek zamanlı bilgi, bir şirketin rakiplerinden çok daha çevik olmasını mümkün kılmaktadır (K. Kaur, 2016).
İyi bilinen yüksek hızlı veri kaynağı örneği sosyal medyadır.
2.2.3. Çeşitlilik (Variety)
Büyük Verinin içerebileceği farklı veri türlerini göstermektedir. Büyük Veri;
metin, sensör verileri, ses, video, tıklama akışları, günlük dosyaları vb. yapılandırılmış ve yapılandırılmamış veriler dâhil olmak üzere her türlü veriden oluşmaktadır. Veriler yalnızca ticari işlemlerden değil, aynı zamanda makinelerden, sensörlerden, cep telefonlarından GPS sinyallerinden ve diğer kaynaklardan da geldiğinden dolayı, yönetimi çok daha karmaşık hale getirmektedir. Bunun yanına, analitik perspektiften; veri
11 çeşitliliği, onu etkin bir şekilde kullanmak için en büyük zorluktur. (Pokorný, 2017)’ye göre, büyük veri yatırımlarının tek ve en büyük itici gücü haline gelmektedir.
Yukarıdaki tanımlar, büyük veriyi karakterize etmek için kullanılan ilk üç boyuttur. Bugüne kadar sayıları çok hızlı artmış ve zamanla daha da fazlası eklenecektir.
Bu geleneksel teknolojilerin etkin bir şekilde başa çıkamayacağı bir gelişme demektir.
Aslında, zaman geçtikçe Laney’in Üç V'si büyük veriyi tam olarak tanımlamak için yetersiz kalımıştır. Yıllar içinde bunları doğru bir şekilde karakterize etmek için yeni V'ler eklenmiştir. Bu nedenle, ilk olarak Üç V modelinden “Beş V” şemasına bir geçiş gerçekleşmiştir:
2.2.4. Doğruluk (Veracity)
Bu özellik D. Snow tarafından bloguna eklenmiştir (Snow, 2012) Büyük verinin güvenilirliği, doğruluğu ve anlamlılığı anlamına gelmektedir. Bu nedenle, saklanan tüm verilerin güvenilir olmadığı ve onun analiz edilmemesi gerektiğini belirtmektir. Hem çeşitlilik hem de hız aslında verilerin doğruluğunun aleyhine çalışmaktadır. Verileri analiz etmeden ve karar vermeden önce temizleme yeteneğini azaltmaktadır. Bunun örnekleri, IoT'deki manipüle edilmiş sensörler, kimlik avı postaları ve sahte haberlerdir.
2.2.5. Değer (Value)
Beşinci V, (Gamble & Goble, 2011) tarafından tanıtılmıştır. Büyük veri kümesinden değerli bilgileri çıkarma işlemidir. Değer, toplanan verilerin amaçlanan sürece, aktiviteye veya tahmine dayalı analiz / hipoteze getirebileceği katma değer ile tanımlanan verinin önemli özelliğidir. Bu özellik, belirli bir verinin önemli bir değer sağlamaması durumunda, bunun Büyük Veri analize uygun olmadığını göstermektedir.
Literatürde başka birkaç V'den daha bahsedilmiştir (Pokorný, 2017):
2.2.6. Görselleştirme (Visualization)
Karar verme için görsel temsiller ve içgörülerle ilgilenir.
2.2.7. Değişkenlik (Variability)
Anlamı sürekli değişen verileri ifade eder. Dolayısıyla değişkenlik, çeşitlilikten farklıdır.
12 2.2.8. Oynaklık (Volatility)
Verinin ne kadar süreyle geçerli olduğu ve ne kadar süreyle saklanması gerektiğidir. Başka bir ifadeyle verilerin, hangi noktada mevcut analize uygun olmadığını göstermektedir.
Bu özellikler birbirinden bağımsız değildir. Bir boyut değiştiği sürece, başka bir boyutun da değişme olasılığı artmaktadır. Sonuç olarak, büyük verinin kesin boyutu, aralığı veya tanımı yoktur ve mevcut teknolojilere / yazılım araçlarına veya bireysel endüstrilerdeki ortak veri kümelerinin boyutlarına bağlı olarak zamana veya sektöre göre değişmektedir.
Şekil 1: Büyük Veri 8V’s
Kaynak: Öğrenci tarafından hazırlanmıştır
13 2.3. Büyük Veri Kaynakları
Veri üretmenin temel kavramı son zamanlarda değişmiştir. Geçmişte birkaç ana kaynak veri üretirken, diğerler kaynakların tümü veri tüketiyordu. Ancak bugün hepimiz hem veri üretiyoruz hem de bu paylaşılan verilerin tüketicisiyizdir. Veri kaynakları genellikle veri üretim noktaları olarak adlandırılmaktadır. Günümüzde kullanılan neredeyse her şey veri üretmektedir. Bu verilerin bir kısmı bilinçli olarak oluşturulurken diğer kısmı ise cihazın kullanımına özgüdür. (Reinsel, Gantz, & Rydning, 2018)’e göre, 2025 yılına kadar dünya çapında 175 Zettabayt (1021) veri yaratılmış olacaktır. Şekil.2 birçok veri kaynağı olduğunu gösterir.
Şekil 2: Büyük Veri Kaynakları
Kaynak: Mike Small, Big Data Analytics – Security and Compliance Challenges in 2019, 2019, s. 5. (Small, 2019).
Firmalar, ticari veri ortamlarını doldurmak için birçok farklı veri kaynağına sahiptir. Ticari veri ortamı ifadesi ile ticari yönlendirme için kullanılacak her türlü kaynaktan gelen, tüm verilerin saklandığı, işlendiği ve erişildiği, teknik altyapı kastetilmektedir. Ancak, şirketlerin dâhili olarak oluşturulan ve güvenlik duvarının arkasında bulunan veriler ile bir sisteme aktarılması gereken ve harici olarak oluşturulan veriler arasında ayrım yapmaları gerekmektedir. Dolayısıyla, büyük verinin iki kaynağı vardır:
14 2.3.1. Harici Veri Kaynakları
Dış veriler, halka açık veriler veya şirket dışında üretilen verilerdir. Buna paralel olarak; şirket, onun sahibi veya onun kontrolünde değildir. Bu verilerin önemli örnekleri şunlardır:
2.3.1.1. Sosyal Medyadan Üretilen Veriler
Büyük verinin en alakalı ve temsili kaynaklarından biridir. Facebook, Twitter, Instagram, Flicker, YouTube, Google ve Word Press gibi internet tabanlı uygulamalar ve web siteleri aracılığıyla sosyal medya platformları tarafından büyük veri üretilmektedir (Alabdullah, Beloff, & White, 2018). Bu web siteleri, kullanıcıların bağlantı kurmasına ve insanların farklı konularda paylaşım ve işbirliği yaptığı bir tür sanal topluluk oluşturmasına olanak tanımaktadır. Bu nedenle, bu tür veriler tüketici davranışları ve duyguları hakkında paha biçilmez bilgiler sağlamakta ve pazarlama analitiğinde son derece etkili olabilmektedir.
2.3.1.2. Nesnelerin İnterneti (IoT)
Makine tarafından oluşturulan içerik veya IoT'den üretilen veriler, değerli bir büyük veri kaynağı teşkil etmektedir. Son zamanlarda yeni ortaya çıkan akıllı telefonlar, tabletler, kameralar ve diğer algılama cihazları bu nesne grubunun bir parçası olarak sınıflandırılmaktadır. Bu cihazların internet üzerinden bağlanabilirlik özelliği büyük veri üretmektedir. Dolayısıyla, akıllı işlemeyi mümkün kılmakta ve sağlık, bankacılık ve finans gibi birçok alanda hizmet sağlamaktadır (Alabdullah et al., 2018). Nesnelerin interneti daha da yaygınlaştıkça ve dünya çapında genişledikçe bu tür verilerin katlanarak artması beklenmektedir.
2.3.1.3. Pazarlama Araştırması Verileri
Firmalar için çoğunlukla pazar araştırma ajansları tarafından toplanan başka bir tür dış verilerdir. Bu ajansların genellikle, katılımcıların marka performansı, kampanya değerlendirmesi, medya etkinliği ve ürün yeniliği gibi konularda nicel pazar araştırması yapmak için yerinde olduğu büyük panel setleri vardır. Pazar araştırması ayrıca, genellikle dış pazarlama araştırma tedarikçileri tarafından toplanan müşteri memnuniyeti veya NPS gibi firmanın kendi müşterilerinin verilerini kullanarak da gerçekleştirilebilmektedir (Verhoef, Kooge, & Walk, 2016).
15 2.3.2. Dâhili Veri Kaynakları
Bir şirket verileri üretir, sahiplenir ve ona kontrol ederse veriler dâhilidir. Onların arasında, hem çevrimiçi hem de çevrimdışı olarak gerçekleşen tüm günlük işlemlerden üretilen işlem verileridir. Faturalar, ödeme emirleri, depolama kayıtları, teslimat makbuzlarının - tümü işlem verileri olarak nitelendirilmektedir. Bu veri kaynakları, veri ambarında toplanmakta ve saklanmaktadır. Dâhili verilerin çok güçlü olduğu görülebilmektedir. Buna ek olarak müşteri davranışının tanımlanması, anlaşılması ve tahmin edilmesi gerekiyorsa, dâhili verilerden bilgi sahibi olmak önemlidir. Ancak, bu veri kaynakları, değerli bilgiler oluşturmak için çok sayıda veri hazırlığına ihtiyacı duymaktadır.
2.4. Büyük Veri Türleri
Büyük veri, çeşitli farklı özelliklere sahip formatlarda mevcuttur. Büyük veri kümesi hacimlerini işleyen uygulamaların güçlü ve zayıf yönlerini anlamak için büyük verilerin sınıflandırılması önemlidir. Veri türlerini sınıflandırmanın birçok yolu vardır.
Ancak en temel ve ilgili farklardan biri yapılandırılmış ve yapılandırılmamış veriler arasındadır.
2.4.1. Yapılandırılmış Veriler
Kolayca girilebilen, saklanabilen, sorgulanabilen ve analiz edilebilen veriler olarak anılmaktadır. Bu tür veriler, ayrıntılı bir kayıt ve değişken yapıya, veri tabanındaki değerlerin iyi etiketlenmesine ve yüksek veri kalitesine dayanan sabit bir format şeklinde olmaktadır. Uzmanlar, yapılandırılmış verilerin dünyadaki tüm veri miktarının% 10 ila%
20'si arasında bir yerde olduğunu varsaymaktadır. (Hurwitz, Nugent, Halper, & Kaufman, 2013) literatürde yapılandırılmış veriyi iki ana kategoriye ayırmışlardır; Makine ve insan tarafından oluşturulmuş veriler. Her iki kategori de daha belirli türlere bu şekilde ayrıştırılmaktadır (Tykheev, 2018):
2.4.1.1. Makine Tarafından Oluşturulan Veriler
Sensör Verileri: Bu tür bilgiler, herhangi bir fiziksel etkiyi algılayan ve buna tepki veren cihazlardan gelmektedir. Sensörler, farklı endüstrilerde tanıtılmaktadır. En yaygın kullanımlardan biri, bir şirketin tesislerinde, örneğin depolarda sensörlerin uygulanmasıdır. Sensörler ayrıca, hem
16 hareketleri algılayabilmekte hem de güvenlik veya stok kontrolü gibi farklı amaçlar için hangi bilgilerin kullanılabileceğini tespit edebilmektedirler (Tykheev, 2018).
Web (Log) Günlüğü Verileri: Etkinlikleri sırasında sunucular, uygulamalar, web siteleri ve ağlar tarafından oluşturulmaktadır. Bu veriler, hizmet seviyesi anlaşmaları veya güvenlik ihlallerini tahmin etmek için kullanılmaktadır (Tykheev, 2018).
Satış Noktası Verileri: Her satın alım yapıldığında oluşturulan tüm işlem verileridir (Tykheev, 2018).
Finansal Veri: Geçmişte finansal veriler çoğunlukla insanlar tarafından üretilmiş ve bir kısmı hala insanlar tarafından üretiliyor olsa da, süreçlerin çoğu otomatikleştirilmiştir ve herhangi bir insan müdahalesi olmadan gerçekleşmektedir (Tykheev, 2018).
2.4.1.2. İnsan Tarafından Oluşturulan Veriler
Giriş Verileri: İnsanlar her gün bilgisayarlara farklı türde veriler girmektedir. Bu bilgilerin bazıları; örneğin: isimler, yaş ve e-posta adresleri yapılandırılmış bigilerdir. En kullanışlı veri türlerinden biri, müşterileri daha iyi anlamak için kullanılabilen nitel anket verileridir (Tykheev, 2018).
Tıklama Akışı Verileri: Tüketici davranışının daha iyi anlaşılmasına yol açan başka bir veri türüdür. Bir kişinin internette gezinirken yaptığı her tıklama kaydedilmekte ve desenleri bulmak için kullanılmaktadır (Tykheev, 2018).
Oyunla İlgili Veriler: Yukarıda tartışıldığ gibi müşterilerin bir video oyununda yaptığı her harekette aynı şey olmaktadır. Video oyunlarının artan popülaritesi ile yeterince büyük hacimler kazandığından dolayı oyunla ilgili veriler, ayrı bir tür olarak kabul edilmektedir (Tykheev, 2018).
17 2.4.2. Yapılandırılmamış Veriler
Dünyadaki tüm verilerin %80-90'ına karşılık gelmektedir. Bu veriler genellikle boyut olarak çok büyüktür. Sabit bir formatı olmadığı için, çok sayıda serbest format metni içermektedir. Bu verilerden kullanılabilir bilgiler oluşturmak üzere genellikle çok fazla veri yorumlaması ve veri azaltımı gerektirmektedir. Buna ek olarak yapılandırılmamış veriler oldukça benzersizdir. Kuruluşlara yalnızca müşterilerin ne yaptığını, aynı zamanda nerede yaptıklarını da izleme olanağı sunmaktadır.
Yapılandırılmamış verileri de makine ve insan tarafından oluşturulan verileri olarak ikiye bölünmüştür.
2.4.2.1. İnsan Tarafından Oluşturulan Yapılandırılmamış Veriler
Metin Dosyaları: Word belgeleri, elektronik tablolar, sunumlar, e- postalar, günlükler.
E-posta: E-postanın bazı içyapı özellikleri vardır. Bazen de bilim adamları onu yarı yapılandırılmış özellikler olarak adlandırmaktadır.
Sosyal Medya: Facebook, Twitter, LinkedIn verileri.
Web Sitesi: YouTube, Instagram, fotoğraf paylaşım siteleri.
Mobil Verileri: Metin mesajları, konumlar.
İletişim: Sohbet (Chat), anlık mesajlaşma, telefon kayıtları, işbirliği yazılımı.
Medya: MP3, dijital fotoğraflar, ses ve video dosyaları.
İş Uygulamaları: MS Office belgeleri, üretkenlik uygulamaları (Tykheev, 2018).
2.4.2.2. Makine Tarafından Oluşturulan Yapılandırılmamış Veriler
Uydu Görüntüleri: Hava durumu verileri, kara formları, askeri hareketler.
18
Bilimsel Veriler: Petrol ve gaz araştırması, uzay araştırması, sismik görüntüler, atmosferik veriler.
Dijital Gözetim: Gözetim fotoğrafları ve videoları.
Sensör Verileri: Trafik, hava durumu, oşinografik sensörler (Tykheev, 2018).
Büyük verinin iki türü arasındaki temel fark, yapılandırılmamış verilerin tanımlanabilir bir içyapıya sahip olmamasıdır. Bunun yanına, yapılandırılmış veriler, geleneksel analiz araçları ve yazılımları kullanılarak analiz edilebilmekte ve işlenebilmektedir. Yapılandırılmamış verilerin aksine yapılandırılmış veriler, geleneksel araçlar ve hizmetler aracılığıyla analiz edilemez. Onun ilk engeli veri hacmidir.
Yapılandırılmış verilerle aynı depolama sistemlerini kullanarak bu kadar büyük miktarda veriyi depolamak imkânsızdır.
2.5. Büyük Verinin Uygulama Alanları
Yaşamlarımızda gittikçe artan bir şekilde mevcut olan büyük veri, günlük yaşamımızı değiştirmektedir. Hem kişisel hem de iş ortamlarımızda beğensek de beğenmesek de onu yaratırız. Dijital teknolojinin potansiyel etkisi sektöre göre büyük ölçüde değişmektedir. Büyük veri, neredeyse her sektördeki kuruluşları etkilemektedir.
Bunun nedeni, hem daha fazla ve daha iyi verinin mevcut olması hem de bu verileri analiz etmek için gereken gelişmiş analitik araçların mevcudiyetidir. Büyük Veri'nin ana uygulama alanları aşağıda listelenmiştir:
2.5.1. Sağlık Hizmetlerinde Büyük Veri
Sağlık hezimetleri, büyük veri yatırımında önemli bir alandır. Hem çoğu sektörden daha fazla veri üretmekte hem de büyük verinin maksimum sosyal etkiye sahip olması gereken alanlardan biridir. Bir kişinin potansiyel sağlık tehlikelerinin teşhisinden karmaşık tıbbi araştırmalara kadar, büyük veri her yönüyle mevcuttur (Mukherjee &
Shaw, 2016). Ayrıca büyük veri ve analizleri, sağlık sağlayıcılarına daha kişiselleştirilmiş ilaçlar geliştirme lisansı vermiştir. Veri analistleri, daha etkili tedaviler geliştirmek için bu verileri kullanmaktadır. Burada yapılandırılmış ve yapılandırılmamış veriler söz konusudur ve büyük veri analitiği ile doktorlar, gizli bilgileri bulabilmekte, tedaviyi
19 ilerletmek için desenleri analiz edebilmekte ve daha doğru teşhis, daha az maliyet ve zaman ile yapılabilmektedir (Alabdullah et al., 2018).
2.5.2. Büyük Veri ve Finans Dünyası
Herhangi bir finans kuruluşunun işleyişi, büyük ölçüde verilerine bağlıdır ve bu verileri korumak, herhangi bir finans şirketinin karşılaştığı en büyük zorluklardan biridir.
Veriler, bu şirketlerin paradan sonra en önemli ikinci emtiasıdır. Buna ek olarak büyük veri, inanılmaz derecede karmaşık borsa hareketlerini analiz etmede çok yararlı bir araç olabilmekte ve küresel finansal kararların alınmasına yardımcı olabilmektedir. Bu sektör ayrıca, kara para aklamayı önleme, kurumsal risk yönetimi talep etme, "Müşterinizi Tanıyın" gibi ve dolandırıcılığı azaltma dâhil olmak üzere risk analizi için büyük ölçüde Büyük Veriye güvenmektedir. Kapsamlı bir araştırmaya göre, borsaların, finans kuruluşlarının ve ekonomilerin büyük veri analitiğine artan bağımlılığını sağlamaktadır.
Finans sektöründeki kuruluşlar, rekabet avantajı elde etmek üzere büyük veri politikalarını benimsemektedir. Kaynaklardan elde edilen tüm yapılandırılmış ve yapılandırılmamış veriler üzerinden alım satım gerçekleştirmek için karmaşık algoritmalar geliştirilmektedir (Mukherjee & Shaw, 2016).
2.5.3. Eğitim ve Büyük Veri
Dünyada eğitim sektörü de büyük veri kullanımında geride kalmamıştır. Eğitim endüstrisi öğrenciler, öğretim üyeleri, dersler ve sonuçlarla ilgili büyük miktarda veriyle doludur. Yükseköğretimde büyük veri oldukça büyük bir şekilde kullanılmaktadır. Büyük verinin uyarlanması hem üniversiteler hem de öğrencileri için faydalıdır. Mevcut ve geçmiş öğrencilerin kayıtları muhafaza ve analiz edilerek, içinde bulunulan yıla ait kabul tahmini yapılabilmektedir. Ayrıca öğrencilerin sorunları duyarlılık ve davranış analizi ile tanımlanabilmekte ve çözülebilmektedir. Buradaki veriler, öğrenciler tarafından yapılan çalışma geçmişinden, sosyal medya hesaplarından veya geri bildirimlerinden toplanabilmektedir. Buna ek olarak, öğrenci profilinin kullanılması ve diğer kayıtlarla analiz edilmesiyle, öğrenciye uygun eğitim kursu önerilebilmekte ve hatta okullar trend analizine dayalı yeni kurslar başlatabilmektedir (Desai, 2018).
20 2.5.4. Telekom Sektöründe Büyük Veri
Telekomünikasyon sektörü, büyük veri uygulamalarının en popüler kullanıcı gruplarından biridir. Müşteri hizmetini geliştirmek ve memnuniyetini arttırmak için Büyük Veri ve Makine Öğrenimi kavramları aşamalı olarak uygulanmaktadır. Çağrı ayrıntısı kayıtları, web ve müşteri hizmetleri günlükleri, sosyal medyaya gönderilen e- postaların yanı sıra jeo-uzamsal ve hava durumu verileri, telekom operatörlerinin erişebildiği verilere birkaç örnektir. Farklı iletişim kanallarından geçen veri miktarının artmasıyla birlikte kârı maksimize etmek, daha iyi yönetim ve müşteri memnuniyeti sağlamak için bu bilgilerin toplanması önem kazanmaktadır. Büyük Veri, diğer endüstriler gibi telekom endüstrisinin müşterilerini oldukça iyi anlamasına yardımcı olmuştur. Böylelike firmalar artık müşterilere mümkün olduğunca özelleştirilmiş teklifler sunmaktadır.
2.5.5. Büyük Veri ve Gıda Endüstrisi
Büyük Verinin gıda endüstrisi üzerindeki etkisi katlanarak artmaktadır. Ürünlerin kalitesini takip etmek, müşteriye tavsiyelerde bulunmak ve daha iyi müşteri deneyimi pazarlama stratejileri geliştirmek için kullanılmaktadır. Starbucks, Dominos ve Subway gibi şirketler, bireysel müşteri tercihlerini takip etmek üzere büyük veri analitiğinden yararlanmakta ve müşterilere müşteri tabanını ve memnuniyetini artırmak için kişiselleştirilmiş teklifler sunmaktadır (Mukherjee & Shaw, 2016). Gıda endüstrisinde büyük veri analitiğinin varlığı yavaşça yaygınlaşmaktadır.
2.5.6. Perakende Sektöründe Büyük Veri
Perakende sektörü her bir ülkenin ekonomisinde lider konumdadır. Aynı zamanda en şiddetli rekabetle karşı karşıya olanıdır. Dolayısıyla, perakendecilerin bu rekabetçi dünyada başarılı olabilmeleri için müşterilerini daha iyi anlamaları gerekmektedir. Büyük veri, rekabetçi pazar yeri ve müşteri ilgisinin analizi ile bu sektöre fırsat vermektedir. Çok çeşitli verileri toplayarak müşteri bağlılığını ve müşteri memnuniyetini belirlemeye yardımcı olmaktadır. Büyük verilerle ayrıca, toplanan bilgilerin kritik analizi yoluyla performansı ve verimliliği artırabilmektedir. Bu verileri sosyal medya, sadakat programları gibi çeşitli kaynaklardan toplanmaktadır. Bu, perakendecilere müşterilere daha kişiselleştirilmiş hizmetler sunma ve taleplerini önceden tahmin etme gücü vermekte ve sadık bir müşteri tabanı oluşturmalarına yardımcı olmaktadır. Walmart, Sears and
21 Holdings, Costco, Walgreens gibi perakende dünyasındaki en büyük isimlerden bazıları ve daha birçoğu artık organizasyonlarının ayrılmaz bir parçası olarak Büyük Veri'ye sahiptir.
2.5.7. Devlet Sektöründe Büyük Veri
Büyük veri analitiğinin devlet sektöründe çok yararlı olduğu kanıtlanmıştır.
Hükümetler, herhangi bir ülkede, çeşitli yerel, ulusal ve küresel karmaşık konuları günlük olarak ele almaktadır. Bunun nedeni, vatandaşları, büyümeleri, enerji kaynaklarını, coğrafi araştırmaları ve daha pek çok şeyle ilgili çeşitli kayıt ve veri tabanlarını takip etmek zorunda olmalarıdır. Tüm bu veriler büyük veriye katkıda bulunmaktadır. Büyük Veri, hükümet tarafından alınan kararların izlenmesine ve sonuçların değerlendirilmesine de yardımcı olmaktadır. Dolayısıyla hükümetlere sonsuz şekillerde yardımcı olmaktadır.
2.5.8. Üretimde Büyük Veri
Büyük verinin sağlayabileceği anlayışla donanmış üreticiler, günümüzün son derece rekabetçi pazarında anahtar olan israfı en aza indirirken kaliteyi ve çıktıyı artırabilmektedir. Giderek daha fazla üretici analitik tabanlı bir kültürde çalışmaktadır, bu da sorunları daha hızlı çözebilecekleri ve daha çevik iş kararları alabilecekleri anlamına gelmektedir. Ayrıca, McKinsey Global Institute, büyük verinin üretimdeki potansiyelini ana başlıklarda belirlemiştir: Gelişmiş talep tahmini, tedarik zinciri planlaması, satış desteği, gelişmiş üretim işlemleri ve web arama tabanlı uygulamalardır (Manyika et al., 2011).
2.5.9. İşletme ve Pazarlamada Büyük Veri
Günümüzde neredeyse her şirket, müşterilerin profillerinden, satın alma ayrıntılarından, çalışanlarının verilerinden ve mal verilerinden büyük miktarda veri üretmektedir. Büyük veri analitiğini kullanarak, şirketlere fayda sağlayacak müşteri odaklı stratejiler oluşturmasına yardımcı olan gizli desenler ve bilgileri bulabilmektedir (Desai, 2018). Pazarlamaya gelince, işletmenin pazarlama eğilimleri tamamen değişmiştir. Dijital pazarlama, herhangi iş başarısının anahtarıdır. Büyük veri ile pazarlamacılar, reklamlarının tanıttıkleri ürünlere olan ilgiyi uyarmada ne kadar başarılı veya başarısız olduğunu öğrenmek üzere yüz tanıma yazılımını kullanmaya
22 başlamışlardır. Büyük verinin dijital pazarlama üzerindeki rolü ilerleyen bölümlerde detaylı olarak tartışılacaktır.
2.6. Büyük Veri Analitiği: Nedir ve Neden Önemlidir?
2.6.1. Büyük Veri Analitiğinin Teorik Temelleri
Her dakikada üretilen büyük miktarda veri, analiz amacıyla istatistiksel teknikler gibi geleneksel yaklaşımları uygulamayı zorlaştırmaktadır. Verilerdeki bu değişikliklerin altında yatan üç büyük gelişme vardır. İlk olarak, yeni veri türleri ve özellikle yapılandırılmamış veriler analiz edilmektedir. Geleneksel veri analistleri genellikle bu verileri analiz etme becerisine sahip olmadığndan dolayı tamamen yeni yöntemler gerektirmektedir. Dahası, yeni veriler daha fazla bilgisayar bilimi tekniği gerektirebilmektedir. Ayrıca bu yeni büyük veri ve dijital ortamında yeni zorluklar ve sorular ortaya çıkmaktadır. Bunlarla birlikte, devasa ve sürekli veri akışını hesaba katabilecek yeni analitik teknikler geliştirilmektedir. Sonuç olarak, analistler için tamamen yeni bir çalışma alanı oluşturulmuştur (Verhoef et al., 2016). Başka bir ifadeyle, veriler giderek daha karmaşık hale geldiği sürece, analizi de giderek daha karmaşık hale gelmektedir. Veri analizi terimi 2000'lerin başında popüler hale gelmiş ve "kararların desteklenmesi için büyük veri setlerinin analizine bilgisayar sistemlerinin uygulanması"
olarak tanımlanmıştır. Veri analitiği, verilerdeki anlamlı kalıpları keşfetmek, yorumlamak ve iletmek için veri bilimi, iş zekâsı (BI) ve iş analitiğini birleştiren bir alandır. Bunun yanına istatistikler, operasyonel araştırma, örüntü tanıma, hesaplamalı zekâ ve makine öğrenimi dâhil olmak üzere diğer birçok bilimsel disiplinin yönlerini takip eden multidisipliner bir alandır (Makridis, 2018).
Büyük Veri Analitiği, farklı kalıpları ve diğer yararlı bilgileri keşfetmek için büyük veri kümelerini toplama, düzenleme, analiz etme sürecini ifade etmektedir. Büyük veri analitiği, olağan olanlardan farklı, daha karmaşık ve çok büyük ölçekli büyük veri kümelerinden büyük gizli değerleri ifşa etmek üzere yeni entegrasyon biçimleri gerektiren bir dizi teknoloji ve tekniktir. Esas olarak yeni sorunları veya eski sorunları daha iyi ve etkili yollarla çözmeye odaklanmaktadır (Verma, Agrawal, Patel, & Patel, 2016). Bu büyük veri analitiği, işletmeyi daha verimli hale getirmede, daha fazla müşteri memnuniyeti elde etmeye, çıktıları ve diğer ticari kârları artırmaya yardımcı olmada önemli rol oynamaktadır. Büyük veri analitiğinin temel amacı, veri bilimcilerinin,
23 analistlerin ve diğer iş profesyonellerinin etkili ve doğru iş kararları almalarına yardımcı olmaktır. Ticari kuruluşlar, mevcut verilerden kâr elde etmek üzere analitik araçlarından ve tekniklerinden yararlanmaktadır. Aynı zamanda büyük veriyi yönetmede ve büyük verilere yararlı içgörüler sağlamada becerikli veri bilimcilerini istihdam etmektedir.
(Manyika et al., 2011) göre, büyük veri analitiğinin beş temel avantajı vardır. İlk olarak, ilgili verileri daha erişilebilir hale getirerek görünürlüğünü artırmaktadır. Ayrıca, doğru performans verilerini toplayarak performans geliştirmesini ve değişkenliğe maruz kalmayı kolaylaştırmaktadır. Buna ek olarak, nüfusu bölümlere ayırarak müşterilerin gerçek ihtiyaçlarını daha iyi karşılamaya yardımcı olmaktadır. Bunlarla birlikte, değerli içgörüler ortaya çıkararak karar verme sürecini otomatik algoritmalarla tamamlamaktadır. Son olarak, yeni iş modelleri, ilkeler, ürünler ve hizmetler sağlamaktadır.
2.6.2. Büyük Veri Analizi Türleri
Veri analitiği, farklı önemli içgörüler sağlayabildiğinden, sağladıkları bilgilere göre kullanılabilecek farklı analitik türleri vardır. Analitik değerlendirmeler son derece karmaşık olabildiği gibi, aynı zamanda çok basit de olabilmektedir. Gartner, analitiğin uygulama alanlarını sınıflandırmak için yararlı bir çerçeve geliştirmiştir (Gartner Analytics Ascendancy Model (GAAM)) (Eriksson, Bigi, & Bonera, 2020).
Gartner, kuruluşun analitik olgunluğunu üst düzeye çıkararak rekabet avantajı elde etme becerisinin altını çizmektedir. Analitik Üstünlük Modeli (Şekil 3) analitik çabaları dört kategoriye ayırmaktadır: Betimsel, tanısal, öngörücü ve kuralcıdır. Büyük verinin dört sorusuna karşılık gelmektedir: Ne zaman ve ne oldu? Neden oldu? Ne olacak?
Ve nasıl gerçekleştirebilir? Bütün bu sorulara bilim, teknoloji, işletme, yönetim, organizasyon ve endüstrinin neredeyse her bölümünde sıklıkla rastlanmaktadır. Bu modelin analitiği tartışırken oldukça faydalı olduğu görülmüştür (Eriksson et al., 2020).
24 Şekil 3: Gartner’ın Analitik Üstünlük Modeli
Kaynak: Eriksson & Bigi & Bonera, Think with me, or Think for me? On the Future Role of Artificial Intelligence in Marketing Strategy Formulation, 2020, s. 802. (Eriksson et al., 2020)
2.6.2.1. Betimsel Analitik / Discrptive Analytics
En basit analitik biçimidir. Önemli bilgiler sağlamak için geçmiş verilere dayanmaktadır. Betimsel Analitik hala tüm iş analitiğine hâkimdir. Çevrimiçi analitik işleme (OLAP), olasılık analizi, hâlihazırda sınıflandırılmış ve kategorize edilmiş verilerin eğilimi ve ilişkilendirilmesi gibi teknikleri kullanarak, organizasyonda ne olduğu ve neden olduğu hakkındaki soruları cevaplamaktadır. Satış, pazarlama, operasyonlar ve finans ile ilgili çoğu yönetim raporu bu tür analizleri kullanmaktadır (Gronwald, 2020).
2.6.2.2. Teşhis Analitik / Diagnostic Analytics
Önemli bir değer getiren, yalnızca minimum teknik beceri gerektiren ve genellikle geçici olan problem çözme çabalarıdır. Büyük ölçüde, potansiyel olarak ilgili kaynak verileri bir araya getirmekten ve açık olmayan eğilimleri görsel olarak aydınlatan grafikler oluşturarak veya özellik mühendisliği yoluyla içgörürleri ortaya çıkarmaktan
