Üretken yapay zeka çağında veri hikayesi anlatımının kalıcı gücü

Ganes Kesari

Günümüzde ChatGPT ve Gemini gibi üretken yapay zeka (YZ) araçları, yalnızca bir kaç basit istemle etkileyici bir dizi görevi yerine getiriyor. Kötü oluşturulmuş kullanıcı sorularını bile yorumluyor, veriden derin alan içgörüleri belirliyor ve yanıtları iyi yapılandırılmış öneriler olarak paylaşıyor. Bu alışverişler, metinden konuşmaya YZ teknolojisinin kullanımıyla giderek daha fazla karşılıklı konuşmalı dayalı hale geliyor.
YZ (gerçek) bir yönetici asistanı gibi soruları anında yanıtlayabiliyor. Bu durumun insanların bilginin görsel sunumunun artık bir geçerlililiğinin olup olmadığını, hatta görselleştirme panoları ve veri hikayeleri için ölüm çanlarının çalıp çalmadığını sorgulamasına yol açması hiç de şaşırtıcı değil.

AMA BİR DAKİKA, O KADAR DA DEĞİL...

Evet, üretken YZ'deki en son gelişmeler, insanların sayılardaki ve metin, ses veya video gibi yapılandırılmamış verilerdeki gizli kalıpları otomatik olarak keşfetmesine yardımcı olabiliyor. Artık içgörüleri neredeyse bir alan uzmanının vereceği düzeyde iş tavsiyelerine dönüştürmek mümkün. Bu, veri görselleştirmelerinin oluşturulması ve kullanılmasıyla ilgili birçok manuel çabayı ve verimsizliği ortadan kaldırıyor. Ancak bilgilerin görsel olarak görüntülenmesini tamamen ortadan kaldırmaya çalışmak maliyetli bir hata. Belirli kritik senaryolarda karşılıklı konuşma zekasını kullanırken aynı zamanda görsel anlatıların büyüsünü korumak için güçlü bir neden var.

Burada liderlerin ve ekiplerinin dört temel karar verme durumunu anlamasına ve iş için doğru bilgi sunum aracını seçmesine yardımcı olacak basit ama güçlü bir çerçeve paylaşacağım. YZ'nin nerede bilgi sunumunu tamamen otomatikleştirmeye hazır olduğunu ve nerede yalnızca veri ekiplerini olanaklandıran ikincil bir rol üstlenebileceğini göreceğiz. Bugün liderler, YZ araçlarını kullanırken bu ayrımları yapmak gibi kritik bir sorumluluğa sahip. Liderlerin hem verileri analiz eden ve sunan kişiler hem de bu verileri kullanarak karar veren kişiler için ortamı belirlemesi, ayrıca organizasyon dahilindeki otomasyon korkularını yanıtlaması gerekiyor.

GÖRSEL VERİ ANLATILARININ GÜCÜ

Görsel anlatılarda, sayı tablolarının aksine, karmaşık bilgilerin hızlı ve etkili bir şekilde iletilmesi için imgeler ve çizelgeler kullanılır. Hem görsel hem de bilişsel duyuları harekete geçiren görsel anlatılar, bu sayede daha iyi kavrayışa ve akılda tutmaya yol açar.

2000'li yıllarda ön plana çıkan görselleştirme gösterge paneli, bilgi tasarım tekniklerinin en popüleri. Geride bıraktığımız yirmi yıl boyunca işletmeler binlerce hesap tablosu raporunu görsel gösterge panellerine dönüştürdü. Bu gösterge panellerinin genellikle açılır menüler veya tıklanabilir öğeler biçiminde zengin bir etkileşim katmanı bulunuyor. Bu, kullanıcıların belirli iş zorlukları temelinde öngörüleri dinamik olarak keşfetmek suretiyle soruları yanıtlamasına yardımcı oluyor. Varsayımsal bir örnekte, Boston bölgesindeki satış görevlisi Tom Jones'un dizüstü bilgisayarlardaki üç aylık performansını anlamak için bir satış lideri, etkileşimli gösterge panelini "satış müdürü", "bölge" ve "ürün" olarak filtreleyebilir.

Son on yılda, veri hikayeleri aracılığıyla sunulan içgörüler işletmelerde öne çıktı. Veri hikayesi sıklıkla gösterge paneliyle karıştırılsa da önemli bir farklılığa sahip. Adından da anlaşılacağı üzere, veri hikayeleri, kullanıcıların eylemlerine yardımcı olacak çıkarımlarla birlikte görsel içgörüler olarak sunulan özelleştirilmiş bir anlatıya sahip. Yukarıdaki örnekte bir veri öyküsü, trend görünümünden yararlanarak Tom Jones'un geçen çeyreğin satış hedeflerini tutturamamasının alışılmadık bir durum olduğunu gösterebilir. Tom Jones'un ekibin geri kalanıyla karşılaştırıldığında kötü performans gösterdiği iki ürünü öne çıkarabilir ve satış liderinin bundan sonra ne yapabileceği hakkında önerilerde bulunabilir. Çoğu gösterge paneli kullanıcının kendi içgörülerini keşfetmesini ve bulmasını beklerken, veri hikayeleri ilgi çekici bir şekilde sunulan önceden belirlenmiş bir hikayeyle birlikte gelir. Nobel ödüllü Daniel Kahneman'ın ünlü sözünde ifade ettiği gibi, "Hiç kimse asla bir sayıdan ötürü karar almadı. Bir hikayeye ihtiyaçları var."

KARŞILIKLI KONUŞMA ZEKASININ YÜKSELİŞİ

Birkaç yıl önce, yoğun çaba gerektiren programlı komutların aksine doğal dilde girdi alabilen YZ güdümlü analiz ürünleri gösterge panelleri oluşturmayı kolaylaştırdı. Örneğin, anında özelleştirilmiş bir görselleştirme gösterge paneli oluşturmak için doğal dilde "Tom Jones'un dizüstü bilgisayarları kategorisinde Boston'daki satış performansı nedir?" diye sorabiliyorsunuz. Ekipler, bu sayede, kullanıcı gereksinimlerini toplamak, verileri çağırmak için SQL sorguları yazmak ve grafikleri seçip tasarım ilkelerini uygulayarak görselleştirme gösterge panelleri oluşturmak gibi zahmetli bir süreçten kaçınabiliyor. Bu büyük bir değişimdi ancak doğal dil işleme uygulamalarının doğruluğu ve iş nüanslarını anlamanın zorluklarıyla sınırlıydı.

Sonrasında üretken YZ sahneye çıktı ve Chat- GPT, Dall-E ve Stable Diffusion gibi görüntü ve metin üretebilen YZ ürünleri sayesinde hızla ana akım haline geldi. Artık ChatGPT gibi YZ araçları yalnızca insan dilini doğru bir şekilde işlemekle kalmıyor, aynı zamanda şaşırtıcı bir akıcılık ve ustalıkla doğal bir şekilde yanıt verebiliyor. Bilgi sunumu açısından bu ne anlama geliyor? YZ, analiz ürünlerinin doğal dili inanılmaz bir doğrulukla anlama, sayıları ve istatistiksel çıktıları derin alan bağlamıyla insanların anlayabileceği biçime çevirme yeteneğini güçlendirdi. Ancak bu, hızlı bilgi geri alma gerektiren durumlarda sonuçları görme ihtiyacını etkin bir şekilde ortadan kaldırsa da her karar verme senaryosuna hizmet etmez.

İŞ İÇİN DOĞRU BİLGİ SUNUM ARACINI SEÇMEK

Etkili eylemler için bilgilerin nasıl iletilmesi gerektiğini iki temel faktör etkiliyor: Veri içgörüsüne yaklaşım ve kullanıcıların ihtiyaç duyduğu bilgi düzeyi. Her birine sırasıyla bakalım.

Veri İçgörüsüne Yaklaşım: Keşfedilen içgörüler kullanıcıya açıklanmalı mı, yoksa kullanıcılar kendi içgörülerini keşfetme yeteneğine mi ihtiyaç duyuyor? Bu soruya verilen yanıt, bilginin iletilmesinde benimsenecek doğru yaklaşımı belirliyor.

Kullanıcıların İhtiyaç Duyduğu Bilgi Düzeyi: Kullanıcıların karar vermek için ihtiyaç duyduğu bilgi düzeyi ve ilgili bağlam nedir? Bu, geçen ayın satış performansını anlamak gibi basit ve anlaşılır bir şey olabilir. Veya liderlerin büyük bir yatırım için stratejik karar vermesi gibi çok daha karmaşık bir şey olabilir. İkinci durumda, kullanıcılar yatırım getirisi, geçmiş performans, pazar eğilimleri ve rekabet hakkında bir- çok bağlama ihtiyaç duyarlar. Bu iki faktör, sizin ve ekiplerinizin doğru bilgi dağıtım modunu seçmede rehberlik için kullanabileceği 2x2 matrisin temelini oluşturur.

1. ÇEYREK: KEŞFEDICI (BASIT)

Kullanıcılar bir dizi dinamik soruya basit yanıtlar aradığında durum bu kategoriye girer. İstenilen yanıtlar genellikle gelir artışı veya çalışan memnuniyeti düzeyi gibi geçmiş performansı özetleyen tanımlayıcı içgörülerdir. Burada kullanıcının kalıpları dinamik olarak keşfetmek için soru sorma esnekliğine ihtiyacı var.

Söz konusu ihtiyaç, geçmişten beri, anlık analizler gerçekleştiren ve bir dizi PowerPoint destesi veya gösterge paneliyle elde ettiği içgörüleri paylaşan analistler tarafından gideriliyor. Bu alan, YZ destekli sohbet tabanlı arayüzler tarafından kesintiye uğratılmaya hazır. Chat- GPT veya Claude gibi araçların organizasyonel verilere dayalı olarak kullanıcı sorularını yanıtlamak üzere eğitilmiş kurumsal sürümlerini hayal edin. İK liderleri, bu araçları, çalışanların işe alımı, bordro süreci veya öğrenme ve geliştirme faaliyetleriyle ilgili günlük sorulara hızlı yanıtlar almak için kullanışlı analiz yardımcıları olarak kullanabilir. Çeşitli basit sorulara hızlı yanıt verilmesi ihtiyacı göz önüne alındığında, üretken YZ bu duruma çok uygun.

2. ÇEYREK: AÇIKLAYICI (BASIT)

Bazen kullanıcılara eylemlerine yardımcı olmak için çığır açıcı bir içgörünün açıklanması gerekir. Örneğin, pazarlama müdürü müşteri kaybı sorunuyla boğuşurken, geçen çeyrekte müşteri kaybının en büyük etkenlerini anlamak isteyebilir. Bu tanımlayıcı veya teşhis edici içgörüler, olası temel nedenleriyle birlikte bir şeyin neden gerçekleştiğini aydınlatır. Burada kullanıcının önceden kararlaştırılmış, önemli ve incelikli birkaç soruya yanıt vermesi gerekiyor.

Bu ihtiyaç, genellikle, gizli içgörüleri ortaya çıkaran istatistiksel analiz ve örüntü yakalama yoluyla giderilir. Bunlar analistler tarafından desteler veya gösterge panelleri aracılığıyla sunulur. Günümüzde YZ, iş bağlamını anlama ve gizli veri içgörülerini keşfetme yeteneğine sahip. Bu bilgiler daha sonra, kullanıcının özümsemesine ve harekete geçmesine yardımcı olmak için etkileşimli sohbet yoluyla karşılıklı konuşma şeklinde sunulabilir. Örneğin, Power BI veya Tableau gibi iş zekası (İZ) araçları, içgörüleri açıklamak ve çıkarımları yorumlamak için üretken YZ yetenekleriyle donatılabilir. Power BI için Copilot ve Tableau AI için Einstein Copilot gibi erken dönem üretken YZ entegrasyonları hali- hazırda mevcut. Daha da iyisi, bu içgörüler, kullanıcıların gösterge panellerini açıp bunları görsel olarak tüketmesini beklemek yerine karşılıklı konuşma arayüzleri aracılığıyla ortaya çıkarılabilir. Liderler, YZ araçlarının etkili olabilmesi için veri kalitesinin sağlam olması gerektiğini anlamalı. Dolayısıyla veriyi toplamak, dönüştürmek ve düzenlemek için çok fazla insan çabası gerektiren veri mühendisliği çalışmalarına hala ihtiyaç olacak. Üretken YZ araçları, tüm veri çalışmalarının toplam otomasyonuna karşılık gelmiyor.

3. ÇEYREK: KEŞFEDICI (KARMAŞIK)

Şimdi daha karmaşık senaryolara geçelim. Kullanıcıların öngörüleri dinamik olarak keşfetmesi gereken zamanlar vardır. İnsanların notlarını birden fazla tesir eden faktör veya iş durumuna göre karşılaştırması önem taşır. Örneğin, bir imalat firmasının tedarik zinciri başkanının dağıtım maliyetlerini optimize etmekle ilgilendiğini varsayalım. Temel maliyet faktörlerini anlamak ve teslimat maliyetinin nasıl azaltılacağını anlamak için "eğer olursa" simülasyonları yapmak isteyebilir.

Bu senaryoda, yalnızca soruları dinamik olarak yanıtlayacak araçlara değil, aynı zamanda pek çok bilgiyi kısa, ilgi çekici ve anlaşılır bir şekilde sunacak araçlara da ihtiyaç duyulur. Etkileşimli gösterge panelleri, bilgilerin görsel olarak sergilenmesinden yararlanabildiği ve "eğer olursa" simülasyonlarıyla zengin bir etkileşime imkan tanıdığı için buraya çok uygun. Vega veya D3.js gibi açık kaynaklı, programatik veri görselleştirme araçları, derin etkileşimli özel bir görselleştirme önyüzü oluşturulmasına yardımcı olabilir. Senaryo modellemesi de KNI- ME ve H2O gibi analiz araçlarıyla sağlanabilir.

Bu göster ve anlat, içgörüleri artırmak ve tedarik zinciri başkanının dağıtım zorluklarını çözmesine yardımcı olmak için çok önemli. YZ, alan bilgisini anlama konusunda giderek daha iyi hale gelse de bu ihtiyacı otomatik olarak karşılamaya henüz hazır değil. YZ araçları, analiz motorunun oluşturulmasına yardımcı olabilir veya kullanıcı arayüzü deneyimini geliştirebilir.

4. ÇEYREK: AÇIKLAYICI (KARMAŞIK)

Altı kilit yöneticinin gelecek yıl büyük bir yatırım yapıp yapmamaya karar vermek için bir araya geldiği bir yönetim kurulu toplantısı hayal edin. Haftalarca süren analizlerden sonra ürün yöneticisi, yeni bir ürünün piyasaya sürülmesi için 50 milyon dolarlık bir taahhüt içeren bir vaka oluşturdu. Yöneticileri devam etmeye ikna etmek için ürün yöneticisinin içgörüleri sunması gerekiyor. Bilgiler, müşteri tercihleri, gelir potansiyeli, pazar fırsatı, rakiplerin hamleleri ve organizasyonun bu sürecin üstesinden başarıyla gelebilecek olmasının nedenleri gibi birçok destekleyici ayrıntıyla birlikte sunulmalı.

Böyle bir durumda yanıtın çok fazla bağlama ve karmaşık ayrıntıya ihtiyaç duyduğu açık. Bu veri hikayesi anlatımının alanı: Hedef kitleyi bilgilendirmek, onları kanıtlarla etkilemek ve hızla eyleme geçmeleri için ilham vermek. YZ, önceki çeyreklerde de görüldüğü gibi bazı bilgilerin bir araya getirilmesinde liderlere yardımcı olabilirken, bu ihtiyacı henüz ne tam otomatik olarak ne de konuşarak karşılayabiliyor. Bununla birlikte, yukarıda bahsedilen üretken YZ araçları, içgörüleri keşfetme, hikayeyle ilgili beyin fırtınası yapma, ilgili grafikleri seçme ve çıkarımları iyileştirme süreci boyunca teknoloji ekibinin yararlı işbirlikçileri olabilir. Bilgiler bir deste şeklinde veya yukarıda açıklanan açık kaynak veya kurumsal YZ görselleştirme araçları vasıtasıyla sunulabilir.

Yukarıdaki çeyreklerin büyüklüğünün işaret ettiği üzere, çok sayıda iş sorunu, İZ ve karşılıklı konuşma zekasının içgörüleri en etkili ve en verimli şekilde sunabildiği 1. ve 2. çeyreklere düşüyor. Bununla birlikte 3. ve 4. çeyrek, kullanıcının çok fazla bağlama ve karmaşık bilgileri kullanma becerisine ihtiyaç duyduğu durumlarda, veri öyküleri ve etkileşimli gösterge panelleri hâlâ başvurulacak ortam.

ÜRETKEN YZ ILE IŞ BIRLIĞI YAPMAK

YZ ile ilgili her konuda olduğu gibi, YZ araçlarının insanlarla karşı karşıya getirilmesinin sınırlayıcı olduğunu unutmamak önemli. Kuvvetlerin birleştirilmesi büyük bir güç ortaya çıkarabilir. Üretken YZ, etkileşimli gösterge panellerinin veya 3. ve 4. çeyreklerle ilişkili veri anlatımlarının yerini tamamen almaya hazır olmasa da halihazırda veri öyküsü yaşam döngüsünü çeşitli şekillerde geliştiriyor.

Veri bilimcileri ve analistler, derin analitik içgörüleri yarı otomatik olarak belirlemek için ChatGPT'nin Data Analyst'i gibi araçları kullanıyor. Görselleştirme tasarımcıları, görselleştirmeleri birlikte oluşturmak ve görsel tasarım varlıklarını otomatik olarak kurgulamak için Claude AI ile birlikte çalışıyor. İş dünyasının konu ve alan uzmanları, analitik içgörülerin sonuçlarını anlamak ve istatistiksel özetleri ikna edici iş önerilerine dönüştürmek için YZ'yi kullanıyor.

Gartner, 2025 yılına kadar veri hikayelerinin analitik tüketiminin en yaygın yolu olacağını ve artırılmış analiz tekniklerinin bu hikayelerin yüzde 75'ini oluşturacağını öngörmüştü. Geçen yıl üretken YZ'nin yaygın biçimde benimsenmesiyle bu sayının yüzde 75'in çok üzerine çıkması ve çok daha erken gerçekleşmesi bir hayli muhtemel.

Binlerce İZ raporu veya gösterge paneli oluşturmak için harcanacak zaman yerine 1. ve 2. çeyreklerde üretken YZ'nin kullanılması çaba tasarrufu sağlayabilir ve içgörü sunma hızını artırarak iş sonuçlarını iyileştirebilir. Bu aynı zamanda organizasyonların insan çabasını ve dikkatini, karar vericileri güçlendirmek için uzman ilgisine ve insan dokunuşuna ihtiyaç duyulan 3. ve 4. çeyreklerdeki daha özel kullanım durumlarına odaklamasına da yardımcı olabilir. Verileri sunarken bu tür seçimleri nasıl yapacağını bilen liderler, organizasyonlarının önümüzdeki on yılda hayatta kalmasına ve gelişmesine yardımcı olacak.

Ganes Kesari: Gramener'in kurucu ortağı ve baş karar bilimcisi.