Evet, bu süreçte şirketlerin gerektiğinde çalışanlarının evlerinden de işlerini yürütebilmelerine olanak sağlayan teknolojilere yatırım yapmasının, gerekli şirket politikalarını ve geleneklerini oluşturmasının bir ihtiyaç olduğunu gördük. Bu yatırımları hali hazırda yapmış kurumlar kolaylıkla, normal hayatın bir parçası gibi yeni sürece adapte oluverdi. Aslında onlar mekan bağımsız işlerini sürdürebilmeye yıllar önce adapte olmuş şirketler. Çalışanları bundan 10 sene önce de benzer imkanlardan faydalanıyordu.

Peki mekan bağımsız çalışabiliyorlar da, bu dev plazalar neden hala duruyor? Bu yaşadıklarımız evden çalışmaya doğru giden, toplu çalışma hayatının sonunu getiren bir yeni normal habercisi değil mi?

Bence değil, nedenlerini de yazının devamında açıklamaya çalıştım.

Evden çalışma ve CTrip hikayesi

“Bence evden çalışma şöyle faydalı, böyle zararlı” diye kişisel hissiyatla söze başlamak yerine bunu bilimsel bir dayanak ile desteklemeyi tercih edenlerin istisnasız rastlayacakları bir araştırmadan bahsetmekte fayda var. Shanghai merkezli, 20.000 çalışanı olan, Çinli seyahat acentesi devi CTrip şirketinin yöneticileri, Shanghai’daki gayrimenkul kiralarından muzdarip olmaya başlayınca olağanüstü ofis alanı maliyetlerinden kaçınarak çalışabilir miyiz sorusunun peşine düşüyorlar. Şirket çalışanlarının yarısının dokuz ay boyunca evden, yarısının ofisten çalıştığı bir çalışma modeli uygulamak için çalışanlar arasından evden çalışmaya gönüllü kişiler seçiyorlar. Hemen hepsi çağrı merkezi çalışanı bu arada.

Stanford Graduate School of Business ekonomi profesörlerinden Nicholas Bloom ve beraberindeki bir grup araştırmacı da tam 2 sene boyunca bu iki grubu gözlemliyor. Bu araştırmaya atıfta bulunulan pek çok yazıda araştırmanın evden çalışmayı destekleyen şu çarpıcı sonucu gözler önüne seriliyor: “Evden çalışan kişilerin performansı %13 arttı, işten ayrılma oranı da %50 azaldı”. İnanılmaz!

Evden çalışmanın COVID-19 sebebiyle yeniden gündeme oturması ile birlikte, evden çalışma üzerine yapılmış bu kapsamlı ve günümüze en yakın araştırmalardan birinin lideri Nicholas Bloom ile yapılan yeni bir röportaj geçtiğimiz ay Stanford Üniversitesi web sitesinde yayımlandı. “Bu aralar herkes evden çalışmanın yeni küresel trend olacağını savunacağımı düşünüyor ama ne yazık ki öyle değil” diyor Bloom ve gerekçelerini açıklıyor.

Bloom araştırmaya atıfta bulunulan yazıların pek çoğunda hikayenin eksik anlatıldığını, söylüyor. Örneğin;

• Evden çalışmasına izin verilen CTrip çalışanlarının evlerinde bu iş için rezerve edilmiş ve çalışma saatlerinde kimsenin girmesine müsade edilmeyen, konsantre bir şekilde çalışmaya olanak sağlayan bir çalışma odası bulunması şarttı. Bu arada “çalışma odası” olarak dizayn edilmiş özel bir alandan bahsediyoruz, mutfağın veya yatak odasının kapısını kapatıp çalışmak değil söz konusu olan.
• Çalışma tamamen evden çalışma şeklinde değildi. Haftanın 4 günü evden, 1 günü ise ofisten çalışma zorunluluğu vardı.
• Evden çalışma modeline geçtikten 9 ay sonra, evden çalışmaya gönüllü olan çalışanların %50‘si, evden ofise ortalama ulaşım süreleri 40 dakika olmasına rağmen ofiste çalışmaya geri dönmek istediğini söyledi. Gerekçeleri artık evde kendilerini soyutlanmış, yalnız ve depresif hissetmeleri idi. Pek çoğu aynı evi paylaştıkları ebeveynleri, eşleri veya ev arkadaşları ile ciddi sorunlar yaşamaya başlamıştı.

Bloom, uygun şartlar sağlandığında evden çalışmanın belki geçici bir süre verimliliği artırmasına rağmen; iş yapma şeklini veya müşteri deneyimini iyileştirecek olan yaratıcılığın ve problem çözme kabiliyetinin önündeki en büyük engel olduğunu söylüyor. Bloom, şu an fiziksel temas kurmadan çalışmanın sonucunda ortaya çıkarılamayan yeni fikirler sebebiyle 2021 ve sonrasında yeni ürün sürümlerinde ve ekonomik büyümede ciddi sıkıntılar yaşanmasına kesin gözüyle bakıyor.

İkinci endişesi de evden çalışma modelini 9 ay uyguladıktan sonra ofise geri dönmeyi talep eden CTrip çalışanlarında gördükleri zihinsel sağlık problemleri ve bunların aile yaşantısına ve iş hayatına olumsuz etkileri.

Spontane karşılaşmaların önemi

Evden çalışma moduna geçtikten sonra toplu çalışma ortamlarında başımıza sıklıkla gelen spontane karşılaşma ihtimalleri ortadan kalktı. Spontane iletişim farkındalığın artması, yaratıcılığın ve yeni fikirlerin gelişmesi için olmazsa olmaz faktörlerden halbuki ve tesadüfi karşılaşmaları uzaktan uzağa çalışılan bir modelde sağlamak imkansız.

İlk çalıştığım işyerinde, henüz daha 6-7 aylık tıfıl bir çalışanken, mesaiye kaldığım bir akşamda genel müdür yardımcımızla bir merhabalaşma ile başlayan 3-5 dakikalık bir sohbet iş hayatına bakış açımı ve farkındalığımı baştan sona değiştirmişti. Şu an çalıştığım alanı seçmeme vesile olan da eski işyerimdeki tesadüfi bir karşılaşmadır örneğin. Çoğumuzun kariyer hayatı bunun gibi hiç hesapta yokken gelişen ve sonunda “Vay be!” dediğimiz pek çok anı ile doludur.

Steve Jobs, uzaktan çalışma taraftarı bir insan değildi ve yaratıcılığı öldürdüğünü şu sözlerle dile getiriyordu: “Yaratıcılık rastgele gelişen tanışmalardan ve tartışmalardan geliyor. Biriyle karşılaşıyorsunuz, ne yaptığını soruyorsunuz, sonra “Vay be!” diyorsunuz ve fikirlerinizi paylaşıp geliştiriyorsunuz.”. Bu yüzden evde e-posta kutusuna bakan değil, insanlarla fiziksel etkileşim kuran çalışanların verimli ve faydalı çıktılar üretebildiğini söylüyordu.

Bu sebeple Apple ofislerinin, büyük ortak bir alanı çevreleyen küçük izole ofis alanlarından oluştuğu söylenmekte. Hem insanların işyerinde sosyalleşmelerine ve hiç hesapta yokken karşılaşmalarına olanak sağlayacak, hem de gerektiğinde konsantre çalışmak isteyenler için gerekli izole alanlara sahip ofis alanlarından bahsediyoruz.

Bizler de müşterilerimizin derdini anlamaya çalışan ve doğru teknolojik çözümü uygulamak amacında olan kişiler olarak, iş hayatında bu durumu net bir şekilde gözlemleriz. Müşteri ihtiyacını anlamanın en iyi yolu, müşteri ile doğal çalışma ortamında vakit geçirmek ve hiç beklemediğiniz anlarda ortaya çıkıveren ipuçlarını biriktirmektir. Assessment tarzı çalışmaları bu yüzden yaparız. Sadece proje sponsoru üst seviye yöneticileri dinlemek yerine, her seviyeden insanı gözlemlemeyi tercih ederiz. Yalnızca üst yönetimin ihtiyacı veya sorunu anlatmaya çalıştığı, her seviyeden çalışanın aktif olarak dinlenemediği toplantılar gerçek ihtiyacı anlama konusunda bazen yetersiz kalır ve bizleri yanlış yönlendirir. Spontane soru-cevaplar, çay alırken istemsizce gelişiveren 2 dakikalık bir dedikodu seansı, toplantı çıkışı ayaküstü yapılıveren bir kaç dakikalık alternatif toplantılar, hararetli bir telefon görüşmesine istenmeden kulak misafiri olunması, insanların öğle yemeğine giderken asansörde nelerden bahsettikleri… Bunlar gerçek motivasyon unsurları, optimum çözüm ve gerçek müşteri memnuniyeti için yol gösterici ipuçlarıdır çoğu zaman.

“Gerçekten çok verimli bir toplantıydı” diye kapatılan bir toplantının aslında müşterinin hiç ilgisini çekmediğini toplantı esnasındaki görüntüsünden, mimiklerinden, defterine ne karaladığından çok kolay anlarsınız. Neyden bahsettiğinizde ilgilendiğini ve umutlandığını, neyden bahsettiğinizde size içinden “Yine aynı palavra!” demek istediğini ama diyemediğini görürsünüz. Bu ancak aynı odada olduğunuzda mümkündür.

Ortak çalışma alanlarının albenisi

İngilizce’de Coworking Space diye anılan ortak çalışma mekanlarına yeni yeni alışma arifesindeydik. İlk başlarda küçük şirketlerin çok büyük yatırımlar yapmadan paylaşımlı hizmetlere (toplantı odası, konferans salonu, sekreterya, cafe gibi) erişmelerine olanak sağlayan alanlar olarak değerlendirildi buralar ve müşterileri de çoğunlukla çalışan sayısı az, bütçesi kısıtlı şirketler oldu.

Ancak çok kısa bir zaman sonra bu alanlar iş hayatıyla sosyalleşmenin bir araya geldiği, tesadüfi karşılaşmaların yeni fikirleri ve iş ortaklıklarını patlattığı, iş hayatına yönelik organizasyonların düzenlendiği, hafta sonlarında bile insanların evde çalışmaya tercih ettikleri çekim merkezleri haline geldiler. Sonra binlerce çalışanı olan devasa kurumların buralardan ofis sahibi olabilmek için sıraya girdiklerini gördük. Hatta bu şirketler, kendi çalışma mekanlarında da, çalışma alanlarını sınırlayan fazla duvarları yıkıp, sadece yeterli miktarda izole alan bıraktılar ve iş ortamında insanların birbirine temas etme ihtimallerini artıran mekanlar yaratmaya koyuldular.

Cuma sabahları kahvaltı, öğleden sonra kurabiye eşliğinde çay saati, 7/24 çalışan kahve köşesi gibi uygulamaların insanların aç kalmasından duyulan endişenin sonucu olmadığını fark etmişizdir umarım.

Agile çalışma düzeni

Uzunca bir süre, iki haftalık planlar yapmak, duvarlara sticker yapıştırmak ve ayakta toplantılar yapmaktan ibaret olduğunu düşündüğümüz Agile kavramını da tam yeni yeni oturtuyorduk. Onlarca kilometre uzaklıkta konumlanmış, birbirinden habersiz, iki farklı grup olmaktan sıyrılıp, bir bütün olmuş business ve teknoloji ekiplerinin bir arada, aynı mekanda, yüz yüze çalıştığı, birbirini sürekli gözlemleme şansı bulduğu, talep gelmeden çözüm önerildiği ve kararların çok hızlı alındığı ideal çevikliği yakalamış ekipler olmaya başlıyorduk tam da.

Yeni normal dediğimiz şey, agile manifestonun 12 temel prensibinden ikisini bence uygulanamaz hale getiriyor :

• İş süreçlerinin sahipleri ve yazılımcılar proje boyunca her gün birlikte çalışmalıdırlar.
• Bir yazılım takımında bilgi alışverişinin en verimli ve etkin yöntemi yüz yüze iletişimdir.

Evet biri Çin’de biri Amerika’da kurulu ofisi olan ve mecburiyetten aynı mekanı paylaşamayan kurumlar için ortaya konmuş bir takım uzaktan uzağa çevik olma pratikleri de var ama çok etkili olduklarını söylemek güç. Zoom’da günün belirli zamanları yüz yüze ile aynı çalışma ortamında yüz yüze arasında maalesef dağlar kadar fark var.

Sonuç

İnternetin yaygınlaşmaya başladığı ilk yıllarda “İnternet, ekonomi dünyasında en fazla faks makinesinin icadı kadar etki yaratacak” diyen Nobel ödüllü ekonomist Paul Krugman gibi tarihe talihsiz bir şekilde geçmek istemiyorum ama, toplu çalışma hayatının sonuna gelindiğini iddia eden yeni normal hikayelerinin tarafında değilim. Yakınından bile geçmiyorum. Zaten bu senaryo sadece evden çalışma ile de sınırlı kalmıyor. İnsanların bir araya geldiği pek çok aktivitenin “evden” yapılması demek oluyor. Evden eğitim, evden tatil, balkondan bayram kutlaması, seyircisiz spor, evden konser, evden eş, dost, akraba ziyareti…

Bunun yerine yıllardır göstermelik duran “Çalışan Sağlığı ve İş Güvenliği” birimlerinin artık somut olarak söz sahibi olması, maksimum insan sığdırmak yerine çalışan sağlığı odaklı yaklaşımlarla ofis düzenlerinin oluşturulması, öncelikle insan sağlığını odağına alan toplu taşıma uygulamaları, sağlık ve genetik araştırmalar alanında ihmal edilen yatırımların canlandırılması, önleyici sağlık uygulamalarının geliştirilmesine dair hikayeler bana daha akılcı geliyor.

Tabii hepsinden önemlisi toplum sağlığı için bireysel farkındalık. Toplum sağlığı için maskenin kıymetini yeni öğrendik örneğin. Alkolün virüslerin yağ dokusunu çözüp öldürdüğünü de. Eminim bundan sonra yeni tanıştığımız biriyle el sıkışmadan, 4 kişilik toplantı odasına 10 kişi doluşmadan, gece ateşi çıkmış çocuğumuzu ertesi sabah okula göndermeden, hasta iken toplu alanlara girmeden önce bir durup düşünecek, bu günleri hatırlayacak ve daha duyarlı olacağız.

Merak etmeyin, teknoloji tam olarak öngörüldüğü şekilde ilerliyor.

Teknoloji alanında yeni bir kavram veya yöntem ilk ortaya atıldığında, veya henüz gelişme dönemindeyken hep aynı senaryo ile karşı karşıya gelmişizdir. Yeni yöntemin pek çok derde deva olacağını düşünüp beklentiyi yükselttikçe yükseltenler, hayatı bir anda değiştireceğini savunup tüm odağını bu yeni gelişmeye çevirenler, diğer tarafta yeni teknolojilerin henüz hayatına dokunmadığını söyleyen, somut çözüm görmemiş olup bunu eleştirenler…

Şu aralar benzer durumu yapay zeka alanında yaşıyoruz örneğin. Benzerini 90’lı yıllarda patlayan genetik araştırmalar furyasında da yaşamıştık, 2000’li yılların meşhur dot-com balonu hikayesinde de. Veya daha yakın zamana gelirsek, big data ve blockchain gibi teknolojiler için de benzer şeyleri söyleyebiliriz.

Geçmişten örnekler : Genetik furyası

Yaşı uygun olan çoğu kişi 90’lı yılların sonunda, İskoçya’nın Edinburg şehrindeki Roslin Enstitüsünde yürütülen genetik projesinin çıktısı olan, kendisinden 6 yaş büyük bir koyunun kopyası olarak dünyaya gelen koyun Dolly‘yi hala hatırlar. O dönem medyada sanki bir kaç sene içerisinde her köşe başında kopyalanmış canlılar, hatta insanlar görecekmişiz beklentisiyle yaygara kopmuştu. Arnold Schwarzenegger’in insan klonlayan kötü insanlarla savaştığı The 6th Day filmi de tam bu dönemde vizyona girmişti.

Yine hemen hemen aynı zamanlarda, 2000 yılının haziran ayında dönemin Amerikan Başkanı Bill Clinton, Birleşik Krallık Başbakanı Tony Blair ile Human Genome (İnsan Genomu) projesini duyuruyordu. Projenin kanserden yaşlılığa, kalp hastalıklarından astıma pek çok genetik hastalığa çözüm olacağı açıklanmıştı. Tam 20 sene önce Clinton, Cancer takım yıldızını kastederek şöyle demişti:

“Çocuklarımız kanseri sadece bir takım yıldız olarak tanıyacak”

Internet Balonu

90’lı yılların başında internetin yaygın kullanımı başladı. İnternet balonunun şişmeye başladığı tarih ise Netscape’in ilk tarayıcısını piyasaya sürdüğü 1994 yılı olarak kabul ediliyor. Binlerce web tabanlı iş fikrinin türediği, binlerce şirketin ortaya çıktığı bir aşırı beklenti döneminden sonra, 10 Mart 2000‘de balon Nasdaq’ta görkemli bir çöküş ile patladı. Küçük şirketlerin hemen hepsi yok oldu, büyükler de son derece sert bir şekilde sarsılıp, derin darbeler aldılar. Amazon gibi nispeten daha büyük şirketler bu ciddi sarsıntıya rağmen krizden sağ çıkmayı başarabildiler.

O dönemde Nobel ödüllü ekonomist Paul Krugman şöyle diyordu :

“İnternet ekonomi dünyasında en fazla fax makinesinin icadı kadar etki yaratacak.”

Amara Yasası

Geleceğe dair pek çok teknolojik senaryo alınıp satıla dursun, yeni bir teknoloji ortaya çıktığında Amara Yasası olarak bilinen kural hep geçerli olmuştur. Ünlü düşünce kuruluşu Institue for the Future başkanlığını yürütmüş, Stanford Üniversitesi’nde görev almış, Amerikalı araştırmacı ve bilim adamı Roy Amara, Amara Yasası diye anılan kuralı şöyle ifade ediyor:

“Yeni bir teknolojiden beklentilerimizi kısa vadede abartır, uzun vadede hafife alırız.”

Bir teknolojik gelişme ilk ortaya atıldığı zaman beklenti bir anda abartılı bir şekilde yükselir ve “Hype” halini alır. Hype kelimesini aşırı abartılmış, şişirilmiş şeklinde Türkçe’ye tercüme edebiliriz. Bir şeyin öneminin veya potansiyel değerinin uygun olmayan bir şekilde abartılması anlamına gelir.

Bir süre sonra karşılanamayan beklentiler sebebiyle ilgi kaybolur, beklenti düşer. Kısa vadede karşılanamayan beklentiler sebebiyle, uzun vadede söz konusu teknoloji hafife alınır ve önemsenmez. Koskoca Nobel ödüllü ekonomist Krugman’ın interneti faks makinesi ile bir tutması tam olarak bu duruma bir örnek.

Gartner’s Hype Cycle

Görüyoruz ki, ilk dönemlerinde teknolojilerden beklentinin bazen aşırı abartılması, çoğu zaman beklentilerin karşılanamaması, kimilerinin bu teknolojileri küçümsemesi, ilginin bazı dönemlerde kaybolması teknolojik gelişim sürecinin doğal aşamaları. İnsanlar teknolojiyi değil, çözümü satın alma eğiliminde ve teknolojilerin somut uygulamalara dönüşmesi tahmin edilenden çok daha uzun yıllar alabilmekte.

Gartner, teknolojik gelişmelerin yaşam döngüsünü Gartner’s Hype Cycle adıyla 1995 yılından beri raporluyor. Teknolojinin kavramsal olarak ortaya atıldığı ilk dönemden, olgunlaşıp yaygın olarak kullanılabilir ve fayda sağlar hale geldiği son döneme kadar (geçen zamana göre beklenti eğrisi üzerinde) aşağıdaki gibi özetliyor.

Innovation Trigger (Teknoloji Tetiklemesi): Yeni bir teknolojik kavram ortaya atılır. Çoğunlukla üzerinde konuşulan, ortada kavramsal bir takım hikayelerin var olduğu, ancak bu teknoloji kullanılarak geliştirilmiş yaygın kullanılabilir ürünlerin olmadığı bir dönemdir. Birinci nesil ürünler geliştirilmeye başlanır. Teknolojinin ticari olarak faydası ve kullanılabilirliği henüz kanıtlanmamıştır.

Peak of Inflated Expectations (Şişirilmiş Beklentiler Zirvesi): Bu erken dönemde yeni teknoloji ile yapılabileceklere dair beklentiler yükselir. Riski seven, erken kazanım peşinde olan bazı şirketler bu teknolojik gelişimi bir fırsat olarak görüp harekete geçer, büyük bir kısmı ise yatırım kararı için beklemededir. Beklentilerin maksimuma çıktığı bir zirve noktası vardır. Artık “Next Big Thing” bulunmuştur. Reklamını yapmak için en güzel zaman!

Trough of Disillusionment (Hayal Kırıklığı Çukuru): Negatif yönde eleştiriler başlar. Ortaya çıkarılabilen ürünler normal olarak şişirilmiş beklentilerin bir çoğunu karşılayamaz, teknolojiye karşı ilgi düşer, yatırımlar geri çekilir, pek çok teknoloji üreticisi bu süreçte başarısız olur. Teknolojiden beklentiler neredeyse teknolojinin tetiklendiği ilk zamanlardaki seviyelere kadar geriler.

Slope of Enlightenment (Aydınlanma Yokuşu): Şişirilmiş beklentilerden gerçekliğe dönüş sürecidir. Teknolojiden sağlanabilecek fayda somutlaşmaya başlar, “Next Big Thing” algısından dönülerek ayaklar yere basar hale gelir. İkinci ve üçüncü nesil ürünler üretilmeye başlanır, uygulanabilir çözümler sayesinde daha geniş bir kitle tarafından anlaşılmaya başlanır. Best Practice‘lerin üretilmeye başlandığı dönemdir. Beklentiler yeniden yükselmeye başlar, ancak ivme, asla ilk dönemki hype’a giden yoldaki kadar yüksek değildir. Yatırımlar artar, temkinli şirketler halen beklemeye devam eder.

Plateau of Productivity (Verimlilik Platosu): Teknolojinin geniş kitleler tarafından benimsendiği, pazarda işe yarayan uygulamaların görüldüğü ve teknolojinin verimli bir şekilde kullanıldığı dönemdir. Ticari olarak fayda sağlayan uygulamalar sayesinde farklı sektörlerden pek çok kurum tarafından kabul edilir ve yatırım yapılır hale gelir. Artık potansiyel fırsatlar değil, örnek müşteri uygulamaları ve Best Practice‘ler konuşulur. Yeni teknoloji ile birlikte gelişen sözcükler günlük konuşma diline yerleşir (Googling, blogging vb)

Gartner, her yıl Hype Cycle çalışması kapsamında 90 civarında farklı kategori için teknolojik olgunluk ve gelecek potansiyeli değerlendirmesi yapıyor. Yapay zeka için son paylaşılan grafik aşağıdaki gibi.

Üniversiteden mezun olduğum 2000’li yılların başında bile gündemde olan, üzerine tez çalışmaları yapılan Speech Recognition verimlilik platosuna ulaşmış. Speech recognition (yani konuşma tanıma) teknolojilerini, günlük hayatta pek çok uygulamada (Akıllı telefonlarda sesle text mesaj yazma veya IVR aramalarında sesle komut verme gibi) artık görebiliyoruz.

Gartner’a göre günümüzün diğer meşhur yapay zeka konuları henüz hayal kırıklığı çukuruna ulaşma yolunda. Beklediğimizi bir türlü bulamadığımız, faydalanmakta zorlandığımız günümüzün meşhur teknolojisi Chatbot‘lar şu an beklentilerin zirvesinde örneğin. Otonom araçları minimum bir 10 sene daha bekleyeceğiz. Robotic Process Automation (RPA) yazılımlarının verimlilik platosuna girmesine 2 seneden az kalmış, ancak beklentileri düşürmeye devam edeceğiz.

Hype Cycle’ları daha detaylı yorumlamak, yatırım risk profiline göre teknolojiye en uygun giriş aşamasının neresi olduğuna dair detaylı Gartner yorumlarını okumak ve teknoloji yatırım stratejisi konusunda fikir almak için Understanding Gartner’s Hype Cycles çalışmasını okumanızı tavsiye ederim.

Umut İşcan

Geçen sene bu zamanlar yazdığım 2019 Magic Quadrant yazımda, bu değerlendirmeye hangi şirketler hangi kriterleri sağladıkları için girebiliyor, şirketlerin hangi ürünleri bu çalışma kapsamında değerlendiriliyor, seçim ve değerlendirme süreci nasıl işliyor ve şirketlerin magic quadrant üzerindeki konumları nasıl okunmalı gibi konuları detaylı bir şekilde anlatmaya çalışmıştım. Gartner Magic Quadrant konseptine yeniyseniz veya bu detaylarla ilgili kafanızda soru işaretleri varsa geçen seneki yazıya da bir göz atmanızı tavsiye ederim.

Geçen seneden günümüze sektör öngörüleri nasıl değişmiş?

Gartner geçen seneki raporda özellikle iki konuya ciddi vurgu yapmıştı. Biri Augmented Analytics, diğeri de Natural Language Processing (NLP).

Gartner’ın, Augmented Analytics kavramını veri hazırlama, veri keşfi ve keşiflerin paylaşımı gibi temel süreçlere yapay zeka ve makine öğrenmesi kabiliyetlerinin dahil edilmesi şeklinde tanımladığından bahsetmiştik geçen sene. Augmented analytics konusu yine sektöre dair beklentiler arasında ilk madde, raporun pek çok yerinde bahsi geçiyor.

Natural Language Processing (NLP)‘yi de en yalın haliyle Analytics ve BI araçlarının Google gibi çalışması, yani yazdığımız veya söylediğimiz bir soruyu cevaplayabilecek kabiliyetlere sahip olması şeklinde açıklamıştık. Sektör beklentileri arasında NLP’ye bu sene özel bir madde açılmamış. Pek çok ürünün güçlü ve zayıf yanları sıralanırken NLP yeteneğine değinilmiş ama, geçen seneki “2020 yılı itibariyle sorguların %50’si NLP desteği ile yapılacak” tarzı iddialı söylemler rapordan çıkmış. Açıkçası şu anda piyasada kullanılan ürünlerin NLP yeteneklerine baktığımızda, yakın bir gelecekte bu oranın yakalanmasının zor olduğunu kabul etmek lazım.

Yeni sektör öngörüleri

2022 itibariyle machine learning modeli geliştirme ve skorlama faaliyetlerinin %40‘ının, bu raporda değerlendirilen BI ve Analiytics araçları gibi, asli amacı machine learning olmayan ama machine learning kabiliyetleri de kazanmış olan araçlar üzerinde yapılacağı belirtilmiş.

2025 yılı itibariyle elektronik cihazlar üzerinde on-device analytics özellikleri göreceğimizden bahsedilmiş. On-device analytics, IoT cihazlarından elde edilen verilerin bulk bir şekilde network üzerinden datacenter’lara taşınıp analytics çalışmalarına sokulması yöntemine alternatif olarak, analitik uygulamaların IoT cihazlarının direkt olarak üzerinde çalıştırılarak aksiyon üretilmesini amaçlayan bir yaklaşım. Bu yaklaşımın şu an için önündeki en büyük engel, cihaz performansına ve enerji verimliliğine dair soru işaretleri.

Analytics and Business Intelligence Pazarı

Raporun geleneksel bölümlerinden “Market Definition/Description” kısmında Modern Analytics and Business Intelligence pazarının tarifi geçen yılkinden çok farklı değil. Bu pazardaki araçlar kullanıcıların analitik ihtiyaçlarına, veri hazırlama aşamasından, görsel veri keşfi ve veriye dair görüşlerin paylaşımı sürecine kadar cevap verebilen platformlar olarak tanımlanıyor.

Bu alanda değerlendirilen ürünlerin, bundan böyle yalnızca veri görselleştirme yetenekleri ile fark yaratamayacaklarından bahsedilmiş ve aşağıdaki 2 ihtiyacı karşılamada öne çıkan araçların bu alanda fark yaratacağı belirtilmiş:

• Data Visualization veya Visual Analytics kabiliyetleri dışında, SAP BO gibi geleneksel araçlar ile günümüze kadar karşılana gelmiş geleneksel raporlama ihtiyaçlarına da cevap verebilmeleri
• Augmented analytics kabiliyetleri ile veri hazırlama ve veriyi yorumlama süreçlerine makine desteği kazandırma kabiliyetlerini geliştirmeleri

Magic Quadrant sonuçları

Bu seneki sonuçlara bakıldığında ilk gözüme çarpan gelişmeler şunlar:

• Tableau ve Salesforce‘un birleştirilerek mi gösterileceği bir merak konusuydu. Haziran 2019‘da Salesforce‘un Tableau Software‘i satın alma görüşmeleri yaptığını açıklamasının ardından, Ağustos 2019‘da satın alma süreci tamamlanmıştı. Birleşik Krallık’taki Rekabet ve Piyasalar Komitesi (U.K. Competition and Markets Authority)‘nin sürece dair incelemeleri ancak Kasım 2019‘da tamamlanabildiği için bu zamana kadar her iki şirket bir arada çalışmaya başlayamadı. Bu sebeple Gartner Magic Quadrant’da Tableau ve Salesforce’u ayrı iki oyuncu olarak görmeye devam ediyoruz. Muhtemelen önümüzdeki seneden itibaren Salesforce adıyla görmeye başlayacağız. Önümüzdeki sene Completeness of Vision ekseninin 2 ve 3 numarasının bir araya gelmesinin nasıl bir sonuç doğuracağı ciddi merak konusu benim için.
• Tableau ve Microsoft konum olarak birbirine yaklaşırken, Leaders kutucuğu içerisinde Ability to Execute ekseninde birlikte yükseliş göstermişler. Leaders kategorisindeki diğer iki oyuncu Qlik ve ThoughtSpot ile arayı iyice açmış ve baş başa kalmış görünüyorlar.
• Qlik ve ThoughtSpot geçen sene olduğu gibi Leaders kategorisinin sınırındalar. Completeness of Vision ekseninde bir miktar kan kaybetmişler ve quadrant’ın merkezine doğru yaklaşmışlar.
• 2015 yılında Leaders kategorisindeyken, 2016 yılında quadrant’da yer verilmeyen, 2017 yılından sonra da Niche Players kategorisine sürüklenip orada kalan Oracle, her iki eksende de ciddi bir olumlu hareket yapmış ve Visionaries kategorisine yükselmiş, Leaders kategorisinin kapısına dayanmış gözüküyor. Raporda Oracle Analytics Cloud (OAC) ürünü ön plana çıkarılırken, ürünün Augmented Analytics ve NLP kabiliyetlerine değinilmiş. Kullanıcıların Augmented Analytics kabiliyetleri ile ilgili olumlu geri bildirimlerde bulunduğu, ve NLP tarafında da İngilizce ve Fransızca dışında 8 yeni dil hedefinin Oracle yol haritasında bulunduğu söylenmiş. Augmented Analytics ve NLP kabiliyetleri dışında Slack ve Microsoft Teams gibi uygulamalara başarılı bir şekilde entegre olabildiği söylenmiş.
• Geçen sene IBM Cognos Analytics ile ilgili olumlu söylemleri çok fazla duymuştum. IBM’e Ability to Execute ekseninde ciddi bir yükseliş yaşatsa da, Niche Players kategorisi dışına taşıyamamış. Raporda IBM ile ilgili geçen seneki yoruma benzer bir yorum yine yapılmış, IBM’in bu alanda sektöre yön veren kimliğini kaybettiğine ve sektörü takip eden kimliğiyle hareket ettiğine değinilmiş.
• GoodData geçen sene bu kategoriye ilk kez giriş yapmıştı. Bu sene geldikleri gibi gitmişler. Bu sene giriş yapan oyuncular ise Dundas ve Alibaba Cloud. Kendilerini Niche Players grubunda görüyoruz.

Rapordan Tableau ile İlgili Detaylar

Tableau’nun 2019 yılında güçlü yönleri olarak belirtilen 3 başlık, aynen bu sene de kullanılmış:

Güçlü görsel veri keşfi ve veri manipülasyon kabiliyeti: Geçen seneki açıklamanın aynısını kullanmakta sakınca yok. Tableau’nun kusursuza yakın Visual Analytics kabiliyeti ilk madde olarak vurgulanmış. Tableau, kullanıcılarına sınırsız görsel analiz (visual analytics) imkanı sunmasının yanında, kullanıcıları verinin karakterine göre “best-practice” görsellere yönlendirme konusunda çok başarılı bir ürün olarak gösterilmiş. Veri keşfi yanında, görsel veri manipülasyonu olanakları açısından da üst seviyede kullanım kolaylığı sunduğuna değinilmiş. Gruplama, hiyerarşiler oluşturma, filtreleme, analitik fonksiyonlar ekleme vs gibi temel manipülasyon gereksinimlerinin, herhangi bir kodlama yapmadan, analiz arayüzünden görsel olarak ve oldukça kullanıcı dostu yöntemlerle karşılanabildiği vurgulanmış.

Tableau Hayranları: Tableau kullanıcılarının takım tutarmışçasına sergiledikleri “taraftar” yaklaşımlarına bu sene de vurgu yapılmış. Tableau Conference 2018 yılında 17.000 kişilik rekor katılımla gerçekleştirildi demiştik geçen sene. 2019 yılında 20.000 katılımcı ile yapılmış. Müthiş bir sayı!

Güçlü Momentum : Tercih edilen marka olma durumunun güçlü bir şekilde devam ettiğine, yeni müşteri kazanımlarının sürdüğüne ve mevcut müşterilerdeki büyümenin de devam ettiğine değinilmiş. Ayrıca güçlü gelir artışının da sürdürüldüğünden, ilk 6 ay gelirleri göz önünde bulundurulduğunda 2018’den 2019’a %14‘lük gelir artışı sağlandığından bahsedilmiş.

Aşağıdaki 3 başlık altında da uyarılarda bulunulmuş:

Pazar İhtiyaçlarındaki Değişiklik: Tableau’nun görsel kabiliyetleri ile sektörü domine ettiği ancak pazar ihtiyaçlarının Augmented Analytics tarafına kaymaya başladığı için Tableau’nun gelecek dönem önceliklerini gözden geçirmesi gerektiği belirtilmiş.

Governance: 2019 yılında eklenen Tableau Prep Conductor ve Tableau Catalog gibi governance kabiliyetlerine rağmen, bazı müşteri sorgulamalarında bu alandaki gelişmelerin çok yeterli bulunmadığına dair dönüşler alındığı belirtilmiş.

Maliyet: Tableau için Magic Quadrant değerlendirmelerinde klasikleşmiş bir başlık. Tableau Viewer gibi lisans modelleriyle son kullanıcı gereksiniminin uygun maliyetlerle karşılanabildiği söylenmiş. Ancak Server Management Add-on ve Data Management Add-on gibi ekstra fonksiyonalitelerin eklenmesi durumunda maliyetlerin yükseldiği belirtilmiş.

Rapor metnine linkten ulaşabilirsiniz.

Umut İşcan

İngilizce’de petrol dışında sıvı yağ anlamına da gelen oil kelimesinin sunduğu bu fırsattan faydalanarak, yazının başına bir sıvı yağ fotoğrafı ekleyip bir ironi ile başlamak istedim. Yıllarını veri teknolojileri ve çözümleri alanında harcamış birisi olarak amacım veriyi ve veri teknolojilerindeki gelişmeleri kıymetsizleştirmek değil elbet. Veriyi kalite boyutunda kısaca değerlendireceğim yazının devamında neden bu fotoğrafı tercih ettiğimi açıklayabilmiş olacağım umarım.

Evet, data ve petrol arasında bir takım benzerlikler var. En önemli benzerlik bence şu: Her ikisinin de bir değer üretmesi için kalitesi bir numaralı koşul.

Kalite nedir?

Eminim çoğumuz bu soruya net bir cevap veremedik. Kalite; sürekli dilimizde olan, ama taşıdığı anlam nedir diye sorguladığımızda tam olarak içimize sinen bir tanım getiremediğimiz bir kelime.

Juran’s Quality Control Handbook adlı, toplam kalite yönetimi alanında bir klasik sayılan eserin sahibi Joseph M. Juran kalite sözcüğünü şöyle tanımlıyor: “Fitness for use” yani “kullanıma uygun olma”. 

Yılların hikayesi, “Bizde de petrol var ama çıkarttırmıyorlar!” söyleminin doğrusunun aslında çıkarmaya değecek kalitede petrolün var olmadığı gerçeği olduğunu yıllar içerisinde öğrendik. Şehir efsanelerini bir kenara bırakırsak olay şöyle gerçekleşiyor : Petrol kaynağı tespit ediliyor, rezerv büyüklüğü ve petrol kalitesi ölçülüyor, kuyu içerisindeki petrol beklenen kalite kriterlerine sahip değilse kapatılıyor ve kaliteli petrol aramaya devam ediliyor. Çünkü düşük kalite petrolü çıkarıp, işleyip değerli bir varlığa dönüştürmenin maliyeti, dışarıdan hazır almaktan daha yüksek.

Petrolün kalitesi gravite denen bir değerle ölçülüyor. Petrolün yoğunluğu düşük ise, gravite değeri (yani kalitesi) yüksek oluyor ve düşük yoğunluklu petrolün çıkarma, taşıma ve işleme maliyeti de düşük olduğu için karlılık sağlayabiliyor. Ağır petrol sınıfına giren petrolün ise işleme maliyeti yüksek olduğu için karlılığı düşük. Hatta petrol fiyatlarına bağlı olarak bazen kuyudaki petrolü çıkarmamak bile mantıklı bir seçenek haline geliyor. Finansal konulara merakı olan herkes mutlaka bir dönem denk gelmiştir. Petrol fiyatları ne zaman ciddi bir dalgalanma yaşasa açılan petrol kuyuları veya kapatılan petrol kuyuları haberleri çıkmaya başlar. Çünkü bu iş hepimizin tahmin edebileceği gibi petrolü çıkarmak ve işlemek neye mal oluyor, ben karşılığında ne kazanıyorum hesabı üzerinden dönüyor.

Veri Kalitesi

Veri kalitesi konusu dip detayına inildiğinde bambaşka bir yazı dizisi konusu olur ama kaliteli veri ne demek, veri kalitesi nasıl ölçülüyor bu konulara çok kısa değineceğim.

Juran‘ın kalite tanımından hareketle biz de kaliteli veriyi, kullanıma uygun veri şeklinde tanımlayabiliriz.

Çoğu kurumda veri kalitesi, veri tabloları üzerinde çalıştırılan basit kontrol sorguları ile ölçülmeye çalışılıyor. Veri tablolarında çift kayıt var mı, veri kolonlarında beklenmeyen bir boşluk durumu var mı ve belki tablolar arasında bir takım çapraz kontrol sorguları, hepsi bu…

Petrolün gravite değeri gibi, verinin de kalitesini ifade eden pek çok metrik var halbuki: Consistency (tutarlılık), availability (erişilebilirlik), accuracy (doğruluk), timeliness (güncellik), understandability (anlaşılabilirlik), believability (inandırıcılık), ease of update (güncellenme kolaylığı), value added (katma değerli) gibi.

Görünen o ki, veri kalitesi kavramı bir kaç veri kontrol sorgusu ile üzeri kapatılamayacak kadar kompleks ve hatta bazen teknolojik araçlarla ölçülemeyecek kadar da öznel bir kavram. Veri kalitesi üzerine yazılmış bilimsel makaleler veri kullanıcılarının öznel değerlendirmelerini dikkate almadan sağlıklı bir veri kalitesi ölçümü yapılamayacağını söylüyor (Data Quality Assessment, Leo L. Pipino, Yang W. Lee, and Richard Y. Wang). İnandırıcılık, katma değer, anlaşılabilirlik gibi metrikleri teknik araçlarla ölçmek imkansız, ki bu örnekler günümüzün en büyük veri kalitesi problemleri arasında. MIT’nin bir araştırma raporunda veri kullanıcılarının en çok inandırıcılık ve katma değer kriterlerini önemsediğini okumuştum.

Verimiz kaliteli mi?

Bilmiyoruz, çünkü ölçmüyoruz.

Veri ile uğraşan kişilerin %80 zamanını veriye ulaşma, ne anlama geldiğini anlama, hatalı ve düşük kalite veriden arındırma, şeklen analiz edilebilir yapılara getirme gibi veri hazırlama faaliyetlerine, ancak kalan %20 zamanını veriyi analiz etme ve karar alma faaliyetlerine ayırabildiğini pek çok yerde okuduk (Ki benim pratik hayat gözlemlerime göre %20 çok iyimser bir oran). Sırf bu genel geçer söylem bile verinin kalitesine dair önemli bir gösterge.

KPMG‘nin 2016 Global CEO Outlook raporunda CEO’ların en büyük endişelerinin ne olduğu sorulmuş. CEO’ların %84‘ü karar almakta kullandıkları verinin kalitesinden endişe duyduklarını söylemiş. 2018 raporunda da CEO’ların %51‘i predictive analytics çalışmalarının sonuçlarından endişe ettiklerini, verinin nereden geldiğini bilmek ve gerçekten güvenilir olup olmadığından emin olmak istediklerini söylemiş.

Veri kalitesini ölçenlerin vardıkları sonuçlar da pek iç açıcı değil. Yazının başındaki sıvı yağ tabiri biraz acımasız kaçsa da, pek çok kurumun sahip olduğu verinin “kaliteli petrol” kıvamında olduğunu söylemek güç.

Harvard Business Review‘da veri kalitesi üzerine yazılmış en popüler makalelerden birisi “Şirketlerin verilerinin yalnızca %3’ü temel kalite kriterlerini karşılayabiliyor” diyor. İnanılmaz bir oran!

Makale iki yıl önceye ait bir araştırmayı konu alıyor olsa da, daha dün araştırmanın yeniden güncellendiği ve %3 sonucunun değişmediği belirtildi.

Doğuştan kalitesiz veri

Aynı araştırmada varılan sonuçlardan bir diğeri “Yeni yaratılmış verilerin %47’si kritik, yapılan işi etkileyebilecek kalite sorunları ile doğuyor”. Yani neredeyse yarısı!

Çünkü verinin kıymetli bir varlık olduğunu dile getirmek için kullanılan “Data is an asset” sözündeki niyet ile, kurumlardaki pratik arasında halen ciddi bir fark var. Verinin doğuşuna vesile olan kişilerle sistemlerin performansı ve yarattığı katma değer halen ürünü ne kadar kısa zamanda piyasaya sürdüğü, bir işlemi kaç milisaniyede tamamladığı gibi kriterler ile değerlendirilmekte maalesef. Ürettiği verinin kalitesi ile değerlendirileni ise şimdiye kadar pek az gördük.

Verinin petrolden kalite anlamında farkı şurada:

Kaliteli petrolün oluşmasına katkımız olamıyor ama kendi ürettiğimiz varlığımız olan verinin kalitesini zaman içerisinde artırmak bizim elimizde.

Veri kalitesi ölçme ve değerlendirme sürecine bakışımızı da arayı fazla açmadan en kısa zamanda paylaşmayı ümit ediyorum.

Umut İşcan

Kitap, adından da anlaşılacağı gibi Finlandiya eğitim modeli üzerine yazılmış. “Eğitim meselesini çözmek için Finlandiya ne yapmış, diğer ülkeler neyi yapamadığı için Finlandiya ve benzeri ülkeler seviyesine bir türlü gelememiş?” sorusuna cevap bulmak üzerine ortaya konmuş tespit, analiz ve öneriler içeren bir kitap. Girişte belirttiğim gibi benim en çok ilgimi çeken kısımlar Finlandiya’nın bu eğitim yapılanması süresince inovasyon, büyük veri ve insan kaynağı meselelerine bakış açıları oldu. Eğitim alanı dışında da, inovasyon ve büyük veri gibi kavramlarla bu günlerde oldukça meşgul olan tüm sektörler için çıkarılacak dersler içeriyor.

Pasi Sahlberg Kimdir?

Pasi Sahlberg, Finlandiya eğitim sistemini dünyaya tanıtan insan olarak biliniyor. Helsinki’de bir öğretmen lisesinde başlayan kariyerine Helsinki Üniversitesi, Dünya Bankası, OECD, Avrupa Komisyonu, Avrupa Eğitim Vakfı gibi kurumlarda devam etmiş. Eğitimde değişim, liderlik, okul gelişimi gibi konularda dünyanın çeşitli ülkelerinde konferanslar veren; Columbia, Vanderbilt, Stanford, Harvard, King’s College London, Melbourne, Toronto, New South Wales Üniversitelerinde öğretim üyesi olarak görevler alan Sahlberg, dünyanın çeşitli ülkelerinde eğitim bakanlıklarına ve hükümetlere danışmanlık yapmaya ve uluslararası kuruluşlarda uzman olarak görev almaya devam ediyor.

İnovasyon yerine daha iyi uygulama

Akla gelen ilk soru şu: İnovasyon şart mı? Finlandiya, eğitim sistemini oluştururken başkasının bilmediği inovatif bir yöntem, model veya araç mı keşfetti?

Sahlberg, güncel bir çok problemin çözümsüz kalmasının, yeni inovatif yöntemlere ihtiyaç duyulmasından değil, zamanında geliştirilmiş inovatif yöntemlerin uygulanmamasından kaynaklandığını söylüyor.

Sahlberg, Finlandiya’da okullarda kullanılan kuramlar, modeller, fikirler ve araçların çoğunun inovatif bir hareket sonucu yeni keşfedilen şeyler olmadığını belirtirken, eksikliğini görüp daha iyi yapmaya çalıştıkları tek bir şeye işaret ediyor : İyi uygulama.

Yani Amerika’yı yeniden keşfetmek ya da alternatif bulmak yerine, çoğunlukla Amerikalıların ortaya koyduğu ancak uygulamada başarısız oldukları kuramlar, modeller, fikirler ve araçları, yalnızca iyi uygulayarak başarıya ulaştıklarını söylüyor.

Sahlberg, ABD’de bir konferansta eski New York valisi ve ünlü siyasetçi George Pataki ile tanışma hikayesini de anlatmış. Pataki, Sahlberg’e yakaladıkları başarının sırrını sorduğunda kafasını karıştıracak ve keyfini kaçıracak bir cevap alıyor : “Kendi inovasyon çabalarımız ve geliştirdiğimiz modeller yerine, Amerikalıların sahip olduğu birikim ve deneyimleri yalnızca uygulamaya koyduk”.

Başarıya giden yolu ortaya çıkaran temel yaklaşımı da şöyle özetliyor:

İnovasyon yoluyla reform yerine daha iyi uygulama yoluyla gelişme.

İstatistikleri değil küçük veriyi kılavuz edinme

Sahlberg, günümüzün gözde konularından birisi olan büyük veri çalışmalarına ve yatırımlarına da eleştiriler getirmiş. Eğitim alanında devrim hedefleyen ülkelere yaptığı ziyaretlerde çoğunlukla devasa veriler, şemalar, tablolar ve grafiklere bakılarak sorunun anlaşılmaya çalışılmasına, “Filanca öğrencinin en verimli olduğu ders saati nedir?” sorusuna bu yöntemle cevap aranmasına şaşırdığını söylüyor. Büyük verinin neden-sonuç ilişkisini önümüze koyamayacağını, en iyi ihtimalle değişkenler arasındaki korelasyonları ortaya çıkarabileceğini hatırlatıyor. Tıpkı üniversitelerin istatistiğe giriş derslerinde de anlatıldığı gibi, korelasyon ile neden-sonuç ilişkisinin aynı şey olmadığını özellikle tekrar hatırlatma gereği hissetmiş.

OECD tarafından düzenli aralıklarla tekrarlanan PISA araştırma sonuçları ülkemizde de sık sık gündeme geliyor. 3 yılda bir tekrarlanan araştırma sonuçlarına göre Türkiye’nin sıralamadaki pozisyonu üzerinden eğitim sistemi eleştirilerine tanık olmuştuk. Sahlberg için bu araştırma, eğitim alanındaki büyük veri analizi yaklaşımının en somut örneği. Bir çok ülke her PISA araştırmasından sonra, çıkan sonuçlar üzerinden ciddi aksiyonlar alıyorken, bir sonraki PISA araştırmasında yeri neredeyse hiç değişmiyor hatta daha da kötüye gidenler var.

Salt büyük veri analizleri ile çözülmeye çalışılan pek çok problemin, neden bir türlü ortadan kaldırılamadığını açıklarken küçük veri kavramından bahsediyor. TIME dergisinin “Dünyanın en etkili 100 insanı” listesine girmiş; tüketim, pazarlama, marka yönetimi ve nöro-bilimsel araştırma alanlarında dünya çapında bir uzman olan Martin Lindstrom büyük eğilimleri ortaya çıkaran, insani ilişkiler ve hikayelere dair küçük ipuçlarını küçük veri olarak adlandırıyor.

Büyük veri aleminde anlamaya çalıştığımız meselelere dair öncelikle başka bilgilere ihtiyacımız olduğu görüşünden ortaya çıkan küçük veri, hali hazırda pek çok alanda kullanılıyor. Mesela pazar payı kaygısı olan ve yeni pazarlama stratejileri yaratmak ve insan davranışını daha iyi kavramak isteyen pek çok şirket “küçük veri” den faydalanıyor.

Bazı ABD’li gözlemciler, Obama’nın küçük veri sayesinde başkanlık seçimlerini kazandığını, Hillary Clinton’un ise 2016 seçimlerinde büyük veriye gereğinden fazla bel bağlayıp küçük veriyi gözardı etmesinin sonucunda seçimi kaybettiğini öne sürüyormuş.

Martin Lindstorm, Small Data: Devasa Trendleri Açığa Çıkaran Küçük İpuçları adlı kitabının bir bölümünde IKEA’nın kurucusu Ingvar Kamprad ile nasıl tanıştığını anlatıyor. Küresel mobilya devinin patronu ile görüşmek üzere, IKEA’nın merkez ofisine giden Lindstorm koskoca patronu mağazada bir kasanın başında müşterilerle ilgilenirken bulur. Bir makinenin veya sıradan bir çalışanın da yapabileceği bu işi, uğraştığı onca mesele arasında neden kendisinin yaptığını öğrenmek ister. Kamprad, bir çok profesyonelin ve verinin arasında müşterilerin davranışlarını, belirli ürünleri neden tercih ettiğini, neden başka bir mağaza değil de IKEA’ya geldiklerini anlamanın en iyi yolunun yaptığı bu gerçek hayata dair gözlemler olduğunu söyler.

Sahlberg, büyük veri – küçük veri hikayesini şu sözle bitiriyor : “Eğitimi sürekli daha iyiye taşıyabilmek için büyük ve küçük veriyi bir arada kullanmak gerekiyor. Bu hayatın pek çok alanı için geçerli. Kesin olan bir şey varsa o da şu : Eğer küçük veri ile yönetemezseniz, büyük veri ve sahte korelasyonlar tarafından yönetilirsiniz.”

Finlandiya’da öğretmenler akademik olarak en başarılılar arasından mı seçiliyor?

Finlandiyalıların öğretmen adaylarını akademik açıdan en başarılı öğrenciler arasından seçtiği için eğitim alanında bu denli başarılı olduklarına dair bir şehir efsanesi var. Bu doğru değil. Sistem akademik başarıya sahip adayları tespit etmek üzerine değil, “doğru” adayı tespit etmek üzerine kurulu. Öğretmen adaylarında asıl aradıkları kriterler takım çalışması, işe karşı tutku, meslek aşkı, iletişim becerisi gibi akademik notlarla ölçümlenemeyen özellikler.

Kitapta paylaşılan veriler ışığında, Helsinki Üniversitesi’nin ilkokul öğretmenliği bölümüne kabul edilen kişilerin akademik geçmişlerine bakıldığında bir çan eğrisi görüntüsü ile karşılaşılıyor. Yani çok büyük çoğunluk, akademik başarı açısından ortalama seviyedeler. Çok başarılı veya az başarılı kişilerin sayısı ise azınlıkta.

Direkt sonuçlara girmeden önce, Analytics and Business Intelligence Platforms başlığı altında kimler değerlendiriliyor, bu başlık altında yer bulabilmek için ürünlerin hangi temel özellikleri taşıması gerekiyor, Gartner sektördeki ürünleri nasıl ayrıştırıyor da yalnızca 21 adet teknoloji şirketi bu çalışmada kendisine yer bulabiliyor bunlara da öncesinde değinmek istiyorum.

2020 Yılına Dair Öngörüler : “Augmented Analytics” ve “Natural Language Processing” devrimi

Gartner bu seneki raporuna 2020 yılı ve sonrasına dair, oldukça iddialı bir takım öngörülerle başlamış. Çok uzun değil, bir sene sonra aşağıdaki senaryoların somut bir şekilde hayatımıza gireceğini söylüyor:

• 2020 yılından itibaren Augmented Analytics kabiliyeti BI & Analytics araçlarının seçiminde çok önemli bir karar kriteri olacak. Gartner, augmented analytics kavramını veri hazırlama (data prep), veri keşfi (discovery) ve keşiflerin paylaşımı (sharing) gibi temel süreçlere makine öğrenmesi (machine learning) kabiliyetlerinin dahil edilmesi şeklinde tanımlıyor. Ve bu durumun BI & Analytics piyasasında yeni bir devrim olduğunu, piyasadaki oyuncular için kartların yeniden karılması anlamına geleceğini söylüyor. Son bir kaç senedir augmented analytics kabiliyetlerinin, sektörün büyük oyuncuları tarafından sürekli desteklendiğini ve geliştirildiğini gözlemliyorduk. Gartner’ın öngörüsüne göre, bu durum önümüzdeki sene içerisinde hızlanarak devam edecek.
• 2020 yılından itibaren analitik sorguların %50‘si Natural Language Processing (NLP) desteği ile yapılacak. Vay be dedirtiyor insana! Yani BI & Analytics araçları Google gibi çalışacak ve yazdığımız veya söylediğimiz bir soruyu cevaplayabilecek kabiliyetlere sahip olacak. “Geçen ay en çok ciro elde ettiğim bölge hangisi?” sorusunu cevaplamak için kullanıcılar oradan oraya bir şeyler sürükleyip sonuç elde etmeye çalışmak yerine, sorularını sesli veya yazılı komutlarla bu araçlara iletebilecekler. (Tabii İngilizce dışındaki lokal dil seçenekleri için biraz zamana ihtiyaç olacaktır)
• Yukarıdaki iki maddede bahsedilen teknolojik gelişmeler ciddi bir kullanım kolaylığı getirecek. Geçmişte çoğunlukla IT tarafında yer aldıklarını gördüğümüz veri işçilerine iş kullanıcıları da hızlı bir şekilde eklenecek. Hatta iş kullanıcıları tarafında bu işi yapan personel sayısı, IT tarafındaki personelin 3 katına çıkacak. Bu yüzden kurumların organizasyonel yapıları ve çalışan yetkinliklerini yeniden ciddi biçimde ele alması tavsiye ediliyor. Son gelişmeler “Haydi bir kaç dashboard yaptıralım”ın ötesinde imkan ve kabiliyetler getiriyor çünkü.
• 2021 yılından itibaren, analitik araçlara natural language processing kabiliyetlerinin gelmesiyle birlikte, kullanıcılar araçlara sohbet eder gibi sorular sorup cevaplar alabilecekler. Bu durum BI & Analytics araçlarını kullanan çalışan oranını %35 ila %50 seviyelerine kadar taşıyacak.

Modern BI & Analytics dünyası

Gartner raporunda gördüğümüz teknoloji şirketlerinin, analiz veya raporlamaya dair sunduğu tüm ürünlerinin bu değerlendirme kapsamında yer almadığını özellikle belirtmek gerek. Gartner sektörün geleneksel ürünleri ile, yeni nesil platformları net bir şekilde ayırarak 2 farklı başlık altında grupluyor artık:

1. Traditional Enterprise Reporting Platforms
2. Analytics and Business Intelligence Platforms

Üzerine konuştuğumuz Gartner raporu 2. başlık altında toplanan Analytics and Business Intelligence Platforms kategorisindeki ürünlere dair yorum ve değerlendirmeleri içermekte. Örneğin SAP Business Objects artık geleneksel araçlar sınıfında değerlendirildiği için, bu raporda değerlendirmeye alınmıyor. SAP’nin hangi ürünlerini konuşuyoruz o zaman derseniz: SAP Lumira, SAP Analytics Cloud, SAP Roambi gibi ürünleri sayabiliriz.

Bu arada teknoloji uzmanları ve ürün kullanıcılarının, Gartner tarafından sınıflandırılmış 340’ın üzerinde ürün grubunu değerlendirdikleri ve ürünleri puanladıkları PeerInsights portaline bakarak; Traditional Enterprise Reporting Platforms ve Analytics and Business Intelligence Platforms kategorilerine hangi şirketlerin hangi ürünlerinin dahil edildiğini de görebilirsiniz.

“Modern” ve “Geleneksel” ayrımına sebep olan temel kriterler neler?

Yeni nesil ürünleri, geleneksel ürünlerden ayıran en önemli özellikleri şöyle sıralayabiliriz:

• IT tarafından hazırlanmış, sınırları belli semantik veri modelleri veya OLAP küpü tarzı çözümleri reddetmeleri. Bunun yerine kullanıcıların Agility ve Self-Service ihtiyaçlarını karşılayan, daha özgür bir veri erişim platformu sunuyor olmaları.
• Kendi içlerinde barındırdıkları Self-Servis veri hazırlama, transformasyon ve veri modelleme kabiliyetleri sayesinde, Data Lake tarzı veri yapıları üzerinde başarıyla çalışabilmeleri
• Daha az IT uzmanlığı ve desteği gerektiriyor olmaları. Veri hazırlığından, veri keşif sonuçlarının paylaşılması deneyimine kadar, kullanıcıların tüm süreci kolayca öğrenebilecekleri ve yönetebilecekleri kullanıcı dostu araçlar olmaları
• Yalnızca veri tabanlarına sorgu gönderen arayüzler olmanın ötesinde, yüksek performans ve hızlı analiz deneyimi yaşatmak amacıyla kendi içerisinde in-memory çözümler barındırıyor olmaları

Gartner Magic Quadrant değerlendirmesine kimler girebiliyor?

Bu sene quadrant’da 21 teknoloji şirketi yer aldı. Zaman zaman bir önceki sene quadrant’da değerlendirmeye alınan şirketlerin bir sonraki sene çıkarıldığını, veya yeni şirketlerin zaman zaman değerlendirmeye dahil ediliğini görüyoruz.

Gartner seçim aşamasında oldukça detaylı bir çalışma yapıyor ve birden çok kriterin sağlanmasını bekliyor. Az sonra sıralayacağımız seçim kriterlerine bakıldığında bu çalışma içerisinde var olmak gerçekten oldukça güç. Bir çoğunun adını günlük hayatta pek fazla duymasak da, bu listede var olan şirketlerin tamamı sektörün büyük oyuncuları.

Şimdi gelelim seçim kriterlerine:

• Öncelikle Gartner’ın Analytics and Business Intelligence Platforms başlığı altında tanımladığı, bizim de az önce bahsettiğimiz teknik kabiliyetlerin ve vizyonun var olup olmadığına bakılıyor. Bunlar ilk seçim kriteri ve örneğin ürünün bir semantik veri modeli tasarımına ihtiyaç duyuyor olması bile tek başına değerlendirme dışı kalması için yeterli bir sebep.
• Bir diğer kriter ciro. Ürünün piyasadan talep görüyor ve satılıyor olması önemli. Bu listede yeni icat edilmiş bir start-up ürünün bu yüzden var olması mümkün değil. “Yıllık 25 Milyon USD ciro” veya “15 Milyon USD ciro artı bir sene öncesine göre %50 ciro artışı” gibi küçük oyuncuların değerlendirme dışı kalmasına sebep olan kriterler söz konusu.
• Şirketlerin sektörde ne kadar boy gösterdiği de dikkate alınan bir diğer kriter. Yani ürünlerinin internette ne kadar arandığı, sosyal medya görünürlüğü, ürünle ilgili iş ilanı sayısı gibi piyasa trendleri değerlendirmeye dahil ediliyor.
• Tüm bu kriterlerden geçen şirketlerin, değerlendirmeye konu olan ürünleri ile ilgili doneleri de Gartner’a sağlıyor olması gerekiyor. Şirketlere ürün fonksiyonlarına dair gönderilen RFP tarzı soru formlarını cevaplayıp göndermeleri, beklenen ürün fonksiyonlarına dair demo videolarının paylaşılması, teknik uzmanların ürüne erişip deneyebilmeleri için gerekli ortamların sağlanması gibi teknoloji şirketlerinin de zaman ve emek harcaması gereken bir süreç söz konusu.
• Ürünün kullanım alanları ve dünya üzerindeki farklı coğrafyalara yayılabilmiş olması da önemli bir değerlendirme kriteri. Tüm şirketlerin ürünlerinin farklı farklı alanlarda ve dünya üzerinde farklı coğrafyalarda aktif olarak kullanılır durumda olduğunu ispatlamaları gerekiyor.

2019 Magic Quadrant nasıl okunmalı?

Magic Quadrant görüntüsünü nasıl yorumlamalıyız, kısaca buna da değinelim. Gartner her bir adayı Completeness of Vision ve Ability to Execute kategorilerinde puanlıyor. X ekseni Completeness of Vision, Y ekseni de Ability to Execute kategorisinde alınan skoru gösteriyor. Örneğin her iki alanda yüksek puan alan ürünler sağ üst köşede konumlanırken, bunlar Leaders grubu olarak nitelendiriliyorlar. Yukarıdaki diyagramdan görüldüğü üzere, diyagram üzerindeki pozisyonuna göre Niche Players, Visionaries, Challengers ve Leaders adı verilen 4 grup ortaya çıkıyor.

Ability to Execute kriteri altında, şirketin ürün vizyonunu somut olarak hayata geçirebilme ve ürünü almaya hazır potansiyel müşteriler yaratabilme kabiliyeti değerlendiriliyor. Bunun yanında kazanılan müşterilere yaşatılan uçtan uca müşteri deneyimi (satış süreci, satış sonrası destek, ürün kalitesi, upgrade ve migration deneyimi vs) de bir diğer değerlendirme alanı. Özetle potansiyel müşterilere “Bu ürün alınır” dedirtme, ürünü kullanan müşterilere de “Ben bu üründen memnunum” dedirtebilme kabiliyeti…

Completeness of Vision kriteri altında, kullanıcı ihtiyacını anlama, ürünün şu anda sahip olduğu ve ileride ürüne eklenmesi planlanan kabiliyetleri sayesinde sektördeki yeni trendlere ve kullanıcı gereksinimlerine cevap verebilme kabiliyeti ve potansiyeli ölçülüyor.

2019 Sonuçları

Yukarıdaki diyagram 2019 sonuçlarını göstermekte. Biz 2019 sonuçlarına mor renk ile belirtilmiş kısımları da ekleyerek, Leaders kategorisinde yer alan şirketler (Microsoft, Tableau, Qlik, ThoughtSpot) ile, megavendor kategorisinde sınıflandırılan büyük teknoloji şirketlerinin (Oracle, IBM, MicroStrategy, SAS, SAP) 2018 pozisyonunun nasıl değiştiğinin daha net görülebilmesini sağladık.

2019 sonuçlarında görülen değişikliklerle ilgili satır başları şöyle:

• Microsoft, Tableau ve MicroStrategy bir önceki seneye göre pozisyonunu neredeyse korumuş.
• Geçen sene 20 teknoloji şirketinden oluşan listeye bu sene GoodData da Niche Players grubundan girmeyi başarmış.
• Olumlu yönde grubu değişen tek şirket ThoughtSpot olmuş. 2015 yılından sonra ilk defa Microsoft, Tableau ve Qlik dışında bir dördüncü şirketi Leaders kutucuğu içerisinde görüyoruz. Raporda şirketin güçlü yanları arasında yakaladığı güçlü momentumdan da bahsedilmiş ki, ilerleyen yıllarda da Leaders kategorisinde görmeye devam edebileceğimiz sinyalini veriyor bu durum. Güçlü momentum konusu ThoughtSpot dışında Looker ve Tableau için de olumlu birer gösterge olarak değerlendirilmiş.
• Olumsuz yönde grubu değişen tek şirket de IBM olmuş. Geleneksel analitik araçlar konusunda zamanın büyük oyuncularından biri olan IBM‘in de Oracle‘ın ardından Niche Players grubuna sürüklendiğini görüyoruz (IBM geçen sene Visionaries grubundaydı). Bu arada hem IBM, hem de Oracle’ın çok değil 4 sene önce Leaders grubunda yer aldığını hatırlatmadan edemeyeceğim. Raporda IBM’in düşmeye devam eden momentumundan ve bu alandaki inovatif kimliğini yitirdiğinden bahsedilmiş.

Tableau ile ilgili yorumlar

Tableau’nun bulunduğu pozisyonda, geçen sene ile karşılaştırıldığında çok ciddi bir değişiklik olmadığı görülüyor. “Completeness of vision” tarafında küçük bir pozitif harekete karşılık, “Ability to execute” tarafında küçük bir negatif hareket görülüyor.

Gartner raporunda, Tableau’nun sektördeki diğer ürünlerin yanında güçlü kalmasını sağlayan özelliklerine şu şekilde değinilmiş:

Görsel veri keşfi ve veri manipülasyon kabiliyeti: Tableau’nun kusursuza yakın Visual Analytics kabiliyeti ilk madde olarak vurgulanmış. Tableau, kullanıcılarına sınırsız görsel analiz (visual analytics) imkanı sunmasının yanında, kullanıcıları verinin karakterine göre “best-practice” görsellere yönlendirme konusunda çok başarılı bir ürün olarak gösterilmiş. Veri keşfi yanında, görsel veri manipülasyonu olanakları açısından da üst seviyede kullanım kolaylığı sunduğuna değinilmiş. Gruplama, hiyerarşiler oluşturma, filtreleme, analitik fonksiyonlar ekleme vs gibi temel manipülasyon gereksinimlerinin, herhangi bir kodlama yapmadan, analiz arayüzünden görsel olarak ve oldukça kullanıcı dostu yöntemlerle karşılanabildiği vurgulanmış.

Tableau Hayranları: Tableau, kullanıcıyı ürün kullanımına teşvik etme amacıyla sunduğu online eğitim içerikleri, community ortamı, düzenlediği rutin kullanıcı buluşmaları ile sektördeki standartları koyan şirket olarak tanımlanmış. Raporda “Tableau fans” olarak tanımlanmış; Türkçeye çevirdiğimizde “Tableau hayranı”, “Tableau taraftarı” hatta “Tableau hastası” olarak tanımlayabileceğimiz bir kitlenin varlığına ciddi bir vurgu yapılmış ve 2018 Tableau Konferansındaki 17.000 kişilik rekor kullanıcı katılımına değinilmiş.

Güçlü Momentum: Üçüncü güçlü yan olarak da Tableau’nun arkasındaki güçlü momentumdan bahsedilmiş. 2018 yılında Perpetual lisanslama (lisans + yıllık bakım) yerine sunulan ve yaygınlaştırılan Subscription lisanslama (kiralama) modeline rağmen, 2018 yılı cirosunda çok ciddi bir artış kaydetmiş olması, yalnızca 2018 yılında kazandığı 15.000 adedin üzerinde yeni müşteri ve halen bir çok potansiyel müşterinin ürün seçimi konusunda Tableau’yu güçlü bir aday olarak görmesinin sonucu olarak Tableau’nun momentumunun güçlü kalmaya devam ettiği belirtilmiş.

Finansal göstergeler dışında Tableau Foundation (Tableau Vakfı) çalışmalarının ve Data For Good hareketinin Tableau’nun momentumunu güçlendirdiğine değinilmiş. (Tableau, 2018 Ekim ayında Tableau Foundation için 2025 yılına kadar 100 Milyon USD’lik finansman sağlamayı taahhüt ettiğini açıklamıştı)

2018 senesi için olumsuz olarak yorumlanabilecek tarafları da şöyle belirtilmiş :

Support Eleştirisi : Müşterilerden toplanan geri bildirimlerde, Tableau’nun 2018 yılında gösterdiği support performansına dair eleştiriler bulunduğu belirtilmiş. Tableau geçtiğimiz sene Data Engine değişikliğine gitmiş ve Hyper’ı kullanıma sunmuştu. Şimdiye kadar büyük versiyon geçişlerini kullanıcıya hissettirmeyen Tableau’nun aynı performansı Hyper geçişinde tam olarak sergileyemediğinden bahsedilmiş. Ability to Execute eksenindeki minik negatif oynamanın sebeplerinden bir tanesi bu olabilir.

Maliyet : Geçen seneki subsription model lansmanı ve kullanıcı profiline göre sunulan lisans paketlerine rağmen bu konudaki eleştiriler devam ediyor. Tableau müşterilerinin %35‘i, daha büyük kullanım sayılarına ulaşma konusunda maliyet kriterinin bir sorun olduğunu söylemişler. Tableau, yalnızca lisans maliyeti tarafından değil, toplam sahip olma maliyeti (Total Cost of Ownership – TCO) bakış açısıyla bakıldığında pahalı bir ürün olmadığını; tam tersine lisans maliyeti çok daha düşük gözüken araçların kendisinden çok daha yüksek sahip olma maliyetleri doğurduğunu söylüyor yıllardır. Toplam sahip olma maliyeti başlığı altında; lisans maliyetlerine ek olarak eğitim ihtiyacı, bakım ve yönetim giderleri, ürünü işletmek için ihtiyaç duyulan çalışanlara ödenen maaşlar, ürün üzerindeki proje geliştirme süresine ait maliyetler de dikkate alınarak bir hesaplama yapılıyor. Tableau tarafından geçtiğimiz yıllarda duyurulan, Uluslararası IT Ekonomisi Enstitüsü‘nün yayımladığı Total Cost of Ownership raporu sonuçları dahi piyasadaki bu pahalılık algısını tam olarak yıkamamış gözüküyor.

Üründe geliştirilmesi gereken özellikler : Rapor çıktılarının Qlik’in NPrinting özelliğine benzer bir şekilde PDF formatında dağıtılabilmesi gerekliliğinin sektörde bir talep olduğu vurgulanmış ve kısa vadeli road-map’te bu konunun gündemde olduğu belirtilmiş.

Multiple Fact veri modellerinin tek bir data source içerisinde kullanılamadığına dair eleştiri yine var. Bu yorum sürekli geliyor ve ben bunun varlığını anlamakta hep güçlük çekiyorum açıkçası. Herhangi bir development veya model değişikliğine ihtiyaç olmadan farklı data source’ları ortak dimensionlar üzerinden blend ederek kullanmak bir veri modelleme standardı ve bu imkanı Tableau başarılı bir şekilde kullanıcıya sunabiliyor. Birden fazla fact tablo içeren kompleks veri modelleri oluşturma ihtiyacının, geleneksel araçlardaki semantik model tasarımını reddeden yaklaşımla çeliştiğini düşünüyorum.

Biraz uzun, ama umarım faydalı olmuştur.

Umut İşcan

Tableau’nun Desktop ve Server ürünleri için iki farklı sertifikasyon tipi var. Sertifikasyon süreci ile ilgili detayları şu linkten elde edebilirsiniz : https://www.tableau.com/support/certification

Sınava Loyalist Exam Services web sitesi üzerinden online katılınıyor. Aynı web sitesi üzerinden sınav ücretini ödedikten sonra, kendiniz için uygun bir gün ve saate sınav randevusu almanız bekleniyor.

Nasıl hazırlandım?

Açıkçası sınava hazırlanma anlamında özel bir çalışma veya hazırlık sürecim olmadı. Özellikle son 6 aylık süre zarfında, çoğunlukla boş vakitlerimde bir hobi aktivitesi olarak yaptığım ve sınav sorularını cevaplayabilmeme imkan sağlayan çalışmalarımı şöyle sıralayabilirim :

• Tableau web sitesinden paylaşılmış ve boş vakit buldukça ara ara izlediğim eğitim videoları (https://www.tableau.com/learn)
• Tableau Public’te paylaşılmış tasarımları incelerken edindiğim bilgiler (https://public.tableau.com/)
• Deneme yanılma yöntemiyle Tableau Desktop üzerinde yaptığım analiz ve görsel oluşturma çalışmaları
• Tableau Help portali üzerinden Tableau Desktop kullanımı ile ilgili paylaşılmış bilgiler (https://www.tableau.com/support/help)
• 150.000 aktif Tableau fanatiğinin katkı sağladığı Tableau Community forumundaki kullanıcı paylaşımları, tartışmalar (https://community.tableau.com/)
• Tableau Software‘in Linkedin hesabından paylaşılan duyuru, makale ve kullanıcı deneyimleri

Sınav ortamı

Sınav ortamıyla ilgili en büyük soru işareti nereye bağlanacağım, nereye tıklayacağım, sınava nasıl başlayacağım gibi detaylardı. Caligo’daki Tableau gurumuz Mehmet James Bayburt‘un Tableau Desktop ve Server sınavlarına girmiş ve sertifikalarını çok daha önce almış olmasının çok faydası oldu. Sınav günü tecrübesiyle ilgili kendisinden ve bloğunda paylaştığı bilgilerden oldukça faydalandım : http://www.djames.net/BIBlog_Entries/My-Tableau-Desktop-Associate-Certificate-Exam-Experience 

Özetle sınav randevusu bilgilendirme mailinde gelen adımları takip ederek bir sanal makineye bağlanıyorsunuz. Karşıda sizi kameradan takip eden bir gözetmen var ve kendisi ile İngilizce konuşarak veya chat ekranından yazışarak anlaşıyorsunuz. Gözetmen kameradan fotoğraflı bir kimlik göstermenizi, bulunduğunuz ortamın sınava uygun olduğunu teyit için kamerayı 360 derece çevirerek kendisine sınav ortamını göstermenizi istedikten sonra bağlantı gereksinimlerini (internetinizin download ve upload hızı, latency durumu vb) test edip sınavı başlatıyor.

Minimum 4 Mb/sec download hızı, 2 Mb/sec upload hızı tavsiye ediyorlar. Testlerde değerler daha düşük çıkarsa sınava bu şartlar altında devam etmek istediğinizi belirten ifadeyi chat ekranına yazmanızı istiyor. Bende download hızı 10 Mb/sec iken, upload hızı 1.6 Mb/sec idi ve tavsiye edilenden daha düşük seviyedeydi. Bu şartlar altında devam etmek istediğimi belirttim ve herhangi bir performans sorunu veya aksaklık yaşamadım.

2 saatlik sınav süresi boyunca gözetmen sizi kameradan takip ediyor. Herhangi bir sorunuz olması durumunda kendisiyle mikrofon veya chat ekranı aracılığıyla iletişim kurabiliyorsunuz.

Sınav içeriği

Sınavda bir web portali üzerinden 36 soru soruldu. Soru sayısı her zaman sabit ve sınava her girene bu sayıda soru mu soruluyor bilmiyorum.

Cevapları bulmak için genellikle sanal makine üzerinde açtığınız Tableau Desktop uygulamasını kullanıyor, cevapları yine soruların sorulduğu web portali üzerinde işaretleyip bir sonraki soruya geçiyorsunuz. Sınav esnasında sanal makine ortamından kendi bilgisayar ortamınıza dönmenize izin verilmiyor, sınav ortamından internet çıkışı olduğu için takıldığınız yerlerde internet kaynaklarına başvurabiliyorsunuz.

Tableau Desktop pratiği üzerine sorular

Sınavda karşıma çıkan 36 sorunun yaklaşık 20-25 tanesi uygulamalı sorulardı. Yani bağlandığınız sanal makinenin masa üzerinde paylaşılmış bir klasörde bulunan excel dosyalarını, datasource olarak kullanarak size yöneltilen soruların yanıtlarını Tableau Desktop fonksiyonlarını kullanarak bulmanız isteniyor. Bazı soruların cevapları True/False şeklinde iki seçenekli, bazıları klasik tek doğru cevaplı çoktan seçmeli, bazıları ise birden fazla doğru cevabı olan ve tüm doğru cevapları seçmenizin beklendiği sorular.

Uygulamalı sorular genellikle bir kaç adımdan oluşuyordu. Sürükle bırakla bir sonuca ulaşıp, sonra bunları keep veya exclude yapıp başka bir analiz sonucuna ulaşmak gerekiyordu. Örneğin “Toplam satışta ilk 20’ye girmiş müşterileri karlılığa göre sıraladığında, en karlı 5 müşterinin ortalama cirosu nedir?” gibi sorular bolca vardı. Bunun için önce ilk 20 müşteriyi bulup, daha sonra ciroya göre bir sonuç çıkaracak yeni bir analiz yapmak gerekiyordu. Bunun dışında sıklıkla, calculated field’lar yaratmak ve bunları analizlerde kullanmak gerekti. Açıkçası calculated field ihtiyaçları çok kompleks değildi ve hiç zorlanmadan yapabildim. Ancak calculation foksiyonlarını zamanında meraktan epeyce incelediğimi belirtmemde fayda var.

Google ve Genel Kültür soruları

Google sayesinde cevaplanabilecek, “Tableau Reader hangi formattaki dosya tiplerini okuyabilir?” tarzında 4-5 adet soru vardı. Cevabını bilmediğim bir kaç tanesini google’layarak cevaplayabildim. 2-3 soru da Tableau ürünlerinden bağımsız genel kültürle cevaplanabilecek sorulardı. Örneğin “Bullet Chart ne tür bilgileri göstermek için mantıklı bir seçimdir?” sorusunu gördüğümde “Bullet Chart nedir ki?” dedim önce. Sonra google’dan bir bullet chart örneği bulup neye benzediğini görünce direkt şıklara bile bakmadan “Hedef/Gerçekleşen raporlaması” diyebildim. Bu yüzden geçmiş BI tecrübesi de oldukça kıymetli.

Diğer bilgi soruları

Pratik dışı bilgi sorularının da çoğu Tableau Desktop kullanım tecrübesi gerektiriyor. Örneğin “Analytics tabında aşağıdaki fonksiyonlardan hangisi yoktur?” sorusunun cevabı için Analytics tabını açıp neyin olup neyin olmadığını kontrol edebiliyorsunuz. Ancak Tableau Desktop arayüzüne aşina olmak gerekiyor ki Analytics tabının nerede olduğunu ve nasıl açıldığını aramakla zaman kaybedilmesin.

Görsel sorular

Tableau Desktop’ı da köşe bucak kurcalamış olmak gerekiyor, çünkü uygulamaya ait bazı ekran görüntülerini almışlar ve “Resimde gördüğünüz şey ne için kullanılır?” gibi sorular sormuşlar. Bilgi olarak ne işe yaradığını hatırlayamasanız bile daha önce uygulamayı kullanırken gördüyseniz ve nerede olduğunu hatırlıyorsanız hemen Desktop uygulaması üzerinde ne işe yaradığını test ederek soruyu cevaplayabiliyorsunuz.

Sonuç

Nihayetinde 81/100 puanla minimum başarı puanı olan 75‘i aşarak sınavı başarıyla tamamlamış oldum. Tableau uzmanlığının çok yoğun bir eğitim sürecine ihtiyaç duyulmadan, bir hobi aktivitesi olarak bile kolaylıkla geliştirilebildiğini görmek gerçekten mutluluk verici.