Veri Bilimci ve Tasarım Araştırmacısı Birlikteliği: Muhteşem İkili

“Bence veriye dayalı (data driven) ile veriden beslenen (data informed) bilgi arasındaki fark, veriyi sürekli değişen binlerce değişkenle çözdüğünüz dağınık bir sorunun bir parçası olarak değerlendirmeniz. Veriler somut olsa da, genellikle sistematik olarak önyargılıdır. Aynı zamanda doğru araç değildir, çünkü her şey bir optimizasyon sorunu değildir. Karar verme sürecinizi yalnızca şu anda ölçebildiğiniz şeye delege etmek, genellikle sorunun daha önemli makro boyutunu ve buna bağlı öncelikleri ön görmenize engel olur.”

–       Andrew Chen (Genel Partner – Andreessen Horowitz VC)

Veriye dayalı ve veriden beslenen bilgi Yin ve Yang gibi dengeleyici iki unsur olarak resmedilebilir. Nitelik ve nicelik, çiğ ve pişmiş, nesnel ve öznel, mekanize ve insan… Etkili bir bütün yaratmak için birbirinin sınırlamalarına karşı koyan iki disiplinden bahsedeceğim. Neredeyse hepimiz “büyük veri”nin hayatımızı, dijital deneyimlerimizi ve hatta bizi nasıl şekillendirdiğine dair bir şeyler okumuşuzdur. Artık anneanne ve dedelerimizin dahi kendi verileri hakkında endişelendiği ve kişiselleştirilmiş reklamlarla karşılaştıkları için kullandığı uygulamalar tarafından takip edildiğini düşündüğü bir dünyada yaşıyoruz. Son 20 senedir yeni dijital deneyim bağlamları yaratma ve bu bağlamlardaki deneyimleri geliştirme üzerine çalışıyoruz. Geliştirdiğimiz dijital ürünlerin nasıl kullanıldığına ve ne tür geri bildirimler aldığına dair nitel ve nicel verileri sentezleyerek var olan deneyimleri iyileştiriyoruz ya da yeni sorular ve çözümler üretmeye yöneliyoruz. Farklı formatlarda içerik paylaşmak, videokonferans platformları ile toplantılara katılmak, yeni insanlarla tanışmak veya doktorumuzla görüşmek için tasarladığımız dijital araçları ve servisleri kullanıyoruz çünkü artık dijital demek çoğumuz için günlük hayatımızın çoğunu kaplayan etkileşimler demek. İstatistiklere göre dünya çapında her bir kişinin günlük dijital veri katılımı etkileşimi 2020 yılı için 1426 iken, 2025 yılında 4 bin 909 olması bekleniyor. Başka bir araştırmaya göre 2013 yılında, dünya çapında 1.45 trilyon gigabayttan fazla veri depolandığı ve bu sayının 2020 yılına kadar dört katına çıkacağı öngörülmüş.

Birbirinden soyutlanmış iki yöntem ile ilgili problem

Veri bilimcilerin çalışma yöntemi “doğası gereği” verinin öznelerinden ve verinin oluştuğu bağlamdan bağımsız şekilde kullanıcı verilerinden anlamlı bütünler yaratmaktır. Kullanıcılar da yine tasarımcıların ürettikleri arayüzler aracılığı ile veri bilimcilerin analiz ettiği verileri üretir. Yani tasarımcının oluşturduğu sınırlı bağlam içerisinde veri bilimciler bilgi üretimine katkı sağlıyor ve kullanıcının kendi hayatına ve dijital deneyimine etki eden faktörleri bilmeden bunu yapıyorlar.

Anna Haraway “Teknoloji tarafsız değildir. Yarattığımız şeyin içerisinde yaşıyoruz ve o şey de bizim içimizde yaşıyor. Bir bağlantı yığını içinde yaşıyoruz ve hangilerinin insan tarafından yapılıp yapılmadığı önemli” derken kullanıcı verisinin bağlamdan soyutlanamayacağını da anlatmaya çalışmıştır.

Ürün ve servis deneyimi geliştirmek için yeni bir araştırma metodolojisi: “Artırılmış Zeka”

Peki tüm bunlar ne anlama geliyor? Bu bilgiler, internet üzerinden gerçekleştirdiğimiz her işlemin takip edilmesi, kaydedilmesi, yeni tasarımlar ve ürün iterasyonları için bir yol gösterici olması demek. Giyilebilir teknoloji ve cep telefonlarımız aracıığıyla hem çevrimiçi hem de çevrimdışı davranışımızın dijital izlerini bırakıyoruz. Artık veriye ulaşmak ve veriyi depolamak problem değilken depolanan veri kompleks ve detaylı bir hal aldıkça anlamlandırmak ve aksiyon alınabilir içgörüler elde etmek bir o kadar zorlaştı. Harvard Business Review’a göre, veri bilimcilerinin işi “21. yüzyılın en seksi işi” haline geldi çünkü veri bilimciler karmaşık ve anlamsız büyük verilerden anlamlı parçalar çıkarma ve bunları aksiyon alınabilir şekilde değerlendirme konusunda uzmanlar. Datascope Analytics’e göre herhangi bir veri projesinde yapılabilecek iki büyük sıçrama var: birincisi bir sorunla karşılaşmak ve onu verilerle nasıl ele alabileceğinizi kurgulamak; ikincisi ise ne yapmak istediğinizi bilmekle bunu doğru şekilde nasıl yapacağınızı bilmek arasındaki boşluğu doldurmak. Çoğu veri projesi ya ilkinde ya da ikincisinde doğru bağlantıları kurmakta başarısız oluyor. Peki neden?

Datascope ve IDEO, insan merkezli tasarımı algoritmalar ve veri bilimi dünyası ile birlikte uygulama pratiğini isimlendirerek yeni bir kavram ortaya çıkarmış: “artırılmış zeka” (augmented intelligence).  Bu yeni kavramın işaret ettiği pratik, uygun verileri uygun şekilde, uygun çerçevede toplamak ve analiz etmek. Bu durum dijital ürün ve servislerin geleceği için heyecan verici çünkü bu şekilde içinde olduğumuz problem bağlamında hem neyin önemli olduğuna hem de neyin neden olduğuna dair kavrayışımızı en üst düzeye çıkarabiliyoruz.

Tesco Clubyard’ın mimarı Clive Humby’nin 2006’da öngördüğü gibi verinin “yeni petrol” olduğunu düşünürsek ve insan odaklı ürün geliştirme süreçlerinde yalnızca niteliksel veya niceliksel araştırmalar yer aldığında bunun yetersiz kaldığını, yapay zekanın dijital ürün deneyimimizin büyük bir kısmını şekillendirdiğini göz önünde bulundurursak veri bilimi ve tasarım araştırmacılarının birlikte çalışma zamanın geldiğini anlayabiliriz. Etkili çözümler yaratmak için ilgili yeni bakış açıları kazanmamız gerekiyor bu da bizi daha iyi fırsatlara yönlendirebilecek içgörüler için nitel ve nicel verileri birlikte analiz etmemizi sağlayacak çalışma ortamları ve iş akışları tasarlamaya yönlendiriyor. Tasarım araştırmacıları ve veri bilimcilerinin birlikte çalıştığı bir bağlamda bu iki yetenek, doğru problemlerin hedef alındığı geniş perspektiften düşünülmüş etkili çözümler tasarlayabilir ve bu çözümleri uygulamaya koyup test edebilir.

Bu parlak fikir, veri bilimi ve tasarımın bir arada sinerji içinde yaşayıp yaşayamayacağı, daha doğrusu verimli ve etkili bir iletişimin kurulup kurulamayacağı sorusunu gündeme getiriyor.  Tasarım direktörü Wettersten ve veri bilimcisi Malmgren’in, Veri Bilimciler ve Tasarımcılar Birlikte Çalıştıklarında Ne Olur? yazısında detaylı bir şekilde anlattığı gibi insan odaklı tasarım şirketi IDEO ve  Datascope Analytics ekiplerini birleştirdikten sonra müşterilerinden biri olan Rise Science ile yaşadıkları deneyimden bahsediyor. O zamanlar Rise Science sadece sporcuları hedefleyen ve kullanıcılarının uyku verilerini takip ederek enerji düzeyini ve performansını maksimuma çıkarmasını sağlayan küçük bir startup. Kullanıcıları uygulamada kendi uyku ve enerji örüntülerine dair içgörüleri bulmakta zorlandığı ve Rise’ın veri bilimcileri bu problemin kendi veri görselleştirmelerinden kaynaklandığını düşünerek 2017 yılında IDEO’ya geliyor. Veri bilimciler ve tasarım araştırmacıları birlikte gerçekleştirdikleri tüm araştırmalardan sonra birlikte elde ettikleri ve değerlendirdikleri içgörüler problem tanımını doğru yapmalarını sağlıyor. Elde ettikleri bulgulara göre problem, veri bilimcilerin bulguladığı gibi uygulamadaki veri görselleştirmeleri değil, kullanıcı deneyimi problemi oluyor. Problem tanımı doğru yapıldıktan sonra birkaç hafta gibi kısa bir süre içerisinde yeni tasarımlar kullanılabilir hale geliyor. Bu örnek “insan odaklı veri bilimi”nin birlikte çalışabilmekten ve iletişim kurabilmekten öte fark yaratabileceğini kanıtlar nitelikte. Eğer bu bir istisna diye düşünüyorsanız UX Stratejisi ve Tasarım Araştırması şirketi Change Science, insan odaklı ürünler yaratmak ve geliştirmek için etnografi, davranış bilimi, uygulamalı psikoloji gibi niteliksel metodolojiler ile yapay zekayı birleştirerek ihtiyaç duyulan örüntüleri ortaya çıkarıp anlamlı hale getiriyor. Giyilebilir teknolojiler yoluyla kişilerin duygularının gözlemlenebildiği biyometrik veriler ve niteliksel araştırma yöntemlerinden elde edilen çıktılar (video, fotoğraf, ses kaydı, yazı vb.) gibi kompleks verileri anlamlı hale getirmek için veri bilimi ve tasarım araştırması yöntemlerinden faydalanan şirket, “görünür etkileşimlerin arkasındaki yerleşik alışkanlıkları, söylenmemiş kuralları, kültürel normları ve zihinsel modelleri kökten çıkarmanın en iyi yolunun bu iki tekniği harmanlamak” olduğunu düşünüyor. Müşterileri arasında Stanford D. School, Google, IKEA, Virgin, Bank of America gibi isimler yer alan şirket algoritmaları tasarımın aracı haline getirmiş durumda. Google’ın People + AI Research (PAIR) isimli yapay zekanın insani yönünü keşfeden ve kendi ürettikleri kaynakları sunan multidisipliner ekibi kendileri gibi yapılara sahip takımlar için bir rehber oluşturmuş. Altı başlıktan oluşan rehber, okuyucusuna ürün geliştirme akışının takip edildiği ve her bir başlık altında teorinin eyleme dönüştürülmesini sağlayan bir worksheet’e sahip.

Veriler hakkında düşünmenin üç yolu

Tasarım sürecini nasıl güçlü verilerle besleyebileceğimize dair disiplinler arası bir metodolojiden bahsettik ve örneklerle somutlaştırdık. Şimdi veri bilimciler ve tasarım araştırmacıları tarafından elde edilen nicel ve nitel verileri karar alma mekanizmalarında ve tasarım süreçlerinde nasıl kullanılabileceğine dair yaklaşımlara bakalım.

Veriyi ele alabileceğimiz üç farklı perspektif var ve bu üç perspektif de elde ettiğimiz veriler hakkında bizi farklı şekilde düşünmeye yönlendiriyor. Bu yaklaşımları, veriye dayalı (data-driven), veriden bilgi alarak (data-informed) ve veriye duyarlı (data-aware) olarak sıralayabiliriz.

Eğer problemin ne olduğu, araştırma metodolojiniz ve araştırma çıktısının ne olması gerektiğine dair kendinizden eminseniz ve bağlamla ilgili tüm anlatınız doğruysa veriye dayalı (data-driven) kararlar alabilirsiniz. Veriye dayalı tasarım yapmak, toplanan bilgilerin tasarım kararlarını doğrudan etkilediği ve yönlendirdiği anlamına gelir. Bazı durumlarda, bu en hızlı ilerlenebilen yaklaşımdır. Veri analizlerinin sonuçları ekibi görünen en bariz kararı almaya yönlendirir.

Veriye dayalı olabilmeniz için bir noktada veriden bilgi alarak (data-informed) ilerlediğiniz bir süreçten geçmiş olmanız gerekiyor. Veriden bilgi alarak tasarladığınız perspektifte problemi ve problem alanını tam olarak tanımlamamış olursunuz ve veriler bu adımları daha geniş çerçeveden ve nispeten daha kreatif bir bir perspektifle incelediğiniz noktada yol göstericidir.

Veriye duyarlı (data-aware) bir tasarım yaklaşımı izlediğinizde ise daha yaratıcı ve özgür olabileceğiniz bir alan açmış olursunuz. Veriden ilham almak, trendleri belirlemek anlamına gelir çünkü sayısız veriden yalnızca analiz edebildiklerinize odaklanarak aksiyon almak kısıtlayıcıdır. Bu perspektiften bakan biri, sistemdeki verilerin hangi araçlarla analiz edildiğinin, hangi tür verilerin göz önünde bulundurulduğunun ve nasıl birleştirildiklerinin başlı başına bir tasarım sorunu olduğunu bilir. Veriye duyarlı tasarımcı çok sayıda farklı tasarım ve araştırma sorusuna cevap verebilecek birçok veri türü olduğunun farkındadır ve genellikle tasarım süreci boyunca kendilerine sunulan farklı veri türlerinin farkında olarak ilerler.

Stratejik iş geliştirme direktörü Shayna Stewart, “Ne istediğinizi ve bunu nasıl yapacağınızdan eminseniz gerekli planlamaları yapın. Eğer geleceği optimize edebilmek için stratejinizin nasıl performans gösterdiği hakkında bilgi sahibi olmak istiyorsanız, ekiplerinizin bu stratejiler için önceki stratejiler ve değerlendirme ölçütleri hakkında bilgilendirildiğinden emin olun. İlham arıyorsanız, kesin ve somut bilgiler elde edemeseniz bile sizi şaşırtacak bulgularla karşılaşabileceğinizi bilin. Her üç zihniyetin de ayrı bir yeri vardır ama uygun olanı seçmek hangisine ihtiyacınız olduğunu bilmekle ilgilidir.” diyor ve bu üç perspektifin hangi bağlamlarda çalıştığını kısaca özetliyor.

Son olarak…

“Araştırma” kavramının artık nasıl anlaşıldığına bakılırsa teknoloji devleri ve başarılı danışmanlık şirketlerinin çalışma pratikleri ana akım haline gelecek gibi görünüyor. Bugünkü bağlama bakılırsa yakın gelecekte bu iki rolün birbirinin çalışma pratikleri hakkında derinlemesine bilgi sahibi olmasının ve birlikte uyum içerisinde çalışmasının bekleneceğini düşüyorum. Veri bilimcinin ve insan odaklı tasarım araştırmacısının birlikte çalışan en yakın ekip arkadaşları olmasını sağlamak, birden fazla veri formunu bütünsel bir şekilde kavramamızı sağlayarak niteliksel ve niceliksel araştırma yöntemlerinden birinin tek başına kullanıldığında ortaya çıkan dezavantajları ve körlüğü azaltacaktır. Dahası bu ekipler, önyargıları kontrol altında tutarak daha yerinde bir hipotez ve hiper-spesifik personalar geliştirmeyi sağlayan örüntüler (pattern) keşfedecek güce sahiptir.

Written by

Bir cevap yazın