Kayıtlar
Veriye Bakarken Neden Gerçeği Göremiyoruz?Analitik körlüğün en derin katmanlarından biri, aslında beynimizin donanımından geliyor: bilişsel önyargılar (cognitive biases). Bunlar, milyonlarca yıllık evrim sürecinde hayatta kalmamızı sağlayan hızlı zihinsel kestirmeler (heuristics). Ancak veri çağında bu kestirmeler sık sık bizi yanlış yola sürüklüyor. Özellikle sayılar, grafikler ve istatistiklerle çalışırken Sistem 1 (hızlı, sezgisel) devreye girip Sistem 2’yi (yavaş, analitik) baypas ediyor ve sonuç: analitik hatalar zinciri.Aşağıda, iş dünyasında ve veri analizinde en yıkıcı etki yaratan önyargıları, gerçek hayattan örneklerle sıralıyorum. Her birinin yanında “tipik analitik tuzağı” ve “korunma yöntemi” de var.1. Doğrulama Önyargısı (Confirmation Bias)En tehlikeli ve en yaygın olanı.
Ne yapıyor? Zaten inandığımız şeyi destekleyen veriyi büyütüyor, çelişeni ya görmezden geliyor ya da “gürültü” diye etiketliyor.Analitik örnek:
Ürün yöneticisi “yeni özellik churn’ü düşürecek” diye hipotez kurmuş. A/B test sonrası churn %1.2 düşmüş görünüyor → “Başardık!”. Ama test grubunda yeni kullanıcılar daha fazla, eski kullanıcı churn’ü aslında %3 artmış. Destekleyen veriye odaklanıldığı için fark edilmiyor.Korunma:
Yıllık hedef belirleme toplantısında biri “geçen sene %22 büyümüştük, bu sene de en az %25 olsun” diyor. İlk çapa %25 oluyor. Sonraki tüm senaryolar, piyasa daralsa bile bu rakama göre şekilleniyor. Gerçekçi tahmin %8–12 bandındayken ekip hala %25’i kurtarmaya çalışıyor.Korunma:
Son 3 ayda iki büyük müşteri kaybı yaşandı → “müşteri kaybı krizi var” algısı oluşuyor. Oysa churn rate son 18 ayın medyanından sadece %0.4 sapmış. Ama kayıplar dramatik olduğu için bütün dashboard kırmızıya boyanıyor ve gereksiz önlemler alınıyor.Korunma:
Conversion rate %2,4 → sektör ortalamasının üstünde. Ama kimse fark etmiyor ki trafik artık %78 mobil, conversion ise mobilde %0.9’a çökmüş. Desktop’un yüksek oranı genel resmi şişiriyor.Korunma:
Veri bilimcisi karmaşık bir model kurmuş, R² = 0.89 → “mükemmel”. Ama iş birimi modeli anlamıyor ve gerçek hayatta işe yaramadığını fark ediyor. Modelci “veri böyle diyor” diye diretince aylarca zaman kaybediliyor.Korunma:
Bilişsel önyargılar ortadan kaldırılamaz, çünkü onlar beynimizin işletim sisteminin parçası. Ama fark edilip etiketlendiklerinde güçleri ciddi oranda azalır.En etkili savunma mekanizması şu üç kelimelik cümledir:“Ya bu yanlışsa?”Bu soruyu yüksek sesle sormaya cesaret edebilen ekipler, veriye boğulmuşken bile gerçeği görmeye en yakın olan ekiplerdir.
Ne yapıyor? Zaten inandığımız şeyi destekleyen veriyi büyütüyor, çelişeni ya görmezden geliyor ya da “gürültü” diye etiketliyor.Analitik örnek:
Ürün yöneticisi “yeni özellik churn’ü düşürecek” diye hipotez kurmuş. A/B test sonrası churn %1.2 düşmüş görünüyor → “Başardık!”. Ama test grubunda yeni kullanıcılar daha fazla, eski kullanıcı churn’ü aslında %3 artmış. Destekleyen veriye odaklanıldığı için fark edilmiyor.Korunma:
- Karşıt hipotez üretme zorunluluğu koyun (“Bu sonuç yanlışsa neden yanlış olur?”).
- Analiz öncesi “reddetme kriteri” tanımlayın.
- Bağımsız bir “şüpheci” rolü atayın.
Yıllık hedef belirleme toplantısında biri “geçen sene %22 büyümüştük, bu sene de en az %25 olsun” diyor. İlk çapa %25 oluyor. Sonraki tüm senaryolar, piyasa daralsa bile bu rakama göre şekilleniyor. Gerçekçi tahmin %8–12 bandındayken ekip hala %25’i kurtarmaya çalışıyor.Korunma:
- İlk rakamı görmeden bağımsız tahmin isteyin (pre-mortem veya kör tahmin).
- Birden fazla referans noktası kullanın (sektör ortalaması + rakip + tarihsel düşük senaryo).
- Anchoring etkisini kırmak için “sıfırdan başlasaydık ne derdik?” sorusunu sorun.
Son 3 ayda iki büyük müşteri kaybı yaşandı → “müşteri kaybı krizi var” algısı oluşuyor. Oysa churn rate son 18 ayın medyanından sadece %0.4 sapmış. Ama kayıplar dramatik olduğu için bütün dashboard kırmızıya boyanıyor ve gereksiz önlemler alınıyor.Korunma:
- Ham veriye ve uzun dönem trendlere bakmayı zorunlu kılın.
- “Son 90 gün” yerine “son 12 çeyrek” karşılaştırması yapın.
- Olay bazlı değil, oran bazlı metrikleri ön plana çıkarın.
Conversion rate %2,4 → sektör ortalamasının üstünde. Ama kimse fark etmiyor ki trafik artık %78 mobil, conversion ise mobilde %0.9’a çökmüş. Desktop’un yüksek oranı genel resmi şişiriyor.Korunma:
- Segment bazlı drill-down’u zorunlu hale getirin.
- Dashboard’lara “anormallik dedektörü” ekleyin (±2 standart sapma kuralı).
- Her raporda “bu sayı hangi alt-grupta farklı davranıyor?” sorusunu sorun.
Veri bilimcisi karmaşık bir model kurmuş, R² = 0.89 → “mükemmel”. Ama iş birimi modeli anlamıyor ve gerçek hayatta işe yaramadığını fark ediyor. Modelci “veri böyle diyor” diye diretince aylarca zaman kaybediliyor.Korunma:
- Her analizde “storytelling” katmanı zorunlu olsun: “Bu sayı ne anlatıyor, karar alıcıya ne eylem öneriyor?”
- Teknik ekip + iş birimi ortak review oturumları yapın.
- “En kötü senaryoda bu model ne kadar yanıltır?” sorusunu sorun.
Önyargı | Tipik Analitik Belirtisi | En Çok Zarar Verdiği Aşama | Basit Önlem |
|---|---|---|---|
Doğrulama | Sadece destekleyen KPI’ları öne çıkarma | Yorumlama & Raporlama | Karşıt hipotez testi |
Çapalama | İlk hedef / ilk veri noktasına saplanma | Hedef & Tahmin Belirleme | Kör tahmin + çoklu anchor |
Erişilebilirlik | Son kriz / son başarıyı genelleme | Trend Analizi | Uzun dönem + oran odaklı bakış |
Seçici Körlük | Genel metrik iyi diye alt kırılımları atlama | Segmentasyon | Otomatik anomali uyarısı |
Aşırı Güven | Modelin / analizin kusursuz olduğuna inanma | Sonuç Sunumu | Pre-mortem + peer review |
Bilişsel önyargılar ortadan kaldırılamaz, çünkü onlar beynimizin işletim sisteminin parçası. Ama fark edilip etiketlendiklerinde güçleri ciddi oranda azalır.En etkili savunma mekanizması şu üç kelimelik cümledir:“Ya bu yanlışsa?”Bu soruyu yüksek sesle sormaya cesaret edebilen ekipler, veriye boğulmuşken bile gerçeği görmeye en yakın olan ekiplerdir.
Hiç yorum yok:
Yorum Gönder
Bu analizde seni en çok düşündüren nokta ne, ya da kendi gözlemlerinle nasıl yorumluyorsun?
Senin yorumların paylaşımlarımı zenginleştirecek !