Her Öğrencinin Sonucunu Tahmin Etmek için İstatistiksel Bir Model

Her yıl dünya genelinden lise öğrencileri International Baccalaureate (Uluslararası Lisans) programına katılıyorlar. Program kapsamında final notlarını belirleyen bir sınava giriyorlar ve bu not dünya genelinde üniversitelere başvurmak için kullanılıyor. Sınav sonuçları öğrencinin seçtiği okula kabul edilip edilmeyeceğini ve alacağı bursu etkiliyor. Bu sebeple, öğrencinin geleceği üzerinde direkt etkisi oluyor.

Bu yıl yüz yüze sınavlar COVID-19 pandemisinden dolayı iptal edildi. IB (programın arkasındaki kuruluş) testleri online yapmak yerine her öğrencinin sonucunu tahmin eden istatistiksel bir model kullanmaya karar verdi. Tahminlerin öğrencilerin ödevleri, öğretmenlerin tahminleri ve tarihsel okul verisine dayalı olduğu farz ediliyor.

Binlerce Öğrencinin Hayatını Değiştiren Algoritma (Kötü Bir Şekilde)

İlk bakışta bu iyi bir çözüm gibi gözükebilir, özellikle de global bir kriz sırasında. Sunulan çözüm, süreci kolaylaştırıyor ve yüz yüze sınavları yapmak mümkün olmadığında sonuç sağlıyor. Ancak maalesef bu sistem geri tepti ve çoğu öğretmeni, öğrenciyi ve aileyi şaşkına çevirdi. Bazı öğrencilerin üniversite kabulleri iptal edildi, bazılarıysa burslarını kaybetti.

Model kusurluydu ve tam olarak nasıl çalıştığı açıklanmadı

Ama ya model daha iyi olsaydı? Modeli buna tamamen hazırlıksız bir grup insanın önüne birden çıkarmak doğru muydu?

Öncelikle açıklanmış olması gereken bir şeyi dillendirelim. Makine öğrenmesi trendine yaygın olsa bile, bu sefer algoritma size hangi filmi izleyeceğinizi seçmenize yardım etmiyordu. Bu algoritma yüz binlerce lise öğrencisinin final notunu tahmin ediyordu. Sınavda nasıl bir başarı göstereceklerini “tahmin etmek” ve hangi üniversiteye gidebileceklerini belirlemek için kullanılıyordu. Sonuç olarak sistem genç insanların hayatında büyük etkiler yaratacak kararlar veriyordu.

Süreç iyi bir şekilde yönetilmek isteniyorsa, sonuçların sürece dahil olan herkesin hayatına etkisi de göz önünde bulundurulmalı. Olay sadece doğru algoritmayı elde etmek değil. Asıl önemli olan doğru değişim yönetimi ve insan sınırlarını sisteme dahil etmek. Makine öğrenmesi tanımı gereği gerçek hayata yaklaşmakta, ancak o gerçek hayatın kendisi değil. Bu yüzden de %100 haklı olmayı başaramaz.

Sonuçlar

Makine öğrenmesinin de desteğiyle bilgiler hala insanlar tarafından değerlendirilecek. Ve bu devrimsel bir çözüm değil. Sağlık sektöründe bu mekanizma zaten böyle çalışıyor. Makine öğrenmesi çözüme entegre ama gerçek bir insan tüm sonuçları kontrol ediyor.

Dahası sürece entegre edilen not verici bireyler, sistemin kalitesini değerlendirebilir ve küçük bir grupta test edebilir. Bu grup makinenin kaçırdığı noktalara fazladan içerik sağlayabilir. Sadece bu sorunun keşfedildiği ve ele alındığı aşamadan sonra makine öğrenmesi sistemi daha geniş bir gruba uygulanabilir. Sonuç olarak çok sayıda dikkatli gözlemden sonra tam otomatik notlandırma sisteminin tanıtılıp tanıtılamayacağı gözden geçirilebilir. Ve bundan sonra bile yapılan tahminler manuel olarak gözden geçirilmelidir ve kolay bir başvuru sistemi sağlanmalıdır.

Makine öğrenmesini tanıtırken, özellikle de sosyal etkileri olabilecek hassas konularda, etik uygulamaları ihmal etmemeliyiz.

Akıllı Fiyat Optimizasyonu

Kesinlikle dinamik fiyat optimizasyonu makine öğrenmesinin perakende sektörüne kattığı yeniliklerden en çekici olanı. Ancak trendi takip eden tüm şirketler bundan tam anlamıyla fayda sağlayamaz ve hatta bazıları için bu teknoloji kullanışlı bile olmayabilir.

Akıllı fiyat optimizasyonu makine öğrenmesinin sahip olduğu güçlü veri işleme yeteneği sayesinde mümkün. Bu perakendecilere sürekli fiyatları düzenleme, pazar ihtiyaçlarını, müşteri beklentilerini ve algoritmanın beslediği diğer faktörleri dikkate alma fırsatı sunar. Geleneksel olarak fiyat optimizasyonu insanlar tarafından yapılır ve bu durum bazı hatalara da yol açabiliyor. Bunun yerine tüm veriyi işleyen ve fiyatları belirleyen bir sisteme sahip olmak zaman ve iş gücü tasarrufu sağlar. Aynı zamanda sürecin daha hatasız olmasını da mümkün kılar. Bu sayede çalışanlar değerli zamanlarını daha yaratıcı işlerle uğraşarak geçirebilirler.

Başka faydaları ise; pazarı takip edebilir ve fiyatları daha esnek şekilde düzenleyebilirsiniz. Makine öğrenmesi sayesinde fiyatlama geleneksel yollardaki gibi parçalanmış veriyi ve belirsiz tahminleri -örneğin üreticinin önerdiği fiyatları ayarlamak gibi- kullanarak değil veri güdümlü, komplike bir yolla düzenlenir.

Müşteriler Dalgalanan Fiyatları Kabul Edecek mi?

Bu soru hala akıllarda; müşterileriniz dalgalanan fiyatları kabul edecek mi? Bunun cevabı, vakadan vakaya değerlendirilmeli ancak iyi haber şu ki algoritma bu süreçte işletmelere yardım edebilir.

Şunu unutmayın ki algoritmanın doğru çalışması için çok fazla veriye ihtiyacınız var. Ancak bu veriyi sadece bir kere toplayacaksınız sonrasında ise sadece en güncel bilgiyle güncelleyeceksiniz. Eğer bu süreci doğru şekilde yönetirseniz, dalgalanan fiyatlar yüzünden müşteri kaybetmezsiniz. Bunun yerine potansiyel kâr marjınızı mümkün olduğu kadar yükseltebilirsiniz.

Perakende işletmeniz için dinamik fiyat algoritması uygulamadan önce tüm bu faktörleri gözden geçirmelisiniz.