Veri Analizi

Veri Çağının Analitiği ve Gelişemeyen Uzmanlıkları

Facebooktwittergoogle_plusredditpinterestlinkedinmail

Geleceğin Meslekleri TRT Radyo-1 Söyleşisi

TRT Radyo 1 “Geleceğin Meslekleri” programının yapımcısı İbrahim Şahin ile gerçekleştirdiğimiz söyleşi programını sizler için kaleme aldım.

Zafer Elgin; Geçmişten günümüze iktisatçılar, fizik bilimindeki gelişmelerden ilham alır. Fizik biliminin dünyayı yorumlama çabasının bir benzerini, iktisadi olay ve olguları yorumlamada kullanmaya çalışırlar. Bu doğrultuda klasik ekonomi düşüncesinin kurucusu Adam Smith klasik fizik anlayışının kurucusu kabul edilen Newton’un çalınmalarından açık bir şekilde etkilenir. Ekonominin bilimleşme sürecinde klasik ekonomi; Öklid geometrisinden, neo klasik ekonomik; termodinamik ve diferansiyel hesabından, Keynesyen ekonomi; Newton fiziği ve Riemann geometrisinden, genel denge ekonomisinin ise kuantum fiziğinden yararlandığı bilinen bir gerçektir. Fiziğin teorik yaklaşımları dışında fen bilimleri arasında en gelişmiş hesaplama yöntemlerine sahip olması, ekonomi biliminin fizikteki gelişmelerden etkilenmesinin en temel sebebidir.

Geçmişten günümüze süre gelen fizik iktisat etkileşimi, nihayetinde ekonofizik ve kuantum ekonomisi kavramlarının doğmasını sağlar. Ekonofizik genel itibarıyla, ekonomi ve finans sistemlerinin fiziğin gözlerinden görünüşüdür. Ekonofizik; Brownian Hareketi ve matematiksel modellerin kullanımı ile ekonomi konularını modellemeye çalışır ve yeni bir paradigma ve disiplin olarak kabul edilir. Ekonofiziğin günümüzde ilgi gören alanı ise kuantum ekonomisi olarak karşımıza çıkar. Peki, veri biliminin tüm enstrümanlarıyla çalışabilmesi için finans sektöründe hangi önlemler alınabilir. Veri güdümlü finans anlayışının ihtiyaçlarına en iyi cevabı ekonofizik yaklaşımı (mı) verir? Ve hepsinden önce veriye dayalı bir geleceğe hazır mıyız?

Programımızın bu ikinci bölümünde Veri Analisti Fatma ÇINAR ile söyleşmeye devam ediyoruz.

Fatma ÇINAR; Günümüz fiziğinin temel yöntemlerinin finansal verilerin analizindeki etkisi yadsınamaz. Ekonofizikten bahsederken, iyi bir fizikçi aynı zamanda iyi bir veri okuyucusu ve iyi bir analisttir. Veriyle ne yapacağını anlar, kavrar. Burada esas önemli olan, veriyle ne yapacağı ve bunu nasıl yapacağı sorusuna cevap vermektir.

Finansal varlıkların davranışı ve ekonomilerdeki evriminin anlaşılması, bugünlerde olduğu kadar hiç önemli olmamıştı. Davranışsal ekonomi ve finans çalışmış arkadaşlar Finansal sistemlerin son derece kompleks ve dinamik yapısını bilirler. #BehavioralEconomics #EconoPhysics #neuroscience #complexity

Klasik kartezyen ve lineer analizler piyasa dinamiklerini izah etmekte maalesef yetersiz ve kısa kalıyor. Piyasa özünde dinamik #kompleks bir sistem. Burada da #EconoPhysics #behavioraleconomy #neuroscience #complexity #riskmanagement konuları hepsi ortak akılda bilgi ve iş üreterek yan yana deva edecekler. #Fractalgeometri, evrende her şeyin birbirine benzediğini ve holistik yapısını kanıtlıyor Ekonomik sistemle, su molekül sistemi arasında benzerlikler olduğunu söyleyebiliriz. Su moleküllerini ekonomik birimler (birey, aile, kurum, şirket, vs)olarak düşünün Suyun sıvı halini ise devletin ekonomideki ağırlığının yüksek olduğu bir sistem olarak düşünün. #DataLabTResearch #ekonofizik Çünkü moleküllerin birbiriyle nasıl ilişki kuracağına moleküller kendileri özgürce karar veremiyor. Hangi molekülün, hangi moleküllerle ilişki kuracağına ağırlıklı olarak molekülleri bir arada tutan enerji ( #devlet olarak düşünün) karar veriyor. #DataLabTResearch #Ekonofizik Buhar halinde ise bu #enerji ( #devlet ) tamamen gücünü yitirmiyor, fakat minimuma iniyor çünkü sisteme verilen ısı sonucu bu enerji çok büyük oranda ısıya dönüşüyor. #DataLabTResearch #Ekonofizik #Entropy Ekonomik birimler özgürce hareket ettiklerinde ( #buhar ) kendi seçimlerini yüksek bir bilinçle (ekonomideki bilgi düzeyi) yaparlar ve bunun sonucunda toplam fayda/ kaliteyi yükseltirler ise serbest piyasa sistemi ( #buhar ) o toplum için en iyisidir denebilir. Her bir su molekülünü bir ekonomik birim olarak düşündüğümüzde, enerji-düzensizlik (devlet düzenlemeleri-piyasa düzensizliği) dengesini uzun vadede belirleyen temel faktör moleküllerin (ekonomik birimlerin) hafızası yani bilgi birikimi olacaktır. Ekonomiyi bir organizma gibi düşünürsek de; Uzay-zamanda mevcut enerji-düzensizlik sarkacındaki konumu ile toplam bilgi düzeyi arasında bir uyuşmazlık kaçınılmaz bir gerçek olacaktır. Görüldüğü gibi pek çok fizik yasasıyla, ekonomi arasında bağlantı var #Ekonofizik yaklaşımı şart olmuştur. Tabi her alanda olduğu gibi bu alanın da bilimsel olarak test edilmesi şart. Bu konudaki az sayıdaki çalışmalardan gördüğüm henüz emekleme aşamasında olan bu alan sektör içinde değerlendirilmeye açık…

Bugün sistemdeki kırılganlığın başka bir faza ve başka bir konfigürasyona geçtiğini #ekonofizik kuralları ile görebiliriz. #EconoPhysics #BehavioralEconomics Ekonomideki bu iklim ve zamanın ruhu bütün yolları ekonofiziğe çıkıyor. Finansal sistemin kredi balonunu artık #ekonofizik kuralları ile anlatıyor. Linkte göreceğiniz üzere, bankaların sisteme sürekli kredi akışı yaratması ve olası sonuçlarını fizik kurallarıyla nasıl anlatıldığına bakın. https://www.youtube.com/watch?v=v66bDgoK6AQ&feature=youtu.be 

Bugün sahip olduğumuz düşünce yapısı, klasik Karteziyen-Analitik anlayışa göre biçimlenmiştir. Bu düşünce yapısının kısa bir sürede Hegeliyen-Sibernetik anlayışa ve yapıya dönüşmesi mümkün değil!

Bugün #complexitymanagement & #entropikdünya anlayışı için “reform” değil “devrim” gerekiyor…

Aslında hemen her şeye fizik temel bilgisi ve bakış açısıyla başlamak çok aydınlatıcı oluyor. En sağlam zemin orada.Gerçeklik nihayetinde ve en temelde fizikte tanımlanıyor. Orayı bilmeden ekonomi, siyaset hele de felsefe yapılamaz bence.

Peki biz ekonomistlerin karşılaştığı ve sektörün sorunlarına nasıl baktığımıza gelelim ki, veriye dayalı bir geleceğe hala nasıl hazır olmadığımızı Risk Yönetimi penceresinden ne gibi yanlışlar yaptığımızı görelim.

Risk yönetiminin temel sorunu, çözümün math. Stats ve analitik tekniklerde aranması. Konvansiyonel matematik ve istatistik teknikleri riski sayısallaştırıyor ve sayısallaşmış risk üzerinden hedge (risklere karşı korunma) teknikleri geliştiriliyor. Buradaki sayısallaştırma genellikle tek boyutlu zaman serileri ile yapılabiliyor ve bu riski etkileyen sayısal olmayan faktörleri göz ardı ediyor. Örneğin iki boyutlu (x,y) grafikleri histogramlar ve pay grafikleri en az ve en yetersiz enformasyon sağlayan görsel araçlardır. Ama analitik-kartezyen eğitim sistemi bizleri bunları anlamaya ve yorumlamaya koşullandırmıştır. Size iki tane histogram göstersem ve hangisi daha asimetrik diye sorsam söyleyemezsiniz. İki pasta grafiğin hangisi daha fazla dağınık diye sorsam yine söyleyemezsiniz. Hâlbuki bu sorular risk yönetiminde önemli. Bunlar elle yapılması kolay ama enformatik verimleri son derece düşük araçlardır. Oysa Graphical Data-mining yoluyla yapacağınız bir veri görselleştirme de adeta bir sanat eseri gibi grafiksel sonuçlar elde edebilirsiniz. Bu yaklaşım doğrudan grafikler aracılığı ile datamining yapmayı ve grafiklerin veri setlerindeki gizli bilgilerin grafikler yardımı ile açıklamayı amaçlıyor. Veri bilimin alt basamaklarında veri analiz uzmanlığı ve veri görselleştirme uzmanlığı alanında bu yaklaşım son derece kritik öneme sahip. 2014 yılında gerçekleştirdiğimiz bu teknik dünyada bir ilk.

Grafik Data Mining Niye Bir İLK?

Bunun basit bir nedeni var, kapitalist sistemin kuralları önce eldeki aktiflerden verim almayı gerektiriyor. Enformatik dünyası da önce verilerin bilinen grafik formatlarında ama daha süslü püslü ve etkileyici bir şekilde sunulmasına ve pazarlanmasına öncelik veriyor.

Yöneticilerin bilgisayar bilimleri ve enformatik gibi alanları artık yöneticiliğin temel yapı taşları olarak görmesi gerektiğine inanıyoruz. Çünkü günümüz dünyasında “performansın zaman metriği değişti, aynı zamanda da performans düzeyi de arttı”Dolayısıyla gerçek zamanlı bir analizden söz ediyorsakyöneticilerin firmanın yarattığı gerçek değerlerin ölçülmesine ve görselleştirilmesine olanak sağlayacak Grafik Data Mining tekniğine yoğunlaşmaları ve benimsemeleri işlerini kolaylaştıracaktır.

Grafik-Datamining dediğiniz yani grafik-Veri Madenciliği yaklaşımının üstünlüğü nereden kaynaklanıyor?

Bu yazılımların katkısı çözümleri grafik olarak gösterebilme yeteneklerinden kaynaklanıyor ve bu grafikler ileri düzeyde kapsamlı, ayrıntılı ve görsel olarak da etkileyici. Bugünün yazılım teknolojisi bu tür grafiklemeyi ileri düzeyde sağlıyor.

Bir resim bin kelimeden etkilidir derlerdi şimdi bunun gerçek olduğunu görüyoruz. Bu grafikleri yorumlamak ileri düzeyde analitik beceriler gerektirmiyor. Konuyla ve sektörle ilgili ve makul seviyede profesyonel bilgisi olan herkes bu tür grafikleri üretme ve elde ettiği sonuçlardan analiz yapabilme yeteneğine sahip oluyor. Böylece büyük veri veya herhangi bir veri setiyle ilgili sorun, uygun grafiklerin üretilebilmesine dönüşüyor.

Veri analizinin temel bileşeni ileri teknoloji değil, olaya bir veri analisti disiplini ile yaklaşmaktır. Eğer bunu yapmıyorsanız ileri teknolojiyi de kullanamaz ve hatta işe yaramıyor diye suçlarsınız. 

Bu yaklaşımın ne ayrıcalığı ya da ne gibi avantajları var?

Bu yaklaşıma konsantre olanların stratejik yönetimde bir adım önde olacağını düşünüyoruz. Bu bağlamda önerdiğimiz “grafik data mining yani grafikleme yoluyla veri madenciliği” yaklaşımı bu sorunun çözümü için ileri düzeyde, her sektöre ve her profesyonel yeteneğe uygun kolaylıklar getiriyor. Ayrıca data mining uygulamaları alanında dünyada ilk defa grafik tabanlı bir analiz ve yorumlama tekniği gündeme getirmiş oluyoruz.

Bu yaklaşım sibernetik dünyanın CEO’larıve CIO’ları arasındaki makası daraltan bilgi teknolojileri (IT) dünyasının karmaşık kavram ve süreçlerini basite indirgeyen ve verinin karmaşık yapısını yorumlanabilir hale getiriyor.

İnteraktif ve yalın görseller aracılığı ile veri bankalarının karmaşıklığını yok eden bir yaklaşımla stratejik karar verme pozisyonuyla “IT for CEO”argümanının iş dünyasında oldukça etki yaratacağını düşünüyorum.

Veriye Dayalı Bir Geleceğe Hazır mıyız?

Harvard Business Review Analitik Hizmetler Çalışmasında Dünya çapında 729 iş liderleri ile yapılan analizde” Veriye Dayalı Bir Geleceğe” Şirketlerin henüz hazır olmadığını açıkladılar. %32 hala statik ve geriye dönük raporlama ile çalışıyor. Günümüzün finansal işlemleri geçmiştekilerden oldukça farklılıklar göstermekte. Verilerin analizinde kullanılan geleneksel karar destek süreçleri de verilerin büyüklüğü ile baş edememekte. İşletmeler en azından kendi verilerinin gücünden tam kapasite ile yararlanabilmek için karar destek süreçlerinde yeni teknolojilerle beraber #dataasaservice(DaaS) yoğunlaşmalı! Şu an benim geldiğim anlayış veri güdümlü bir iş modeli. #DataDrivenCompany #DataTranslators #DataDrivenEconomy

Veriyi bilgiye dönüştürme süreci günümüzde hangi düzeyde?

Veriyi bilgiye dönüştürme süreci ise 70’li yıllardan fazla ileride değil. Nedeni ise çok basit! Veriyi bilgiye dönüştürme süreçleri ve teknolojisi (datamining) hala ileri düzeyde matematik, istatistik ve enformatik uzmanlığı gerektiriyor. Bu da herkesin harcı değil. Böylece veriyi bilgiye dönüştürme süreci hala elit bir azınlığın tekelinde, bu da veri analistleri ile karar vericiler arasında bir iletişim kopukluğuna, hatta bozukluğuna neden oluyorYani sözün kısası, Enformatik çağın öncesinden kaynaklanan eğitimimiz ve yönetim kültürümüz, kaliteli bir karar verme sürecinin ileri düzeyde matematik ve enformatik beceriler gerektirdiği konusunu bizlere dayatıyor. Oysa günümüz uygulamalarına baktığımızda; veriyi toplama, depolama ve iletişimi üzerine yoğunlaşılmış durumda. Üretiğimiz veri kütlelerinden ne gibi yorumlar çıkarılabileceği, ileri analitik uzmanlık gereksinmeleri yüzünden biraz hem gölgede kalıyor hem de geride kalıyor.

Yeni yaklaşımların gecikmesinin esas nedeni nedir?

Aslında bütün bu söyleşinin özeti burada yatıyor. Matematik ve istatistiğin günümüzdeki devasa veri kütlelerinin değerlendirilmesinde son derece yetersiz olduklarını hepimiz biliyoruz.

Matematik ve istatistik yapıları gereği az sayıdaki değişkeni yansıtan, az sayıdaki veriyi analiz etmek için geliştirildi. Oysa baktığımızda, geçek dünya ise nümerik, kategorik, lojik çok sayıda değişkenin devasa boyutlardaki veri kütlelerini üretiyor. Yani yeni yaklaşımlara geçeceksek eğer, hem devrim hem de paradigma değişikliği gerekli. Günümüzün yönetici ve uzman elitleri enformatik çağı öncesi bir profesyonel eğitime sahipler. Bu da onları hep konvansiyonel-analitik düşünmeye ve konvansiyonel-analitik çözümler aramaya zorluyor. Yeni yaklaşımlarla başa çıkabilecek enformatik teknolojiler ve yazılımlar mevcut fakat hem uzmanlar hem de yöneticiler bunları kullanabilecek şekilde yetiştirilmediler. Bu nedenle konvansiyonel analitik anlayışla durağan ve donuk ve geçmişi irdeleyen grafiklerde çözüm arıyorlar. Yeni teknolojinin getirmiş olduğu yeni yaklaşımlara hiç yaklaşamadılar. Bunu da zaten veriyi işleyemeyen Türkiye’nin gerçeğinden görüyoruz.

İnsanlığın son 400 yılına damgasını vuran #Newtoncu makina-dünya görüşününün bugün bile -entelektüellerin dahil-tartışmadan kabullere götürmesi, Sibernetik dünyadaki modern insanın evreni algılayışındaki sakatlığının tek göstergesi #newtoncu anlayışın bir ürünüdür. #Entropi Artık bugün dünya Newton mekaniği ile işlemiyor. Onun başka bir dili var entropik bir anlayışı ve işleyişi var, yani ekonofizik kurallarına ihtiyacımız var.

Şirketlerin veri varlıklarının değerlemesinden bahsediyoruz. Olaylara bankacılık tarafından baktığımızda, artık gelecekte bankaların fiziki bir yapıda bulunmasına gerek yok, tek gerekli şey bankacılık fonksiyonu. Bunu neden söylüyorum FinTech ve InsurTechler gündemimizde. Bugün FinTechlerin hayata geçebilmesi için, Avrupa Bankacılık Birliği, third party kuruluşlarla hesaplama ve ödeme işlemlerine izin vermek zorunda kalacak. Bu zorunluluk ile API’ler sektöre açılmış olacak. Uygulama geliştiriciler bu sektörün trendine uygun veriyi kullanıcılar ve alıcılar arasında bir arayüz uygulama programcılığı ile yürütecekler. Burada mesele veri için ödenecek bedel ve değer. Peki bu nasıl olacak derseniz. Veriyi bir değerlemeye ve lisansa tabi tutacağız. Burada siyaset üstü hatta devlet otoritelerinin devreye girmesi lazım. Düşünün hali hazırda kullandığımız cep numaralarını hiç değiştirmeden bir başka operatöre taşır gibi, FinTechlerle her banka müşterisinin tek IBAN numarasını, istediği bankaya taşıyabilmesinin önü açılacak. Bu teknolojiyi hayata geçiren FinTechler bu alanda kullanacakları veriyi, hangi izinle alacak ve hangi değerle ölçecek sorusunu akıllara getiriyor. İşte tam da burada yukarıda sözünü ettiğim veri değerlemesi devreye giriyor. Nasıl mı yapacağız derseniz. Bu konuda sektörün verisini KVK kanunu kapsamında değerlendirirsiniz ama hem yetmez hem de kısa kalır. FinTechlere yapacağımız yatırımın ilk ve en temel adımı “Verileri Lisanslamak” olmalıdır. İkinci adımı daha devrimci bir şey Türkiye’nin geçtiğimiz aylarda hayata geçirdiği Sigorta Bilgi ve Gözetim Merkezini hayata geçirmesi gibi, sektörden bağımsız olarak, devletin veri güvenliği gibi konularını da düşünürsek “fincen” gibi masak düzeyinde bir olayın veri ihlallerinin önüne geçebilmek için, Türkiye’nin “Veri Gözetim ve Denetim Merkezi” gibi bir kuruluşu hayata geçirmesi gerekecek. Nasıl kuracağız. Sektörün duayenlerini bir araya getireceğiz tüzüğünü hazırlayacağız. Regülasyon teknolojilerine, algoritma teknolojilerinin denetimlerine ve Türkiye’nin verisine sahip çıkacak bir kuruluşun varlığı artık şart olmuştur.

Zafer Elgin; Bir meslek olarak veri analitiği, yakın bir tarihte verideki, gizli hazinenin fark edilmesiyle ortaya çıkar. Bu meslek için dünya genelinde çok fazla talep bulunmakta ve önümüzdeki yıllarda bu talebin artarak devam etmesi beklenmekte. Veri analistini bu kadar özel kılan dünya genelinde büyük, küçük ve orta ölçekteki tüm şirketlerin veriden değer etme yarışına girmiş olmasıdır. Toprak, tarım çağının, demir endüstri çağının ham maddesiydi. Veri ise bilgi çağının ham maddesidir. Daha önce de bahsettiğimiz gibi bu ham maddenin, işlenmeye ihtiyacı vardır. Bu ihtiyacı karşılayacak yani veriyi başarılı bir biçimde işleyecek başrol oyuncuları veri analistleridir. Veri analistleri verinin toplanmasından ön işlenmesine, analiz edilmesinden, model kurulması ve daha sonra da modelin çalıştırılmasına kadar her adıma hâkim olacak becerileri barındıran çalışanlardır. Yani analist, analiz için topladığı veriyi anlamlandırabilmeli, verinin içinde gizlenmiş örüntüleri keşfedilmeli ve farklı birimlerle iş birliği yaparak derinlemesine bir çalışma gerçekleştirebilmelidir. Veri analistleri veri bilimcilerle sürekli karıştırılır ve birbiri yerine kullanılır. Fakat farklı mesleklerdir. Veri analisti için söylenenlerin tamamı veri bilimciler için de geçerlidir. Çünkü, veri bilimci daha üst bir kümedeki yani, daha kapsamlı bir mesleği ifade eder. Tüm bunların yanında veriye dair pek çok mesleğin oluşacağı aşikardır. Veri değerleme uzmanlığı, veri görselleştirme uzmanlığı bunların bazıları.

Fatma ÇINAR; Makine öğrenmesi algoritmalarının, yapay zekânın hayatımızın tam ortasında olduğu bu günlerde veri değerleme uzmanlığının ıskalandığını düşünüyorum. Makine öğrenmesi işini tam anlamıyla makineye bırakacağımız zamanlar gelecek. Tüm modelleri deneyecek ve anlamlıları tespit edecek, en güvenilir ve en doğru modeli bizim yerimize seçecek. Ama veriyi doğru okumak, görseli anlamak, nereden ve nasıl yorumlanması gerektiğini bilmek bizim kabiliyetlerimiz olarak bir süre daha kalmaya devam edecek. Ancak daha yakın zamanlarda şirketler, yapay zekâ ve analitik ile başarının sadece veri bilimcilerini değil, veri mühendislerini, veri mimarlarını, veri görselleştirme uzmanlarını ve belki de en önemlisi – Data Translatorlerini bu başarıya dahil edecekler görünüyor.

Analitik rolünü doldurmak için veri bilimcisi olmanıza gerek var mı?

Kuşkusuz, veri bilimcilerinden, makine öğrenimi ve derin öğrenme dâhil olmak üzere, giderek artan şekilde büyük miktarda veriyi içgörülere dönüştürebilen analitik modelleri oluşturmaları gerekmekte. Örneğin finans yöneticilerine Fortune 500 listesinden baktığımda hepsinde gördüğüm tek şey bugünün yani sibernetik dünyanın ihtiyaçlarından çok uzakta olduğunu söyleyebilirim. Bu düşüncemi de destekleyen bir rapora da bakabilirsiniz. “Uluslararası Yeminli Profesyonel Muhasebeciler Birliği (Association of International Certified Professional Accountants) tarafından sonuçları 17 Ocak’19 da açıklanan raporda; finans ekiplerinin %89 #AI #ML teknolojilerini benimsemeye hazır değil” diyor. Andrew Harding

Veriler Yığılıyor, Neden Analistler Kısıtlı?

Veriler, çok hızlı bir şekilde çoğalıyor, ancak yöneticiler ve karar veriler arasındaki boşluğu kimler ve nasıl dolduracak?

İleri analitik modellerin gölgesinde bir türlü hayat bulamayan Veri Görselleştirme ve Veri Değerleme Uzmanlığı Veri Bilimciler ve yöneticiler arasında – o bilindik gri alanda- bir köprü kuruyor. Hatta Kuruluşların yönetmesi gereken veri miktarı arttıkça, bu yanlış alarmların bolluğu ve etkisiz sorun önceliklendirmesi arasında birçok iş kaynayıp gidecek. Neden? Çünkü verinin hacmi ile büyülenen iş dünyası var. Hem veri, hem de verinin sorunları ile nasıl başa çıkabilecek dersiniz. Kuruluşların araştırma ve tasarımdan, tedarik zinciri ve risk yönetimine kadar iş süreçlerinde karar vermeyi iyileştirmek için giderek daha fazla gelişmiş analitiğe ve yapay zekâya (AI) yöneldiği artık bir sır değil.

Şimdi veri çevirmenlerinden bahsedelim. Şirketlerin veri bilimcileri ve bölüm yöneticileri arasında yenilikçi bir işbirliği başlatıyorlar. Bu yeni bir iş tanımı geleceğin mesleklerinde. Veri analistleri ile şirketin çeşitli iş kollarını yöneten günlük karar vericiler arasında hareket eden Data Translator olarak yeni bir rol tanımlamamız gerekiyor.

Data Translator ne olduğunu daha iyi anlamak için, önce ne olmadıklarını anlamak önemli. Ne veri mimarı ne de veri mühendisidir. Analitik uzmanları bile olmaları gerekmez ve programlama veya modellemede teknik uzmanlığa hiç sahip değiller. Peki, bunlar ne?

Matematiksel bir eğilim ve iletişim becerisi ile birlikte core-business bilgisine sahip olmaları kritik önemde. Bu üçlü yeteneklere sahip insanlar o kadar az ki – sadece unicorn değil, aynı zamanda mor puantiyeli pembe unicorn gibiler.

Veri çevirmenleri, veri mühendislerinin ve veri bilimcilerinin teknik uzmanlığı ile pazarlama, tedarik zinciri, üretim, risk ve diğer ön saf yöneticilerinin operasyonel uzmanlığı arasında köprü kurmada kritik bir rol oynarlar. Niceliksel modeller oluşturabilmeleri gerekmese de, hangi tür modellerin mevcut olduğunu (örneğin, bir derin öğrenmeye karşı lojistik regresyon kullanılacağını) ve hangi işin sorunlarına uygulanabileceğini bilmeleri gerekecek. Data Translator ayrıca model sonuçlarını da yorumlayabilmeli bir model kurdunuz ve aşırı uyum gibi (overfitting) olası model hatalarını tanımlayabilmeli ve yorumyalabilmeli. Veri tercümanı, diğer iş ünitesindeki yöneticiler ile uzmanlar arasında veri bilimcileri, veri mühendisleri ve yazılım geliştiricileri ile iş paydaşlarından oluşan teknik ekipler arasındaki uzmanlık boşluğunu kapatabilen kişi. Şu an veri bilimi projelerinde ve analitik projelerinde görmek istediğim geleceğin mesleklerinin tüm kollarını kapsayan bu eşsiz kümedeki meslek grupları; veri çevirmenleri, veri değerleme uzmanları ve veri analistleri.

Zafer Elgin; Veriyi kullanmanın ne kadar önemli olduğunun kavranması veriyle ilgili yeni mesleklerin ortaya çıkmasını kaçınılmaz hale getiriyor. 15 Ekim 2020 Saat:16:30 – 17:00 Geleceğin Meslekleri Programı

Facebooktwittergoogle_plusredditpinterestlinkedinmail

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir