Koreli CEO’lar bile hata yapar

http://www.nytimes.com/2013/10/21/opinion/international/kim-when-ceos-embrace-the-occult.html

Yüksek teknolojili ürünleri, zor eğitim sistemi ve başarılı şirketleri ile tanıdığımız Güney Kore’den üst düzey yöneticilerin karar verme stratejileri ile ilgili bir haber.

Ülkenin önde gelen holdinglerinden SK Group’un CEO’su şahsi yatırım zararlarını kapatmak için şirketin parasını kullandığı için Ocak ayında hüküm giymişti. New York Times’ın haberinin ilginç yanı ise bu kişisel  yatırım zararlarının nasıl oluştuğu. Raporlara göre bu zararların nedeni, CEO Chey Tae-won’ın yatırım kararlarını vermek için güvendiği falcının (shaman) yaptığı yatırımların 2008 finansal krizinde uğradığı zararlar. Bu büyük kayıptan sonra da medyum Kore’yi terk edip Taiwan’a kaçmış ve CEO’da zararlarını şirket parası ile örtbas etmeye çalışmış.

Haber Kore kültüründe falcılara olan ilgiden genişce bahsediyor. Ayrıca, LG, Samsung ve Hyundai gibi şirketlerin en üst seviye yöneticilerinin bile işe alma ve bina tasarımı gibi kararlarında bazen falcılardan nasıl faydalandığını anlatıyor.

Öğretim metot ve etkilerinin sistematik analizi

Öğretim metot ve etkilerinin sistematik analizi

Yeni Zelandalı araştırmacı Prof. John Hattie’nin eğitim metodlarının ve diğer koşulların (maddi durum, sınıftaki öğrenci sayısı…) etkileri konusunda 800’den fazla araştırmayı bir araya topladığı ‘Visible Learning’ (Görülebilir Öğrenme) kitabı eğitim konusunda veri kullanımı açısından etkileyici bir çalışma. Kitabın eğitim etkinliği konusunda ulaştığı sonuçlardan bazıları şaşırtıcı. Örneğin, pek çok eğitim yöntemi öğrencilerin eğitimine az da olsa katkıda bulunuyor, ama en çok kullanılan ve masraflı metotlar en yüksek etkinliği göstermekten uzak. Öğrenci eğitimini kesin olarak en kötü yönde etkileyen metot ise öğrenciyi sınıfta bırakma.

Söz konusu 800 çalışma da, farklı metotlar konusunda meta (konudaki araştırmaların bir araya getirilmesi)  araştırmalar. Böylece eğitim konusundaki çok sayıda araştırmanın ortalama sonuçlarına bu kitap aracılığı ile ulaşmak mümkün. Kitabın tamamlanması 15 yılı bulmuş. 800 araştırmanın sonuçları, ‘effect size’  (etki büyüklüğü) adı verilen istatistiksel bir metotla sınıflandırılmış. Etki büyüklüğü fazla olan metotların öğrenime pozitif etkileri de daha fazla oluyor. Hattie’nin dikkat çektiği en önemli nokta bu etki boyutunun öğrencinin sadece ders konularındaki gelişmesi ile ilişkili olması. Yani çocukların duygusal ve fiziksel gelişimi gibi faktörlere dikkat edilmemiş. Kitapta ayrıca metotların sınıflarda nasıl uygulanabileceği ile ilgili ayrıntılarda mevcut.

İncelenen metotların hepsine Hattie’nin web sayfasından ulaşmak mümkün ama ilgi çekebilecek bazı metotların etki büyükleri şöyle:

1.44  --- Öğrencilerin kendilerini notlandırması ve hedef belirlemesi 
0.9   --- Öğrenme sırasında öğretim etkinliği hakkında bilgi sağlamak
0.77  --- Öğrenme sorunu olanlara etkin destek sağlanması
0.75  --- Öğretmenlerin netliği
0.73  --- Geri bildirim (feedback)
0.6   --- Öğretim stratejileri
0.57  --- Öğrencinin evindeki ortam
0.57  --- Öğrencinin sosyoekonomik durumu
0.34  --- Sınavların sayısı
0.29  --- Ödevler
0.21  --- Sınıftaki öğrenci sayısı
0.12  --- Öğrencinin cinsiyeti
0.12  --- Öğrencinin beslenmesi
-0.09 --- Yaz tatili
-0.16 --- Sınıfta kalma
-0.18 --- Televizyon

Araştırmalara göre ödevler, sınav sayıları ve sınıftaki öğrencilerin sayısı gibi sıkça odaklanan konular öğrenmeye pozitif etki yapsa da, diğer metotlarla karşılaştırılınca  etki büyüklükleri çok fazla değil. En büyük etki öğrenci ve öğretmenlerin kendi öğrenmeleri hakkında fikir yürütüp, öğrenme etkinliğini arttırmak için adımlar atmasını sağlayan yöntemler. Hattie’de kitabını Görülebilir Öğrenme olarak adlandırmış çünkü en etkin öğrenmenin, öğrenci ve öğretmenlerin gelişmelerini objektif olarak izleyerek, hatalarını geç olmadan düzelttiği öğrenme olduğunu düşünüyor.

Yaz tatili (öğrencileri okuldan kopardığı için) , sınıfta kalma ve televizyonun öğrenme üzerindeki negatif etkileri de dikkat çekici.

Öğrenme metotlarının etki büyüklüğüne göre sıralaması

Daha fazla bilgi  http://visible-learning.org/2013/01/visible-learning-meta-study

Küçük işletmeler için veri toplayan MIT Sloan Startup’ı Locu’yu Godaddy.com satın aldı

http://blog.locu.com/post/58713978656/go-locu-locu-joins-godaddy

Godaddy’nin Locu için 70 milyon dolar ödediği bildiriliyor. 2011 yılında MIT Sloan’da kurulan Locu şimdiye kadar zaten 4.6 milyon doların üzerinde yatırım toplamıştı. Tabii ki bu satın alma, restoran, kuaför, kuru temizlemeci gibi küçük işletmelerin şu ana kadar internet ortamında bulunması zor olan sağladıkları servisler, çeşitli yemeklerin fiyatları gibi verilerin internete taşınması açısından önemli. Locu’nun bir önemli özelliği de  bu verilerin bilgisayarlar tarafından okunabilir (semantic web standartlarına uygun) olmasına gösterdikleri özen.

Bu verilerin internete taşınması bize ne gibi faydalar sağlayabilir? İlk akla gelen uygulama, istediğiniz yemek türü yada servise göre yerel arama yapma imkanı. Örneğin cep telefonunuzda yapacağın bir arama ile size yakın ve açık restoranlar arasında İskender Kebap’ı en uygun fiyatla satanını bulabilirsiniz; ya da, takım elbisenizi en kısa zamanda temizletebileceğiniz kuru temizlemeciyi.  Aynı zamanda Yelp gibi yorum siteleri olan entegrasyon sayesinde bu işletmeler hakkında daha fazla bilgiye ulaşmak mümkün oluyor.

Fikrin ilk ortaya çıkışı kurucu Rene Reinsberg’in restoranların menülerini internet ortamına taşıma konusundaki çalışmalarıydı, ve restoran menülerini internete taşıyan GoodPlates ortaya çıkmıştı. Daha sonra Rene fikrin sadece restoranlarla sınırlı kalmadığını fark ederek diğer işletmeleri de içerecek şekilde şirketin adını Locu’ya değiştirmişti.

Bu satın alma internette daha etkin veri kullanımı ve Locu ekibi için hayırlı olur inşallah.

2011 genel seçim anketleri

Wikipedia’nın 2011 Türkiye genel seçim anketleri başlıklı sayfası (ve tabii ki sağlanan referanslar) geçtiğimiz seçim öncesi yapılan anketler için çok fazla veri içeriyor.  Anketlerin seçim sonuçları belli olduktan sonra tekrar geri dönülüp incelenmesi gerçekten önemli bir konu, bu yüzden ilerki günlerde bu anket sonuçlarına biraz daha ayrıntılı bakmaya çalışacağız.

Tarih Şirket AKP CHP MHP AKP hatası CHP hatası
Haziran 10 Denge 42.4 27.2 11.6 -7.43 1.22
Temmuz 10 SONAR 31.1 33.5 15.5 -18.73 7.52
Ağustos 10 SONAR 37.23 31.2 13.59 -12.6 5.22
Eylül 10 Andy-AR 44.1 25.3 10.3 -5.73 -0.68
Kasım 10 AKP 46.8 25 12.7 -3.03 -0.98
Kasım 10 Andy-AR 46.4 24.7 10.2 -3.43 -1.28
Aralık 10 A&G 44 31 10 -5.83 5.02
Aralık 10 Andy-AR 46.8 26.1 10.6 -3.03 0.12
Aralık 10 ORC 40.7 23.3 12.1 -9.13 -2.68
Ocak 11 Andy-AR 48.3 25.2 10.6 -1.53 -0.78
Ocak 11 GENAR 46.4 24.3 13.4 -3.43 -1.68
Ocak 11 Metropoll 43.5 30.7 13.8 -6.33 4.72
Mart 11 Andy-AR 48.2 26.8 11.2 -1.63 0.82
Şubat 11 Andy-AR 48.8 26.2 10.4 -1.03 0.22
Mart 11 İKSara 48 28 15 -1.83 2.02
Mart 11 Konda 51.8 22.2 8.5 1.97 -3.78
Mart 11 MetroPoll 48.3 27.5 11.7 -1.53 1.52
Şubat 11 USADEM 46.7 27.4 11.21 -3.13 1.42
Nisan 11 AKAM 41.8 25.8 15.1 -8.03 -0.18
Nisan 11 Andy-AR 51.2 28.8 10.7 1.37 2.82
Nisan 11 GENAR 48.7 25.2 11.9 -1.13 -0.78
Nisan 11 GENAR 47.9 24.4 12.2 -1.93 -1.58
Nisan 11 İKSara 46.4 30.3 13.5 -3.43 4.32
Nisan 11 Konda 50.1 25.2 10 0.27 -0.78
Nisan 11 Marmara 47.1 27.4 11.2 -2.73 1.42
Nisan 11 ORC 50.1 24.5 11.7 0.27 -1.48
Mayıs 11 Andy-AR 52 27 10.5 2.17 1.02
Haziran 11 Konda 46.5 26.8 10.8 -3.33 0.82
Mayıs 11 Konda 49.5 26.5 10.8 -0.33 0.52
Mayıs 11 ORC 49.5 25.2 11.3 -0.33 -0.78
Mayıs 11 Pollmark 47.5 25.2 12.6 -2.33 -0.78
Mayıs 10 SONAR 31.09 32.48 18.59 -18.74 6.5

Netflix neden 1 milyon dolar ödüllü yarışmasını kazanan algoritmayı hiç kullanmadı?

Netflix Prize 2006-2009 yılları arasında Netflix DVD kiralama şirketinin bilgisayar araştırmacıları arasında açtığı bir yarışmaydı. Yarışmanın amacı Netflix kullanıcılarının geçmişte sevdikleri filmlere bakarak gelecekte beğenebilecekleri filmleri tahmin eden bir algoritma tasarlamaktı. Plana göre bu algoritma yardımıyla, Netflix kullanıcıları sevecekleri filmlere daha hızlı şekilde ulaşabilecekti.

Yarışmaya 3 yıl boyunca yüzlerce araştırmacı katıldı. Bende o yıllarda University of California’da doktora çalışmalarıma devam ediyordum. Bir başka Türk araştırmacı arkadaşımla birlikte bizde bu konu üzerinde bir süre çalıştık. Netflix gerçekten beğenilecek filmlerin tahmini konusundaki araştırmaları kısa sürelide olsa çok hızlandırmayı başardı ve bu konuda büyük yol alındı. 2009 yılında birkaç araştırma grubunun bir araya gelerek oluşturduğu “BellKor’s Pragmatic Chaos” ekibi en iyi tahminleri yaparak 1 milyon dolarlık ödülün sahibi oldu.

Netflix bu yarışma sayesinde çok sayıda övgü aldı. AR-GE çalışmalarını açık bir şekilde şirket dışına taşınması gerçekten de büyük bir yenilikti. İnternet sayesinde bu tip yarışmaları düzenlemek daha da kolaylaştıkça Netflix Prize modelinin şirketler için sürdürülebilir bir AR-GE modeli olabileceğinden bile söz ediliyordu.  Ta ki yarışmanın asıl sonuçları ortaya çıkıncaya kadar.

Geçtiğimiz yıl -yarışmanın bitişinden 3 yıl sonra- Netflix yarışmayı kazanan algoritmanın sistemlerinde aktif olarak hiç kullanılmadığını açıkladı.

Peki diğer algoritmalardan üstün olan bu algoritma neden kullanılmamıştı?

Sorun entegrasyon için gereken mühendislik eforunun boyutu. Netflix zaten hali hazırda ortalama performans gösteren bir tahmin algoritmasına sahip. Bu algoritma Netflix’in milyonlarca müşterisine hizmet veren sistemlerine entegre edilmiş durumda ve söylenene göre yarışmayı kazanan algoritmanın tahmin performansı Netflix algoritmasından sadece %10 daha iyi. Yeni bir algoritmanın sistem içerisine entegre edilmesi, test edilmesi ve bütün müşteriler tarafından kullanılması Netflix için milyonlarca dolar ek harcamaya neden olabilir. Bu nedenle Netflix’in bu yeni algoritmayı kullanmaması gerçekten mantıklı. Tabii ki bu durumda entegrasyon kolaylığının yarışmanın ön şartlarından birisi olmaması da herhalde Netflix’in hatalarından birisi.

Netflix Prize hakkında Frobes dergisinin yaptığı ilginç bir araştırmayı  http://www.forbes.com/sites/ryanholiday/2012/04/16/what-the-failed-1m-netflix-prize-tells-us-about-business-advice/ adresinde bulabilirsiniz.

Obama 2012 kampanyasında kendisine oy veren seçmenleri nasıl tahmin etti?

Obama 2012 kampanyasında kendisine oy veren seçmeleri nasıl tahmin etti?

Obama’nın 2012 seçimlerindeki veri takımının başarısı halen konuşulmaya devam ediyor. MIT Technology Review’de yayınlanan bir araştırmada veri kullanımının ne boyuta ulaştığını en iyi şekilde gösteriyor. Bu araştırmaya göre Obama takımı 2008’de kendisini beyaz saraya taşıyan 69.456.897 seçmenin kim olduğu konusunda tam kesin olmasa bile belirli istatistiksel limitler içerisinde bir fikir sahibiydi.

Tabii ki seçimler kapalı oylama ile yapıldığı için seçmenlerin hangi yönde oy kullandıkları bir tahminin ötesine geçmese mümkün değil, ama sınırlı kaynaklarla çalışan bir seçim kampanyasının, hangi seçmenlerle bağlantı kurması gerektiği konusunda ipuçları bile büyük önem taşımakta.

Peki, Obama 2012 bu tahminleri nasıl yaptı? Bu konuda büyük oranda kredi kampanyanın baş analitik uzmanı Dan Wagner veriliyor. Demokrat partinin kullandığı farklı seçmen veritabanlarının (geçmişte partiye üye olanlar, bağış yapanlar, gönüllü olanlar, yada anketlere cevap vereneler vs.) hepsinin bir araya toplanmasıyla başlayan çalışma, her bir seçmen için 1000’e yakın değişkenin toplanmasıyla devam etmiş. Bu değişkenlerin arasında halka açık seçmen kayıtlarındaki bilgiler, tüketiciler hakkında bilgi sağlayan şirketlerden satın alınan veriler, ve daha önceki kampanyalarda bu seçmenlerle yapılan bütün etkileşimler bulunuyor. Kampanya boyunca bu değişkenler yenilenmeye devam edilmiş.

Bu 1000 değişken kullanılarak, her seçmen için iki adet olasılık hesaplayan istatistiksel modeller oluşturulmuş. 1) Seçmenin Obama’ya destek verme olasığı, 2) Seçmenin seçim günü oy kullanma olasılığı. Doğal olarak, seçim kampanyasının öncelikli hedefi Obama’yı destekleyip, oy kullanmama ihtimali yüksek olan seçmenler olmuş.

Araştırmaya göre bu seçmen hedefleme stratejisi Obama 2012’nin seçim kampanyalarına getirdiği tek yenilik değil. Türkiye’de 2013 Mart seçimleride hızla yaklaştığı için gündemde olan bu konuya, blog’da sıkça yer vermeye devam edeceğiz.

MakulKarar.com

“Genellikle fikir, izlenim ve yargılarımız hakkında kendimize gereğinden fazla güveniriz.”

-Daniel Kahneman, 2002 Nobel Ekonomi ödüllü Psikolog

Bu blog’da Dr. Tarık Arıcı ve Dr. Onur Güzey’in karar verme, veri madenciliği ve ilgili konularda yazılarını, görüşlerini ve bu konulardaki diğer kaynaklara olan bağlantıları bulabilirsiniz.