Announcing Free Research Tools: Turn Amazon, Trustpilot, Tripadvisor, Google Play and App Store reviews into market research!

Makine Öğrenimi Kalitatif Araştırmalarda Nasıl Kullanılır?

Jun 11, 2020 - 6 min read
Makine Öğrenimi Kalitatif Araştırmalarda Nasıl Kullanılır?

Kalitatif (niteliksel) yöntem, ara┼čt─▒r─▒lan konuyu derinlemesine anlayabilmek için hayatî önem ta┼č─▒yor. Kantitatif (niceliksel) yöntem say─▒sal verilere odaklan─▒rken, kalitatif ara┼čt─▒rma sayesinde bu verilerin söylediklerinden çok daha fazlas─▒n─▒ anlayabilmek ve kantitatif ara┼čt─▒rmalarla ula┼č─▒lamayacak içgörülere ula┼čmak mümkün. Ne var ki ara┼čt─▒rma sürecinde elde edilen verilerden sa─čl─▒kl─▒ ç─▒kar─▒mlar yapabilmek için ihtiyaç duyulan yüksek hacimli ve çoklu-s─▒n─▒fl─▒ verileri sadece insan gücüyle analiz edebilmek kolay de─čil. Bu noktada devreye giren makine ö─črenimi, kulland─▒─č─▒ ak─▒ll─▒ algoritmalar ve insan kapasitesinin çok üzerinde i┼člemi çok k─▒sa sürede yapabilmesi sayesinde, kalitatif ara┼čt─▒rmalar─▒n etkinli─čini ve verimlili─čini art─▒r─▒yor.

Kalitatif Ara┼čt─▒rma Nedir?

Kalitatif ara┼čt─▒rma, belirli bir olay, kavram, marka, ürün veya hizmet hakk─▒nda hedef kitle ya da tüketicilerin dü┼čüncelerini, e─čilimlerini, hislerini ve al─▒┼čkanl─▒klar─▒n─▒ ortaya ç─▒karmay─▒ hedefleyen, toplanan detayl─▒ veriyi daha küçük örneklemleri baz alarak s─▒n─▒fland─▒rmaya dayal─▒ bir ara┼čt─▒rma yöntemi. Kantitatif ara┼čt─▒rman─▒n aksine say─▒sal verilere odaklanm─▒yor; aksine, say─▒sal veriler arac─▒l─▒─č─▒yla ortaya ç─▒kar─▒lamayacak içgörülere ula┼č─▒lmas─▒n─▒ sa─čl─▒yor.

Somut bir örnek vermek gerekirse, kantitatif ara┼čt─▒rmalar bir siyasi partinin bir sonraki seçimde hangi aral─▒kta oy alaca─č─▒n─▒ öngörmek için kullan─▒l─▒rken, seçmenin belirli bir partiyi neden tercih etti─čini anlamam─▒za yetmiyor. Bunun için kalitatif ara┼čt─▒rma yapmak gerekiyor. Ya da belli bir ya┼č aral─▒─č─▒ndaki gençler aras─▒nda sigara kullan─▒m─▒ yayg─▒nl─▒─č─▒n─▒ kantitatif ara┼čt─▒rmalarla bulabilirken, gençleri erken ya┼čta sigara kullan─▒m─▒na iten motivasyonu yaln─▒zca kalitatif ara┼čt─▒rmalarla ö─črenebiliyor ve ancak bu sayede buna yönelik önlemler alabiliyoruz.

Bu yüzden hedef kitlesini anlay─▒p onlara yönelik strateji geli┼čtirmek isteyen markalar ve hatta ┼čah─▒slar, kalitatif ara┼čt─▒rma yöntemini kullan─▒yor.

Makine Ö─črenimi ve Kalitatif Ara┼čt─▒rmalar

Kalitatif ara┼čt─▒rma yaparken kar┼č─▒la┼č─▒lan temel sorunlardan ikisi, elde edilen verilerin güvenilirli─či ve bu verilerin i┼členmesi için gereken i┼č gücü ve zaman─▒n fazlal─▒─č─▒. Zira bir ara┼čt─▒rman─▒n sa─čl─▒kl─▒ olabilmesi için mümkün oldu─čunca do─čru, güncel ve yüksek hacimli veriye ihtiyaç var.

Baz─▒ hassasiyetler, yüz yüze mülakat yönteminde insanlar─▒n ara┼čt─▒rmac─▒lara do─čru bilgi vermesine engel olabiliyor. Bu yüzden baz─▒ hallerde, sosyal medya gibi insanlar─▒n fikirlerini ve motivasyonlar─▒n─▒ ifade ederken daha rahat davrand─▒klar─▒ mecralardan toplanan ikincil veriler, ara┼čt─▒rman─▒n amac─▒na ula┼čabilmesi için daha faydal─▒ dahi olabiliyor. Öte yandan pazarlama stratejisi geli┼čtirmek gibi faaliyetler, verilerin güncel olmas─▒na ihtiyaç duyuyor. ─░ki y─▒l önce yap─▒lm─▒┼č bir ara┼čt─▒rmadan elde edilecek sonuçlarla bugün geli┼čtirilebilecek bir reklam kampanyas─▒, arzu edilenden çok uzak sonuçlar do─čurabiliyor. Bu iki sorun; kitlelerin ilgi alanlar─▒, demografik özellikleri, haber alma al─▒┼čkanl─▒klar─▒ ve marka ba─čl─▒l─▒klar─▒ gibi birçok alanda en güncel ve güvenilir ikincil veriyi sa─člayan ürünler kullanarak çözülebiliyor.

Ne var ki, konu eldeki yüksek hacimli verilerin s─▒n─▒fland─▒r─▒lmas─▒na geldi─činde, bunun için insan gücüyle yetinmek ya hiç mümkün olmuyor ya da çok ciddi bir i┼č gücü ve zaman israf─▒na sebebiyet veriyor. Bu sorunun en etkili ve pratik çözümü ise veri s─▒n─▒fland─▒rmas─▒nda makine ö─črenimi kullanmaktan geçiyor. Bu konunun detaylar─▒ için bu yaz─▒m─▒za göz atabilirsiniz.

Makine Ö─črenimi Kalitatif Ara┼čt─▒rmalarda Nas─▒l Kullan─▒l─▒r?

Kalitatif ara┼čt─▒rmam─▒zda makine ö─čreniminden yararlanmak için ┼ču ad─▒mlar─▒ takip ediyoruz:

1. Ad─▒m: Veri Toplama

Yukar─▒da da de─čindi─čimiz gibi sa─čl─▒kl─▒ bir kalitatif ara┼čt─▒rma yapabilmek için mümkün oldu─čunca geni┼č hacimli, güvenilir ve güncel bilgiye ihtiyaç var. Bunun için, sisteme çe┼čitli yöntemlerle tan─▒mlayabilece─čimiz hedef kitlemiz do─črultusunda, binlerce gerçek ve aktif kullan─▒c─▒n─▒n sosyal medya payla┼č─▒mlar─▒n─▒ toplayan ve kitlemizle ilgili yüksek hacimli ve detayl─▒ veriler sunan Kimola’n─▒n Analytics deneyebilirsiniz. Öte yandan gözlem, odak grup, derinlemesine görü┼čme ve anket gibi yöntemlerle toplad─▒─č─▒n─▒z birincil veriden de faydalanabilirsiniz.

2. Ad─▒m: Etiket Belirleme ve Etiketleme

Verilerimizi makine ö─črenimi teknolojisiyle s─▒n─▒fland─▒rmaya geçmeden önce bu s─▒n─▒fland─▒rman─▒n hangi etiketlere göre yap─▒laca─č─▒n─▒ belirlemek ve eldeki verinin bir bölümüne bu etiketleri uygulamam─▒z gerekiyor.

Farz edelim bir banka, mü┼čterilerinin hangi araçlarla para transferi i┼člemi yaparken ne tip tecrübeler ya┼čad─▒─č─▒n─▒ analiz edip buna göre bir strateji geli┼čtirmek istiyor olsun. Toplad─▒─č─▒ veriler aras─▒ndaki, “Uygulama her seferinde SMS onay─▒ istemese ke┼čke” ve “Güne┼č direkt ekrana vurdu─ču için para yat─▒ramad─▒m” gibi içerikleri yorumlayabilmesi için bunlar─▒n s─▒n─▒fland─▒r─▒lmas─▒nda kullan─▒lacak Mobil Uygulama/ATM gibi platform bazl─▒ etiketlerin kullan─▒c─▒ taraf─▒ndan olu┼čturulmas─▒ gerekecek.

3. Ad─▒m: Makine Ö─črenimi

Kullan─▒c─▒ bu etiketleri olu┼čturduktan sonra s─▒ra makine ö─črenimi ad─▒m─▒na geliyor. Bu ad─▒m için öncelikle kullan─▒c─▒ tüm verinin hacmine k─▒yasla çok daha küçük hacimde veri için manuel olarak i┼čaretleme yaparak makine ö─črenimi ad─▒m─▒na haz─▒rl─▒k yap─▒yor. Burada önemli olan nokta, ne kadar fazla i┼čaretleme yap─▒l─▒rsa, yani makineye ne kadar fazla ┼čey ö─čretilirse, otomatizasyon süreci sonunda elde edilecek sonucun do─čruluk oran─▒ o kadar yükseliyor. Kullan─▒c─▒ daha sonra elinde bulunan ve bir bölümü i┼čaretlenmi┼č verileri sisteme yüklüyor.

Makine ö─črenimi a┼čamas─▒nda, e─čer kullan─▒lan ürün haz─▒r modeller sunuyorsa, i┼čaretlemeyi manuel olarak yapmadan da sonraki ad─▒ma geçmek mümkün. Örne─čin Kimola’n─▒n Cognitive ürünü, sisteme halihaz─▒rda yüklenmi┼č olan Sa─čl─▒k, Nefret Söylemi ve Sentiment gibi modelleriyle bu yükü kullan─▒c─▒n─▒n s─▒rt─▒ndan tamamen almay─▒ ba┼čar─▒yor.

4. Ad─▒m: Otomatik Veri S─▒n─▒fland─▒rma

Bu a┼čamada art─▒k gerek manuel i┼čaretlemeyle gerekse haz─▒r modeller vas─▒tas─▒yla ne yapaca─č─▒n─▒ ö─črenmi┼č olan sistem, yüklenen veri taban─▒nda henüz s─▒n─▒fland─▒r─▒lmam─▒┼č olan verileri, ak─▒ll─▒ algoritmas─▒n─▒n yard─▒m─▒yla s─▒n─▒fland─▒r─▒yor.

Yukar─▒daki örnek üzerinden devam edersek, “Güne┼č direkt ekrana vurdu─ču için para yat─▒ramad─▒m” verisinin, o cümlede geçmemesine ra─čmen “ATM” etiketiyle s─▒n─▒fland─▒r─▒lmas─▒ gerekti─čini ö─črenen sistem, bu etiketle i┼čaretlenmi┼č di─čer verileri de analizine dahil ediyor ve bundan sonra hangi verilerin “ATM” ile i┼čaretlenmesi gerekti─čini ö─čreniyor. Bu sayede, “Para yat─▒rmak için 15 dakika s─▒ra bekledim”, “En yak─▒n bankamatik niye hep bu kadar uzak?” gibi verileri de ATM olarak s─▒n─▒fland─▒rabiliyor. Üstelik bu s─▒n─▒fland─▒rmay─▒, insan beyniyle k─▒yaslanamayacak kadar yüksek i┼člemci kapasitesi sayesinde çok k─▒sa sürede yapabiliyor.

5. Ad─▒m: Öngörüleri ─░çgörüye Dönü┼čtürme

Otomatik veri s─▒n─▒fland─▒rma a┼čamas─▒ geride kald─▒ktan sonra, sisteme tan─▒mlanan etiketlere göre s─▒n─▒fland─▒r─▒lm─▒┼č yüksek hacimli veri taban─▒m─▒z─▒ d─▒┼ča aktar─▒yoruz. Bu noktada s─▒ra, ara┼čt─▒rmam─▒z─▒n amac─▒ do─črultusunda, cevaplar─▒n─▒ merak etti─čimiz sorular ─▒┼č─▒─č─▒nda filtreleme yaparak elde etti─čimiz veriden sonuçlar ç─▒karmaya geliyor.

Yine yukar─▒daki örnekten devam edecek olursak, elindeki datada “Platform” ve “Sentiment” etiketleri bazl─▒ filtreme yapan banka, mobil uygulamas─▒n─▒n insanlarda a─č─▒rl─▒kl─▒ olarak pozitif mi negatif mi kar┼č─▒l─▒k buldu─čunu ö─črenmekle kalm─▒yor, insanlar─▒n yorumlar─▒n─▒ da kolayca filtrelemi┼č oldu─ču için mü┼čterilerinin belli bir platforma yönelik deneyimlerini pozitif ve negatife dönü┼čtüren etmenleri kolayca görebiliyor. Böylece banka ya da birlikte çal─▒┼čt─▒─č─▒ ajans─▒n profesyonelleri, on binlerce veriyi s─▒n─▒fland─▒rmaya harcayacaklar─▒ emek ve zaman─▒, birkaç dakika içinde ula┼čt─▒klar─▒ ve otomatik olarak s─▒n─▒fland─▒r─▒lm─▒┼č veriden ç─▒kar─▒mlar yap─▒p uygun stratejiler geli┼čtirmeye ay─▒rabiliyorlar.

Opsiyonel Ad─▒m: Sisteme Düzenli Veri Ak─▒┼č─▒ Sa─člama

Baz─▒ ara┼čt─▒rmalar için yukar─▒daki ad─▒mlar─▒ bir kez izleyip aranan sonuca ula┼čmak yeterli olurken, baz─▒ ara┼čt─▒rmalarda sisteme yeni veri ak─▒┼č─▒ sa─člamak gerekebiliyor. Örne─čin 2019 y─▒l─▒nda mü┼čterilerinin web sitesi tecrübesi üzerine bir ara┼čt─▒rma yapan bir firma, 1 Ocak 2020’den itibaren gelen verileri sisteme yükleme gere─či duymayacakt─▒r. Ne var ki marka sadakati konusunda periyodik ara┼čt─▒rma yapan bir firma, belli dönemlerde yeni verilerle yukar─▒daki ad─▒mlar─▒ tekrarlamak isteyecektir.

Makine ö─čreniminin bu a┼čamada getirdi─či en büyük avantajsa do─čruluk oran─▒n─▒n her yeni otomatik s─▒n─▒fland─▒rma i┼čleminde art─▒yor olmas─▒. Sisteme yüklü modeller Cognitive ürününde oldu─ču gibi düzenli olarak geli┼čtiriliyorsa, model her uyguland─▒─č─▒nda daha yüksek do─čruluk oran─▒na ula┼č─▒yor. Ayr─▒ca sistem, yine Cognitive ürünün yapt─▒─č─▒ gibi, kullan─▒c─▒ya kendi modelini olu┼čturma imkân─▒ tan─▒yorsa, kullan─▒c─▒ bir ara┼čt─▒rma sonunda toplanan verilerde hata gördü─čü s─▒n─▒fland─▒rmalar─▒ manuel olarak düzeltip ç─▒kan sonucu sisteme yeni bir model olarak ekledi─činde, bir sonraki sorguda bu modeli kullanarak daha yüksek do─čruluk oran─▒ elde ediyor.

Kimola Cognitive’i Ücretsiz Deneyin

Hiçbir teknik bilgiye ihtiyaç duymayan, tamamen web-tabanl─▒ çal─▒┼čan, verilerin sürükle-b─▒rak gibi çok basit bir yöntemle sisteme yüklenebildi─či bir arayüze sahip olan Cognitive, makine ö─črenimi teknolojisini kullanarak yüksek hacimli verileri k─▒sa sürede ve yüksek do─čruluk oran─▒yla s─▒n─▒fland─▒r─▒yor. Ürün böylece, kalitatif ara┼čt─▒rmalara ihtiyaç duyan ileti┼čim sektörünün yarat─▒c─▒ çal─▒┼čanlar─▒n─▒n emek ve zamanlar─▒n─▒ yüksek hacimli verileri s─▒n─▒fland─▒rmaya harcamak yerine, en iyi olduklar─▒ alanlara odaklanmalar─▒n─▒ sa─čl─▒yor.

Kimola Cognitive’i denemek ve ilk makine ö─črenimi modelinizi ücretsiz yaratmak için buradan üye olabilirsiniz. Ayr─▒ca Cognitive’e dair daha fazla bilgi almak isterseniz, sormak istediklerinizi buradan bize iletebilir ya da Calendly üzerinden bir görü┼čme randevusu talep edebilirsiniz.

Tüketici Görü┼člerini Kimola Cognitive ile Analiz Edin

Subscribe to Our Newsletter!

We gather global consumer research news and share them with 3,000+ marketing and research professionals worldwide.

Latest