Makine Öğrenimi Kalitatif Araştırmalarda Nasıl Kullanılır?

Kalitatif (niteliksel) yöntem, araştırılan konuyu derinlemesine anlayabilmek için hayatî önem taşıyor. Kantitatif (niceliksel) yöntem sayısal verilere odaklanırken, kalitatif araştırma sayesinde bu verilerin söylediklerinden çok daha fazlasını anlayabilmek ve kantitatif araştırmalarla ulaşılamayacak içgörülere ulaşmak mümkün. Ne var ki araştırma sürecinde elde edilen verilerden sağlıklı çıkarımlar yapabilmek için ihtiyaç duyulan yüksek hacimli ve çoklu-sınıflı verileri sadece insan gücüyle analiz edebilmek kolay değil. Bu noktada devreye giren makine öğrenimi, kullandığı akıllı algoritmalar ve insan kapasitesinin çok üzerinde işlemi çok kısa sürede yapabilmesi sayesinde, kalitatif araştırmaların etkinliğini ve verimliliğini artırıyor.

Kalitatif Araştırma Nedir?

Kalitatif araştırma, belirli bir olay, kavram, marka, ürün veya hizmet hakkında hedef kitle ya da tüketicilerin düşüncelerini, eğilimlerini, hislerini ve alışkanlıklarını ortaya çıkarmayı hedefleyen, toplanan detaylı veriyi daha küçük örneklemleri baz alarak sınıflandırmaya dayalı bir araştırma yöntemi. Kantitatif araştırmanın aksine sayısal verilere odaklanmıyor; aksine, sayısal veriler aracılığıyla ortaya çıkarılamayacak içgörülere ulaşılmasını sağlıyor.

Somut bir örnek vermek gerekirse, kantitatif araştırmalar bir siyasi partinin bir sonraki seçimde hangi aralıkta oy alacağını öngörmek için kullanılırken, seçmenin belirli bir partiyi neden tercih ettiğini anlamamıza yetmiyor. Bunun için kalitatif araştırma yapmak gerekiyor. Ya da belli bir yaş aralığındaki gençler arasında sigara kullanımı yaygınlığını kantitatif araştırmalarla bulabilirken, gençleri erken yaşta sigara kullanımına iten motivasyonu yalnızca kalitatif araştırmalarla öğrenebiliyor ve ancak bu sayede buna yönelik önlemler alabiliyoruz.

Bu yüzden hedef kitlesini anlayıp onlara yönelik strateji geliştirmek isteyen markalar ve hatta şahıslar, kalitatif araştırma yöntemini kullanıyor.

Makine Öğrenimi ve Kalitatif Araştırmalar

Kalitatif araştırma yaparken karşılaşılan temel sorunlardan ikisi, elde edilen verilerin güvenilirliği ve bu verilerin işlenmesi için gereken iş gücü ve zamanın fazlalığı. Zira bir araştırmanın sağlıklı olabilmesi için mümkün olduğunca doğru, güncel ve yüksek hacimli veriye ihtiyaç var.

Bazı hassasiyetler, yüz yüze mülakat yönteminde insanların araştırmacılara doğru bilgi vermesine engel olabiliyor. Bu yüzden bazı hallerde, sosyal medya gibi insanların fikirlerini ve motivasyonlarını ifade ederken daha rahat davrandıkları mecralardan toplanan ikincil veriler, araştırmanın amacına ulaşabilmesi için daha faydalı dahi olabiliyor. Öte yandan pazarlama stratejisi geliştirmek gibi faaliyetler, verilerin güncel olmasına ihtiyaç duyuyor. İki yıl önce yapılmış bir araştırmadan elde edilecek sonuçlarla bugün geliştirilebilecek bir reklam kampanyası, arzu edilenden çok uzak sonuçlar doğurabiliyor. Bu iki sorun; kitlelerin ilgi alanları, demografik özellikleri, haber alma alışkanlıkları ve marka bağlılıkları gibi birçok alanda en güncel ve güvenilir ikincil veriyi sağlayan ürünler kullanarak çözülebiliyor.

Ne var ki, konu eldeki yüksek hacimli verilerin sınıflandırılmasına geldiğinde, bunun için insan gücüyle yetinmek ya hiç mümkün olmuyor ya da çok ciddi bir iş gücü ve zaman israfına sebebiyet veriyor. Bu sorunun en etkili ve pratik çözümü ise veri sınıflandırmasında makine öğrenimi kullanmaktan geçiyor. Bu konunun detayları için bu yazımıza göz atabilirsiniz.

Makine Öğrenimi Kalitatif Araştırmalarda Nasıl Kullanılır?

Kalitatif araştırmamızda makine öğreniminden yararlanmak için şu adımları takip ediyoruz:

1. Adım: Veri Toplama

Yukarıda da değindiğimiz gibi sağlıklı bir kalitatif araştırma yapabilmek için mümkün olduğunca geniş hacimli, güvenilir ve güncel bilgiye ihtiyaç var. Bunun için, sisteme çeşitli yöntemlerle tanımlayabileceğimiz hedef kitlemiz doğrultusunda, binlerce gerçek ve aktif kullanıcının sosyal medya paylaşımlarını toplayan ve kitlemizle ilgili yüksek hacimli ve detaylı veriler sunan Kimola’nın Analytics deneyebilirsiniz. Öte yandan gözlem, odak grup, derinlemesine görüşme ve anket gibi yöntemlerle topladığınız birincil veriden de faydalanabilirsiniz.

2. Adım: Etiket Belirleme ve Etiketleme

Verilerimizi makine öğrenimi teknolojisiyle sınıflandırmaya geçmeden önce bu sınıflandırmanın hangi etiketlere göre yapılacağını belirlemek ve eldeki verinin bir bölümüne bu etiketleri uygulamamız gerekiyor.

Farz edelim bir banka, müşterilerinin hangi araçlarla para transferi işlemi yaparken ne tip tecrübeler yaşadığını analiz edip buna göre bir strateji geliştirmek istiyor olsun. Topladığı veriler arasındaki, “Uygulama her seferinde SMS onayı istemese keşke” ve “Güneş direkt ekrana vurduğu için para yatıramadım” gibi içerikleri yorumlayabilmesi için bunların sınıflandırılmasında kullanılacak Mobil Uygulama/ATM gibi platform bazlı etiketlerin kullanıcı tarafından oluşturulması gerekecek.

3. Adım: Makine Öğrenimi

Kullanıcı bu etiketleri oluşturduktan sonra sıra makine öğrenimi adımına geliyor. Bu adım için öncelikle kullanıcı tüm verinin hacmine kıyasla çok daha küçük hacimde veri için manuel olarak işaretleme yaparak makine öğrenimi adımına hazırlık yapıyor. Burada önemli olan nokta, ne kadar fazla işaretleme yapılırsa, yani makineye ne kadar fazla şey öğretilirse, otomatizasyon süreci sonunda elde edilecek sonucun doğruluk oranı o kadar yükseliyor. Kullanıcı daha sonra elinde bulunan ve bir bölümü işaretlenmiş verileri sisteme yüklüyor.

Makine öğrenimi aşamasında, eğer kullanılan ürün hazır modeller sunuyorsa, işaretlemeyi manuel olarak yapmadan da sonraki adıma geçmek mümkün. Örneğin Kimola’nın Cognitive ürünü, sisteme halihazırda yüklenmiş olan Sağlık, Nefret Söylemi ve Sentiment gibi modelleriyle bu yükü kullanıcının sırtından tamamen almayı başarıyor.

4. Adım: Otomatik Veri Sınıflandırma

Bu aşamada artık gerek manuel işaretlemeyle gerekse hazır modeller vasıtasıyla ne yapacağını öğrenmiş olan sistem, yüklenen veri tabanında henüz sınıflandırılmamış olan verileri, akıllı algoritmasının yardımıyla sınıflandırıyor.

Yukarıdaki örnek üzerinden devam edersek, “Güneş direkt ekrana vurduğu için para yatıramadım” verisinin, o cümlede geçmemesine rağmen “ATM” etiketiyle sınıflandırılması gerektiğini öğrenen sistem, bu etiketle işaretlenmiş diğer verileri de analizine dahil ediyor ve bundan sonra hangi verilerin “ATM” ile işaretlenmesi gerektiğini öğreniyor. Bu sayede, “Para yatırmak için 15 dakika sıra bekledim”, “En yakın bankamatik niye hep bu kadar uzak?” gibi verileri de ATM olarak sınıflandırabiliyor. Üstelik bu sınıflandırmayı, insan beyniyle kıyaslanamayacak kadar yüksek işlemci kapasitesi sayesinde çok kısa sürede yapabiliyor.

5. Adım: Öngörüleri İçgörüye Dönüştürme

Otomatik veri sınıflandırma aşaması geride kaldıktan sonra, sisteme tanımlanan etiketlere göre sınıflandırılmış yüksek hacimli veri tabanımızı dışa aktarıyoruz. Bu noktada sıra, araştırmamızın amacı doğrultusunda, cevaplarını merak ettiğimiz sorular ışığında filtreleme yaparak elde ettiğimiz veriden sonuçlar çıkarmaya geliyor.

Yine yukarıdaki örnekten devam edecek olursak, elindeki datada “Platform” ve “Sentiment” etiketleri bazlı filtreme yapan banka, mobil uygulamasının insanlarda ağırlıklı olarak pozitif mi negatif mi karşılık bulduğunu öğrenmekle kalmıyor, insanların yorumlarını da kolayca filtrelemiş olduğu için müşterilerinin belli bir platforma yönelik deneyimlerini pozitif ve negatife dönüştüren etmenleri kolayca görebiliyor. Böylece banka ya da birlikte çalıştığı ajansın profesyonelleri, on binlerce veriyi sınıflandırmaya harcayacakları emek ve zamanı, birkaç dakika içinde ulaştıkları ve otomatik olarak sınıflandırılmış veriden çıkarımlar yapıp uygun stratejiler geliştirmeye ayırabiliyorlar.

Opsiyonel Adım: Sisteme Düzenli Veri Akışı Sağlama

Bazı araştırmalar için yukarıdaki adımları bir kez izleyip aranan sonuca ulaşmak yeterli olurken, bazı araştırmalarda sisteme yeni veri akışı sağlamak gerekebiliyor. Örneğin 2019 yılında müşterilerinin web sitesi tecrübesi üzerine bir araştırma yapan bir firma, 1 Ocak 2020’den itibaren gelen verileri sisteme yükleme gereği duymayacaktır. Ne var ki marka sadakati konusunda periyodik araştırma yapan bir firma, belli dönemlerde yeni verilerle yukarıdaki adımları tekrarlamak isteyecektir.

Makine öğreniminin bu aşamada getirdiği en büyük avantajsa doğruluk oranının her yeni otomatik sınıflandırma işleminde artıyor olması. Sisteme yüklü modeller Cognitive ürününde olduğu gibi düzenli olarak geliştiriliyorsa, model her uygulandığında daha yüksek doğruluk oranına ulaşıyor. Ayrıca sistem, yine Cognitive ürünün yaptığı gibi, kullanıcıya kendi modelini oluşturma imkânı tanıyorsa, kullanıcı bir araştırma sonunda toplanan verilerde hata gördüğü sınıflandırmaları manuel olarak düzeltip çıkan sonucu sisteme yeni bir model olarak eklediğinde, bir sonraki sorguda bu modeli kullanarak daha yüksek doğruluk oranı elde ediyor.

Kimola Cognitive’i Ücretsiz Deneyin

Hiçbir teknik bilgiye ihtiyaç duymayan, tamamen web-tabanlı çalışan, verilerin sürükle-bırak gibi çok basit bir yöntemle sisteme yüklenebildiği bir arayüze sahip olan Cognitive, makine öğrenimi teknolojisini kullanarak yüksek hacimli verileri kısa sürede ve yüksek doğruluk oranıyla sınıflandırıyor. Ürün böylece, kalitatif araştırmalara ihtiyaç duyan iletişim sektörünün yaratıcı çalışanlarının emek ve zamanlarını yüksek hacimli verileri sınıflandırmaya harcamak yerine, en iyi oldukları alanlara odaklanmalarını sağlıyor.

Kimola Cognitive’i denemek ve ilk makine öğrenimi modelinizi ücretsiz yaratmak için buradan üye olabilirsiniz. Ayrıca Cognitive’e dair daha fazla bilgi almak isterseniz, sormak istediklerinizi buradan bize iletebilir ya da Calendly üzerinden bir görüşme randevusu talep edebilirsiniz.