Doğru Tahmin Nasıl Yapılır? Korelasyondan Yararlanmak!

Doğru Tahmin Nasıl Yapılır? Korelasyondan Yararlanmak | Korelasyon sonuçlarından nedensel yorumlar çıkarmak doğru mu? Bu, çok sık yapılan bir hatadır. Bu konuda sayısız organizasyona danışmanlık yapılmış, bilimsel makaleler, yönetim yazıları ve hatta deneylerin ve nedensel çıkarım araçlarının gücü hakkında bir kitap yazılmıştır. Ekonomistler son yıllarda bu araçları benimseyip çalışmalarına uyarladılar. Nedensel çıkarım araçlarına derinden inanıyor olsak da aksi yönde bir sorun görüyoruz. Bazı liderler, faydalı olabilecek çıkarımları nedensel olmadıkları için görmezden gelebiliyor.

Aslında, korelasyonun yeterli olabileceği gibi tam da ihtiyaç olan şey olduğu durumlar da vardır. Liderlerin burada düştüğü hata, tahminde bulunma ve nedensellik arasındaki farkı anlama noktasındadır. Daha açık ifade edecek olursak, bir çıktıyı tahmin etmek ve diğer yanda alınacak bir kararın belirli bir çıktıyı nasıl etkileyeceğini tahmin etmek arasındaki farkı anlamakta zorlanıyorlar.

Doğru Tahmin Nasıl Yapılır? Korelasyondan Yararlanmak!

Şu soruya yanıt arayan bir yönetici düşünelim: Çalışanlarımın üniversite eğitimi masraflarına parasal yardımda bulunmalı mıyım? Bu yönetici üniversite diploması ve üretkenlik arasındaki ilişkiyi inceleyerek işe başlayabilir. Üniversite diplomasına sahip olmak ve üretkenlik arasında pozitif bir ilişki bulsa bile daha fazla analiz olmadan ilişkinin nedensel olup olmadığını anlayamayız.

Sonuçta diploması olan ve olmayan insanların başka yönlerden de farklılıkları olabilir. Diploması olmayan çalışanlara eğitim yardımı yapmak, onları diploması olan çalışanlarla aynı kılmayacaktır. Bu ilişkinin nedensel olup olmadığını anlamak için bir deney veya doğal deney yapılmalıdır.

Şimdi aynı yöneticinin biraz farklı bir soruyla uğraştığını varsayalım: İşe daha fazla üniversite mezunu almalı mıyım? Yine üniversite diploması ve üretkenlik arasındaki korelasyona bakabilir ve böylece işe alımda diplomalılara ağırlık vererek işe daha üretken çalışanlar alabilir. Bu durumda korelasyon işe yarar çünkü diplomalı olmanın üretkenliğe yol açıp açmadığını bilemesek bile kimin daha üretken olacağını tahmin edebiliriz.

İnce fark!

Bu iki soru arasında ince ama önemli bir fark var. “İşe daha fazla üniversite mezunu almalı mıyım” bir tahmin sorunudur. “Çalışanlarımın üniversite eğitimi masraflarına parasal yardımda bulunmalı mıyım” ise nedensel çıkarım sorunudur. İlk soruda yönetici üniversite diplomasının üretkenliği tahmin edip etmediğini değerlendirir. Diğer bir deyişle, üniversite mezunlarının iyi çalışan olup olmadığı önemlidir. İkinci sorudaysa üniversite diplomalarının daha fazla üretkenliğe neden olup olmadığı anlaşılmalıdır.

Bu ayrım karar alıcılar açısından çok önemlidir. Üniversite mezunlarını işe alıp almamaya karar verecek bir yöneticinin tahmin araçlarına ihtiyacı vardır. Bu amaca yönelik olarak basit korelasyonlardan daha ileri düzey makine öğrenmesi algoritmalarına kadar birçok araç mevcuttur. Yöneticinin, üniversite mezunu olmanın üretkenliğe etki edip etmediğini bilmesine gerek yoktur.

Doğru Tahmin Nasıl Yapılır? Üniversite diploması

Diğer bir deyişle, üniversite diploması olan insanların aynı zamanda üretken çalışanlar olup olmadığını bilmeye ihtiyacı yoktur. Ancak üniversite eğitimini destekleme konusunda, üniversite eğitiminin üretkenliği artırıp artırmadığı temel soru olmalıdır. Üniversite eğitiminin mevcut çalışanların performansını iyileştirip iyileştirmeyeceğini anlamak için deney veya doğal deney gibi nedensel çıkarım araçları kullanarak bir değişiklik yapmanın nedensel etkisi ölçülmelidir.

Aşağıda sık karşılaşılan nedensel çıkarım ve tahmin sorularından örnekler sunuyoruz. Bu iki tür soru arasındaki temel farklılıkları açıklıyoruz ve liderlerin bu sorularla karşılaştıklarında kullanabilecekleri çeşitli araçlar öneriyoruz.

Sık Karşılaşılan Nedensel Çıkarım Soruları

Yöneticiler sıklıkla farklı seçeneklerin yol açacağı nedensel etkileri düşünerek karar almak zorundadır. İşe danışmanlar almak şirketimizin üretkenliğini artırır mı? Daha yüksek ücretler işten ayrılmaları azaltır mı? Sosyal medya reklamları yeni müşteriler çekiyor mu?

Bu soruların hepsi sosyal bilimlerde kullanılan nedensel çıkarım yöntemleriyle cevaplanmıştır. Örneğin, Emma Harrington ve Natalia Emanuel adlı ekonomistler, büyük bir teknoloji şirketinin çağrı merkezlerinde ve depolardaki çalışanların aldığı ücretleri inceledi. Şirket 2019’da depo çalışanlarının saatlik ücretlerini 16 dolardan 18 dolara yükseltti.

Doğru Tahmin Nasıl Yapılır? 1 dolarlık ücret

Araştırmacılar ücret artırımının zamanına bakarak ve farkların farkı yöntemini uygulayarak daha yüksek ücretlerin yarattığı etkiyi görebildiler. Ücret artışının üretkenliği artırdığını ve 1 dolarlık ücret artışının bir çalışanın işten ayrılma olasılığını yüzde 19 azalttığını buldular. Dolayısıyla, ücret artışı üretkenliği artırarak ve işten ayrılmaları azaltarak maliyetini karşıladığı için ücretleri artırmanın kârlı olduğu ortaya çıktı.

İkinci bir örnek olarak Brett Gordon, Florian Zettelmeyer, Neha Bhargava ve Dan Chapsky’nin Facebook’taki reklam kampanyalarını analiz ettiği yakın tarihli araştırmayı ele alalım. Araştırmacılar, ABD’deki 15 reklam kampanyasının yaklaşık 1,6 milyar reklam gösterimini inceledi ve Facebook’taki reklamların etkisiyle ilgili deneylerden ve deneysel olmayan korelasyonlardan elde ettikleri sonuçları karşılaştırdı. Araştırma ekibi, deneysel olmayan korelasyonların yanıltıcı olabileceğini buldu.

Çünkü reklamların gösterildiği kullanıcılar zaten o ürünü almaya istekli olan tüketicilerdi. Örneğin, çamaşır deterjanı reklamları, reklam olmadan da bu ürünü almaya zaten istekli olan insanlara gösteriliyordu. Araştırmacılar daha sonra çeşitli deneysel olmayan yaklaşımlarla kullanıcıların bazı özelliklerini hesaba katmaya çalışsa da korelasyon hala yanıltıcıydı.

İstatistiksel kontroller

Daha gelişmiş istatistiksel kontroller bile bu ‘seçim yanlılığını’ ortadan kaldırmadı. Bunun nedeni, seçim yanlılığının özellikle çevrimiçi reklam bağlamında güçlü olmasıydı. Çevrimiçi reklamlar ağırlıklı olarak hedefe yöneliktir ve gösterim başına etkileri genellikle küçüktür. Yani, küçük miktarda bir yanlılık bile bütünde oldukça yanıltıcı tahminlere yol açabilir. Böyle bir durumda deney yapmak, seçim yanlılığının üstesinden gelmek ve reklamların nedensel etkilerini belirlemek için güçlü bir araçtır.

Üçüncü örneğimiz finansal ürünler dünyasından geliyor. Bu makalenin yazarlarından Dean ve diğer araştırmacılar Jeremy Burke, Julian Jamison, Kata Mihaly ve Jonathan Zinman, St. Louis’deki bir kredi kooperatifiyle bir çalışma yürüttü. Kredi geçmişi oluşturmak isteyen insanlara yardımcı olmak için tasarlanmış popüler bir “kredi oluşturucu” ürünü incelediler. Aslında, sadece korelasyona bakarsanız, kredi puanı elde etmek için tasarlanmış bu üründen yararlanan kişilerin kredi puanı oluşturmaya devam ettiğini görürsünüz ve bu başarı gibi görünür.

Doğru Tahmin Nasıl Yapılır? Nedensel çıkarım

Ancak, kredi kooperatifi teklif sunacağı insanları rastlantısal seçtiğinden dolayı, ürünün teklif edilmediği ancak yine de kendi başlarına iyi kredi puanı toplayan hatırı sayılır sayıda kişi olduğunu buldular. Üniversite diplomasıyla ilgili korelasyon sorununu burada da görüyoruz. Bunu isteyen türdeki kişiler aynı zamanda başarılı olması muhtemel olan kişiler. Sadece korelasyona bakmak, ürünün başarıyı sağladığını düşünmenize neden olabilirdi.

Nedensel çıkarım araçlarının operasyondan stratejiye ve pazarlamaya kadar birçok alandaki önemli sorulara nasıl cevap sağlayabileceğine dair bu üç örnek, verilebilecek birçok örnekten sadece birkaçı.

Sık Karşılaşılan Tahmin Soruları

Çalışanlarınız veya müşterilerinizin kendilerini seçen bir grup olması şanssız olduğunuz anlamına mı geliyor? Hayır. Bir kredi iyileştirme ürününün kredi puanlarında artışa neden olmadığını bulmak ürünün başarısızlığı olarak yorumlanabilir, ancak bu bulgu sağladığı bilgi açısından başarısız değildir. Bir kullanıcının ürünü kullanma kararının ilerideki puanını büyük ölçüde tahmin edebildiğini hatırlayın.

Eğer bir bankanın yöneticisiyseniz bu bilgiyi kullanabilirsiniz. Örneğin kredi risklerini değerlendirmek için benzer bilgileri kullanabilirsiniz. Bankalar, kredi iyileştirme ürünü kullanmayı seçen ve düşük kredi puanlı kişilere, ürünü kullanmayan kişilere kıyasla daha fazla kredi verebilir. Sebebi basit: Ürün kullanımı, gelecekteki davranışı belirlemese de tahmin edebiliyor.

Doğru Tahmin Nasıl Yapılır? Algoritma Kullanmak

Her sektörden yönetici sıklıkla tahminde bulunmayı gerektiren kararlar almak durumunda.

Bu durumlarda makine öğrenmesi ve yapay zeka oldukça faydalıdır. Yaptığımız bir araştırmaya göre, algoritmalar öğretmenlerden polis memurlarına kadar çeşitli bir yelpazede daha etkin işe alım ve terfi süreçlerini mümkün kılıyor. Yakın zamanda yapılan çalışmalar bu fikri daha da detaylı inceledi ve algoritmaların daha etkili ve eşitlikçi işe alımlara katkıda bulunduğunu ortaya koydu.

Örneğin, Danielle Li, Lindsey Raymond, and Peter Bergman adlı ekonomistler, yakın tarihli bir araştırmada bir Fortune 500 firmasına 2016 ve 2019 yılları arasında yapılan yaklaşık 90 bin iş başvurusu verisini inceleyerek, algoritma kullanmanın özgeçmiş tarama sürecine sağladığı faydayı inceledi. Birçok algoritmanın verdiği kararları insan karar alıcılarla karşılaştırdıklarında, algoritmaların daha iyi adayları belirlemede insanlardan daha iyi olduğunu buldular.

Dahası, dikkatlice tasarlanmış algoritmalar hem daha kaliteli hem de demografik olarak daha çeşitli adaylar buldu. Tabii öncesinde, organizasyon işe alım sürecinin tahmin gerektirdiğini ve işe alım hedeflerinde net olmaları gerektiğini fark ettikten sonra bu aşamaya geldi.

İçgörü sağlamak

Üçüncü bir örnek olarak, belirli bir yıl Boston’daki en sevilen restoranlarla önceki yıl New York’taki en sevilen restoranlar arasında bir korelasyon bulduğunuzu varsayalım. Bu ilişki nedensel olmasa da korelasyonun burada bir değeri vardır. Örneğin, menülerini yenilemek isteyen restoranlar için içgörü sağlayabilir. Bu makalenin yazarlarından Mike, Yelp’le yaptığı bir çalışmada bu tür bir soruyla karşılaştı ve büyük ölçekli veri kümelerine bakarak yanıt bulabileceğini fark etti. Bu çalışma, teknoloji şirketlerinden gelen verilerin ekonomik etkinliğin evrimine nasıl ışık tutabileceğini gösteriyor.

Örneğin, Yelp verisini incelemek soylulaştırmanın farklı türde işletmeleri nasıl etkilediğini açıklığa kavuşturabilir ve ekonomik etkinlikteki değişimleri tahmin edebilir. Daha geniş anlamda, teknoloji şirketlerinin verileri yeni ve önemli bir bilgi kaynağı haline geldi ve şu anda hem nedensel çıkarım hem de tahmin soruları için yaygın olarak kullanılıyor.

Doğru Tahmin Nasıl Yapılır? Doğru Mekanizmayı Seçmek

“Bilgi içinde yüzüyoruz ama bilgeliğe açız.” Biyolog E.O. Wilson’ın bu sözü, modern iş ekosisteminin temelinde yatan sorun için de geçerli. Dünyada veriden geçilmiyor ve son yıllarda veri analizindeki gelişmeler neredeyse tüm sektörlerde birçok farklı sorun için yönetim kararlarını iyileştirme potansiyeli taşıyor. Ekonomi ve istatistikte büyüyen araştırma literatürü, işe alımdan yatırıma ve sürücüsüz arabalara kadar birçok durumda yapay zekanın tahminde bulunma maliyetlerini nasıl düşürebileceğini keşfetti. Bunun yanında, 2019 ve 2021’de ekonomi alanında verilen Nobel Ödülleri, geliştirilen nedensel çıkarım araçlarını tanıdı. Bu gelişmeler iş kararları açısından önem taşımaktadır.

Yine de liderler sıklıkla ampirik örüntüleri yanlış yorumluyor ve veri temelli düşünme fırsatlarını kaçırıyorlar. Liderler veriyi daha iyi kullanmak için ne tür sorunların veriyle çözülebileceğini ve ayrıca hangi sorunların iyileştirilmiş bir tahminle, hangi sorunlarınsa sebep sonuç ilişkilerinin daha iyi anlaşılmasıyla çözülebileceğini anlayabilmelidir.