Bilgi veride DEĞİLDİR

“Bilgi, veride DEĞİLDİR!” (Prof. Judea Pearl, 'Neden Kitabı'). Bu ifade, başlangıçta verilerin kendi içinde nedensellik veya korelasyon nedenleri hakkında bilgi içermediğini vurgulamak için dile getirildi. Bu ifade bende yankı uyandırdı ve doktora tezimin temel bir parçası oldu; gözlemciler olarak, öznel deneyimlerimize ve yorumlarımıza dayalı olarak verilere anlam yüklediğimizin ve bu bilginin nihai olarak olasılıksal olduğunun farkına varılması. Bunun, veri analitiğine ve veri bilimine nasıl yaklaştığımız üzerinde büyük etkileri var… birçok kişinin ağaçlardan ormanları gözden kaçırdığı bir uygulama. Bu nedenle, 9. 'iş yıl dönümü' yazımı bu fikri açmaya ayırıyorum.

Çoğu insan, bir veri parçasının tekil bir yorumu olduğuna ve türetilmiş anlamının değişmez olduğuna inanır. Bu, verilerin doğasına ilişkin tamamen hatalı bir anlayıştır. Verilerdeki anlam (yani bilgi) ne tekil ne de değişmezdir. İkincisi ile başlayalım. Veriler her zaman toplama döneminin arka plan bağlamına göre yorumlanmalıdır. Arka plan veya çevresel bağlam değiştikçe, aynı verilerin anlamı değişebilir veya hatta başlangıçtaki hedef olguyu temsil etmeyebilir. Şu örneği ele alalım: Birçok kurumsal insan, üniversitelerin artık öğrencilerini kurumsal dünyada başarıya hazırlamadığından yakınıyor; öğrenilen bilgi ve becerilerin artık geçerli olmadığı. Ancak bir lisans derecesi ne anlama geliyor? Hangi bilgileri temsil ediyor? Üniversiteler HİÇBİR ZAMAN şirketle ilgili becerileri düşünmediler. Ancak iki nesil önce, bir lisans derecesi, onu alan kişinin disiplinli ve vicdanlı olduğu anlamına geliyordu, çünkü insanlar genellikle okumaktan hoşlanmıyor ve yüksek öğrenime erişim sınırlıydı. Şimdi bu disiplin ve vicdan temsili, o zamanki kurumsal hayatta başarılı olmak için gereken niteliklerle eşleştirildi. Yüksek öğrenime erişimin artması ve minimum eğitimle idare etmenin 'akıllı' yolları nedeniyle, aynı lisans derecesinin artık disiplini ve vicdanlılığı güçlü bir şekilde temsil etmediği bugünü ileri çevirin. Bunu, modern bilgi ekonomisinde başarılı olmanın sıkı çalışma ve disiplinden daha fazlasını gerektirdiği gerçeğiyle birleştirin.

Verilerin birden çok yorumu ve anlamı olabileceği önceki nokta ne olacak? 'Dönüşüm' yoluyla, altta yatan veriler yeni yorumlar alabilir. Şu örneği ele alalım: HR sistemimizde 'AGE' değişkenine sahibiz. Kendi içinde, yaşı genç ve yaşlı olarak düşünürüz, ancak bu ham veriler "X/Y/Z Kuşağı"na, "sigorta primi yaş grubu"na, "emeklilik zamanı"na dönüştürülebilir. Her dönüşüm, farklı bir yorum ve anlam dizisinin kilidini açar ve yeni kavrayışları tetikler.

Dolayısıyla, bağlama daha iyi maruz kalma yoluyla (yani 'alanda' olmak ve alan uzmanlığı elde etmek) veya veri dönüştürme eylemi yoluyla verilerden daha fazla bilgi elde edilebilir. Bu dönüşüm, veri bilimcilerin aşina olduğu, verileri modelleme için kullanılabilir hale getirmekle ilgili klasik türden değildir. Özellik mühendisliği de değildir çünkü bu, model doğruluğunu artırmak için veri 'manipülasyonu' ile ilgilidir. Bizim türümüzdeki veri dönüşümünün amacı, daha fazla anlam varyasyonu sağlamakla ilgilidir.

Tüm bunlar, beni belirtmek istediğim kilit noktaya götürüyor: veri analitiği ve veri biliminin bir sonraki evrimi, Bilgi Bilimi olacak (1955'te ortaya atılan ve verilerden bilgi ve anlamın çıkarılmasını ve düzenlenmesini içeren bir terim). Verilere artan erişime ve algoritmik beceriye rağmen, birçok kuruluş hala tüm bunlardan tam olarak nasıl yararlanılacağı konusunda mücadele ediyor.

Geçenlerde bir müşterim bana şunu sordu: "İyi analitik yeteneği neye benziyor?". İyi analitik yeteneği, üç boyutta olgunluk gerektirir — veri yeteneği, hesaplama yeteneği ve çeviri yeteneği. Veri yeteneği, verileri tanımlama, toplama ve organize etme yeteneği ile ilgilidir. Hesaplama yeteneği, problem çözmeye uygulanan algoritmik gelişmişlik ile ilgilidir. Çeviri yeteneği, karar verme için verileri yorumlamak ve bunlardan yararlanmak için bilişsel yeteneklerle ilgilidir. Bu üç yetenekten geçen ortak iş parçacığı, bilginin etkinleştirilmesidir. Verilerdeki anlamın nasıl ortaya çıkarılacağını bilmek, bir kuruluşun veri stratejisine açıklık sağlar; örneğin, yalnızca ilgilenilen bir olguya artımlı yorum sağlayan verileri toplayın ve temsilin geçerliliğini koruduğunu test etmeye devam edin.

Nihayetinde, bir kuruluşun analitik yeteneğinin olgunlaşması için, teknik uzmanların alanından kuruluştaki herkesin eline geçmesi gerekir. Veri bilimi araçları daha sezgisel ve otomatik hale geldikçe, bilgi kullanımı gibi bilişsel yeteneklere daha fazla önem vermek, bilgi ekonomisinde rekabetçi bir şekilde bizi ayakta tutacaktır.