900 kullanıcı, 54.000 kullanıcıyı ezer geçer. Bu cümle size saçma geliyorsa, henüz müşteri verinize gerçekten bakmamışsınızdır. Rakamlarla açıklıyorum.
Bir ürünün toplam kullanıcı sayısı, yatırımcı sunumlarında iyi durur. Dashboarda yazıldığında ego okşar ama tek başına hiçbir şeyi ölçmez. Ben 4 yıl boyunca kullanıcı deneyimi tarafında çalıştım 2 yıldan fazla olarak veri analitiği alanında derinleşiyorum ve şunu net gördüm,
Büyük sayılar, büyük yanılsamalar üretir.
? 54K vs 900 ?
Bir SaaS ürününü düşünün. 54.000 kayıtlı kullanıcı var ve aylık aktif kullanıcı sayısı (mau) ise 11.200 civarında.
ilk bakışta fena durmuyor, şimdi kırılıma bakalım
- 54K kullanıcının %78’i ilk 7 günde ürünü terk etmiş.
- 11.200 mau’nun %64’ü ayda sadece 1 kez giriş yapıyor yani zombie kullanıcı.
- Geriye kalan 900 kullanıcı; haftalık 4+ giriş, ortalama oturum süresi 23 dakika, en az 2 özelliği aktif kullanıyor.
O 900 kişi,
- Toplam gelirin %81’ini üretiyor.
- NPS skoru ortalaması: 72 (diğer segmentte 18).
- Ortalama müşteri ömür değeri (CLV): diğer segmentin 6.4 katı.
- Organik referans oranı: %34 — yani her 3 kişiden 1’i ürünü birine öneriyor.
54K gösterişli bir sayı, 900 ise şirketin solunum yolu..
CX perspektifi
Neden çoğu şirket bunu göremez?
Çünkü müşteri deneyimi (CX) hâlâ çoğu organizasyonda “müşteri şikayet etti → çöz” döngüsünde sıkışmış durumda ve reaktif CX öldü.
Proaktif CX veriyle başlar, gerçek müşteri deneyimi yönetimi şu soruları sorar:
- Hangi kullanıcı segmentte ürünle gerçekten “yaşıyor”?
- Hangi davranış örüntüsü, churn’ün 21 gün öncesinden habercisi?
- Kullanıcı hangi noktada “aha moment” yaşıyor ve bu moment’e kaç kişi ulaşabiliyor?
- En değerli %5’lik dilimin ortak davranış profili ne?
Bu soruların cevabı Excel’de satır saymakla gelmez. Cohort analizi, RFM segmentasyonu, event-based funnel analizi gerekir.
Veri bilimcinin rolü: Gürültüden sinyali ayırmak
54.000 kullanıcı bir veri setidir ama ham veri, karar vermez fakat sinyal verir.
Veri bilimci olarak bu senaryoda yapılacaklar net:
- Cohort Analizi: Kayıt tarihine göre kullanıcı gruplarını ayır. Hangi cohort tutuyor, hangisi ilk haftada eriyor? Retention curve’ün şekli sana ürünün gerçek sağlığını anlatır, toplam kullanıcı sayısı değil.
- RFM Segmentasyonu: Recency, Frequency, Monetary. Bu üç değişkenle kullanıcıları skorla. O 900 kişi, RFM skorunda en üst dilimde oturur. Onları tanımla, profillerini çıkar, davranışlarını öğren.
- Churn Prediction Modeli: Değerli kullanıcıların churn sinyallerini önceden yakala. 900 kişiden 50’sini kaybetmek, 5.000 zombie kullanıcı kaybetmekten çok daha yıkıcıdır. Logistic regression veya gradient boosting ile erken uyarı sistemi kur.
- CLV Modelleme: Her kullanıcının tahmini ömür boyu değerini hesapla. Pazarlama bütçesini, müşteri başarı ekibinin zamanını ve ürün yol haritasını bu modele göre dağıt.
- Davranışsal Kümeleme (Behavioral Clustering): K-means veya DBSCAN ile kullanıcıları davranış örüntülerine göre kümele. Demografik veriler değil, gerçek kullanım verileri üzerinden. “Kim bu 900 kişi?” sorusunun cevabı burada çıkar.
İş analistinin kritik rolü, Veriyi karara dönüştüren köprü
Ve burası çoğu ekibin çöktüğü nokta, veri bilimci modeli kurar, dashboard’u oluşturur, segmentasyonu çıkarır.
Bu çıktılar iş kararına dönüşmezse maalesef hiçbir anlamı yoktur. İş analisti tam burada devreye girer.
İş analisti,
- Veri bilimcinin çıktısını iş diline çevirir. “RFM skoru 4-5 segmentindeki retention oranı %89” cümlesini, C-lvl’in anlayacağı bir karar cümlesine dönüştürür: “En değerli müşterilerimizin %89’u kalıyor — bu segmente özel retention programı başlatırsak, yıllık gelirde tahmini %22 artış potansiyeli var.”
- Süreç tasarımını yapar. Veri bilimcinin “bu segment churn riski taşıyor” uyarısı, iş analisti sayesinde müşteri başarı ekibinin iş akışına girer. Alertttt → aksiyon → sonuç zinciri iş analisti olmadan kurulmaz.
- Doğru soruyu sorar. Veri bilimci “nasıl modellerim?” diye sorar. İş analisti “hangi iş problemi çözülmeli?” diye sorar. Bu iki soru arasındaki mesafe, başarılı bir veri projesini başarısızdan ayıran şeydir.
- ROI’yi ölçer ve raporlar. O 900 kişiye yönelik program hayata geçti. Sonuç ne oldu? Hangi KPI’lar hareket etti? Bu döngüyü kapatmak iş analistinin işidir.
Kısacasıı,
Veri bilimci sinyali bulur, CX uzmanı deneyimi tasarlar, İş analisti tüm bunları bir iş sonucuna bağlar.
Bu üçlü olmadan veri projesi, güzel grafiklerle dolu bir sunum olmaktan öteye gidemez. 🙂
Son Olarak,
Sayıların büyüklüğü, etkinin büyüklüğü değildir. 54K kayıtlı kullanıcı, pitch deck’te güzel durur. 900 sadık kullanıcı, şirketin ayakta kalmasını sağlar.
Veri bilimi bu sinyali çıkarır, CX bu sinyali deneyime dönüştürür, iş analizi bu deneyimi kara ve sürdürülebilir büyümeye bağlar. Hangisi eksikse, sistem aksıyor demektir.
Bu üçü birbirinden bağımsız değil, aynı sistemin zorunlu parçalarıdır. Biri eksikse, diğeri eksik kalır. İkisi varsa ama biri yoksa, sistem yine tamamlanmaz.
Ve en tehlikelisi, her şey çalışıyor gibi görünür… ama aslında hiçbir şey gerçekten ilerlemiyordur.
#KullanıcıDeneyimi #VeriAnalitiği #İşAnalitiği #CustomerExperience #DataAnalytics #BusinessAnalytics
