Konuklar: Akasya Akyüz Tunç, Nezir Alp
36. bölümümüzde konuğumuz Data Science ekibi oldu. Ekip yapısını, projelerini, teknoloji stack seçimlerini ve çok daha fazlasını konuştuk!
Transkript
Selam ekip, ben Product Center ekibinden Erdem.
Ben Full Film Doğrudur Master Data ekibinden Fırat.
Teknoloji ekiplerini tanıdığımız ve süreçler, teknolojiler gibi konuları konuştuğumuz Selam Ekip Podcast serisinin 36.
bölümünde Data Science ekibiyle birlikteyiz.
Data Science ekibini tanıyıp ekip yapısı, kullanılan teknolojiler ve pratikler gibi konuları konuşacağız.
Öncelikle hoş geldiniz arkadaşlar.
Hoş bulduk.
Kendinizi tanıtıp Data Science ekibi hakkında böyle genel bir bilgi verebilir misiniz bize?
Tabii ben başlayayım isterseniz.
Ben Nezir. Yaklaşık 6 senedir Trendol Data Science ekibindeyim.
Veri bilimi ekiplerinden sorumluyum.
Genel olarak ekibimiz 70 kişilik arkadaşlarımızdan oluşuyor ve ana amacımız müşteri deneyimine en iyi yerlere getirebilmek.
Bunun için de gerekli tüm algoritmaları geliştirmeye çalışıyoruz.
Hem uygulama üzerinde veya uygulama dışı da kendi operasyonlarımızı optimize etmek için farklı farklı alanlarda çalışan bir ekibiz diyerek başlayabilirim.
Sonrasında devamında daha da açıklayıcı olurum.
Süper. Peki arkadaşlar sen? Selamlar.
Akasya'dan. Beş senedir Trendyol Data Science ekibindeyim ben de.
Nezir'le birlikte çalışıyoruz.
13 domenimiz var. Biraz da size...
anlatacağız detaylarını.
Onlardan da Search ve Ads ekipleriyle beraber çalışıyorum diyeyim.
Sözü tekrar size bırakayım.
Süper. Tekrar hoş geldiniz.
Birazcık daha böyle ekip yapısını detaylı öğrenebilir miyiz o zaman?
Tabii. Ekibimiz aslında product mindsetiyle çalışan bir ekip.
O yüzden de her product'a hizmet sunmaya çalışıyoruz.
Yani uygulamamız üzerinde veya uygulama dışı operasyonlarındaki tüm product'ları geliştirmeye çalışıyoruz.
7 farklı tribe'ımız var.
Bu tribe'larımız farklı domenileri içeren tribe'lar.
15 tane farklı domenimiz var.
Bunlar da hep farklı productlardan oluşan domainler.
Örnek olarak işte search ayrı bir domain bizim için, işte homepage ayrı bir domain, operasyon ayrı bir domain, optimizasyon ayrı bir domain gibi düşünebilirsiniz.
Bu ekiplerimiz tribe çatısı altında beraber çalışarak, birbirlerine de bilgi paylaşımı yaparak sürekli productlarını geliştirmekten sorumlu ekiplerimiz.
Burada küçük bir soru sordurmayayım mı Nezer?
Şimdi data science bir de veri bilimi kısmında ben demiştim ya ekibinden sorumluyum.
Burada şu an... Tribe olarak mı bir data science var yoksa küçük ekip olarak mı data science?
Yani isimlendirmesi tam olarak nasıl oluyor?
İsimlendirmemiz biraz farklı esasında.
Biz central bir data science ekibiyiz.
Bu data science ekibinde de tribe'larımız da daha çok business wise bölünmüş durumda.
Mesela bizim farklı business'larımız var biliyorsunuz.
Go var, Dolap var, Financial Services var.
Bunlar için ayrı tribe'larımız var.
Her tribe'ın altında ise o business'ı en iyiye ulaştırabilecek product şeklinde böldüğümüz.
domainlerimiz var. Yani tamamen central, tüm Trendyol'a hizmet eden bir data science var.
Ama bu data science'lar da product-wise bölünmüş durumda.
Aslında tek bir tane ekip tüm Trendyol'a hizmet veriyor gibi değildi.
Aslında bölünmüş olarak tribe bazlı.
Birden fazla yer var gibi düşünebiliriz ayağım.
Değil mi? Aynen kesinlikle öyle.
Yani her product'ımız için dedike çalışan ekiplerimiz var.
Süper. Çok iyi. Peki ilk başta girişte şey demişti Akasya.
Etsy ve Search ekipleriyle sanırım yakın çalışıyoruz demişti.
Burada Mesela yakın çalıştığınız ekiplerde tam olarak neler oluyor, nasıl yapıyorsunuz?
Ads ve Search aslında bizim domenlerim.
Birlikte çalıştığımız ekipleri de üç parçaya bölebiliriz aslında.
Bir initial fikirlerin çıktığı, hangi probleme odaklanacağımız, hangi sorunu çözeceğimizi konuştuğumuz.
noktalar var. Orada DS ekiplerimiz en çok product ekibimiz ve business ekiplerimizle birlikte çalışıyor.
Bunun sonrasında tabii ki diyelim biz bir score ürettik, bir ranking yapıyoruz.
Bunun platforma implementasyonu var.
Buralarda da developer ekiplerimizle birlikte çalışıyoruz.
Aslında sprintlerimizle bile data product ekibi olarak onlarla beraber koşuyoruz.
Tabii ki çok büyük bir data ile çalışıyoruz.
Bu yüzden dev veya data engineering ekipleriyle de sıkı bir collaboration içindeyiz diyebiliriz aslında.
Peki burada çalıştığınız böyle başlıca projeler nedir böyle büyük olarak veya ilk en çok bilinen bir din ya da çok zamanınızı alan?
Bu böyle en zor sorulardan biri çünkü çok fazla proje var.
Biz hepsine girince biraz uzatıyoruz sözü.
Business problemleri odağında bu domen.
ayrışıyor demiştik. İki tane de dikeyde kesen ekibimiz var.
Bunlar NLP ve Computer Vision ekipleri.
NLP ekibimiz chatbot'tan tutun aslında siteye inen her türlü metin verisini analiz ediyor.
Her açıdan analiz ediyor. İşte dil yapısına uyuyor mu?
Taypa var mı? Ne anlatmak istiyor?
Duygusu nasıl? Tüm sitedeki metinleri tarıyor ve buralardan insight çıkartmaya uğraşıyor.
Computer Vision ekibimiz yine aynı şekilde sitedeki tüm görselleri tarayarak oralardan bize bilgiler üretmeye çalışıyor.
Buna ürünün görselleri de dahil, bizim aslında userlarımızın yorum olarak yüklediği görseller de dahil ya da influencer videoları da dahil tüm bunların analizini Computer Vision ekibimiz yapıyor.
Sorç ekibimiz, biraz daha bunlar dikeyde kestiği için ilgi çektiğini düşündüğüm için açıkçası anlattım.
Sorç Recommendation, Local Commerce gibi pek çok farklı ekibimiz ve onların projeleri var.
Bunları da ayrı bir döküm olarak paylaşınız ilgi duyanlar için.
Çok iyi, çok iyi. Ben de buraya belki ekleme yapabilirim bu arada.
Biraz böyle user journey'i aslında izleyerek de anlatmaya çalışıyoruz genelde.
Yani burada her aslında platforma giren kullanıcının platformu açtıktan siparişini verip teslimatına kadar aslında tüm süreçlerinde data science algoritmalarının karşısına çıkıyor.
Bunu işte ana sayfada ilk açtığında hangi banner'ları görecek, hangi ürünleri görecek, işte bir aramaya bastığında, arama yaptığında hangi ürünler dönecek, bunlar nasıl sıralanacak, nasıl kişiselleşecek, soldaki filtreler nasıl olacak, sonra bir ürün detaya
girdiğinde bu ürün detayları...
Hangi ürünleri önereceğiz biz kullanıcıya?
Yorumlar neler olacak? Bu yorumlar nasıl sıralanacak?
Kullanıcı nasıl daha iyi bir navigasyonu sağlayabiliriz?
Veya siparişini verdi. Siparişini verdikten sonra hangi kurye atanacak o siparişi?
Hangi yoldan götürecek? Veya teslim aldıktan sonra kullanıcı bir sıkıntı yaşadığında kullanıcı mı haklı, satıcı mı haklı?
Bunların karar mekanizması verilmesine kadar aslında kullanıcının tüm petini optimize etmeye çalışan projelerimiz var diye de ben de ek yapmak istedim.
Çok iyi ya. Baştan sona tüm süreçten.
neredeyse. Evet. İçinde var.
Buradaki iade kısmı neydi? Kaç adım sanırım yani.
Orayı biraz daha açabilir misin? Şöyle örnek verebilirim.
Evet evet yani normal olarak iade et ticaretinde en yaygın konulardan biri.
Hatta et ticaretinin yaygınlaşmasında en böyle sağlayan etkenlerden biri oldu.
Bizde de iade sürecinde müşterimize hiçbir şekilde zorluk çıkarmamaya uğraşıyoruz.
Onların sürecini de kolaylaştırmaya çalışıyoruz.
Burada bazen ihtilaflı iadeler olabiliyor.
Mesela kullanıcı bir ürünü iade etmek istiyor ama satıcı bunu kabul etmiyor belli nedenlerden dolayı.
O yüzden oralarda da yine algoritmaları koyarak kim haklıyı bulmamız gerekiyor ki.
müşterimizi üzmeden hemen iadesini gerçekleştirelim.
Veya gerçekten satıcının haklı bir gerekçesi varsa da bunu ortaya çıkarabilelim algoritmayla ki daha haklı bir düzen olabilsin diye.
Gayet güzel abi bence de.
Şimdi ben şeyi merak ediyorum birazcık da.
Baştan sona böyle bir data science projesi nasıl ilerliyor, nasıl başlanıyor ve sonunda nasıl devreye alınıyor?
Birazcık daha bu süreçlerle ilgili detay bilgi verebilir misiniz?
Aslında bir data science.
Projesi de bir biznes probleminin gelmesiyle başlıyor.
Ya da biz yeni bir biznesle gireceksek tamamen yeni bir dünyanın içine giriyoruz.
İlk önce yaptığımız şey bunun benchmarklarını araştırmak oluyor, literature review oluyor.
Bu problemi başkaları nasıl ele almış, bu konuda yazılmış paper'lar var mı?
Bunları inceliyoruz ve bunun üstünden bir hipotez oluşturuyoruz.
Daha sonra tabii ki bu hipotezi doğrulayacak analizler yapmamız gerekiyor.
Ve bunun üstüne çözümümüzü build ediyoruz.
Her çözümümüzde ilk önce bir simülasyon frame'ini oturtmaya çalışıyoruz.
Çünkü her şeyi biz A-B testte göremeyiz ama pek çok şeyi denemek istiyoruz.
Dolayısıyla ilk önce bu alacağımız sonuçları bir simülasyonda görmeye çalışıyoruz.
Ve evaluation metriklerimize bakıyoruz.
Daha sonra tüm iterasyonlarımız, kazanan iterasyonumuz simülasyonda A-B testi açılıyor.
Ve A-B testte platforma olan etkisini direkt olarak görebiliyoruz.
Ve kazandığımız takdirde canlıyı alıyoruz.
Kazanamazsak bu yine bizim için okey.
O kazanamadığımız testi analiz ederek yeni bir şeyleri öğrenmeye çalışıyoruz.
Bu cycle sürekli olarak devam ediyor aslında.
Bizde bir proje asla bitmiyor.
İşte ürün sıralama projesi diyelim.
Her seferinde... Yeni iterasyonla kendimizi bilgi etmeye çalışıyoruz.
En challenging taraflarından da birisi bu bence.
Gayet güzel çıktın. Teşekkür ederim.
Peki bu algoritmalarınızın teste çıkmak için yeterli olduğunu nasıl anlıyorsunuz?
Algoritmalarımızı teste çıkmadan önce çeşitli proseslerden geçiriyoruz zaten.
Birincisi zaten model kurarken model sonuçlarının bir evaluation metniklerine zaten bakıyoruz.
Yani gerçekten kurduğumuz modelin error'ı nedir, nerelerde fail ediyor veya nerelerde daha iyi perform ediyor.
İlk önce tabii buna bakıyoruz.
Sonra ama bizim business problemimize en uygun simülasyon ortamını yaratmaya çalışıyoruz.
Çünkü bizim yaptığımız her model aslında business problemini tahmin eden veya o business problemine uygun bir çözüm.
Lüzum olmak zorunda olmuyor.
Buna mesela örnek vermek gerekirse işte bir search aramasında ürünleri sıralarken işte hangisi daha fazla satar gibi bir yaklaşım olabilir.
Yani satma ihtimaline göre sıralanma olabilir.
Ama biz burada tabii bunu yapmak için ne yapıyoruz?
Satış ihtimalini tahmin etmeye çalışıyoruz.
Ama bu satış ihtimalini doğru tahmin etmek veya yanlış tahmin etmek asıl business problemin derdi olmayabiliyor.
Yani business problemi bizim...
X ürünü Y ürününden daha mı üstündür aslında bunu bulabilmek.
O yüzden farklı bir yaklaşım gerçekleştirdiysek ve bunu model evolution'dan anlayamıyorsak bunun yerine bir simülasyon ortamı geliştiriyoruz ve business problemimize ne kadar impact yaratıyor, ne kadar fayda sağlamış bunu
testten önce anlamaya çalışıyoruz ki testte daha böyle ayaklarımız yere basarak gidebilelim ve testi kazanma ihtimalimiz de artsın.
Çok iyi. Burada o zaman test süreci aslında normale göre yani diğer...
yazın projene göre ortalama olarak daha uzun sürüyor diyebilir miyiz?
Sanki bana öyle geldi. Kesinlikle.
Yani asıl işimiz zaten modelleri run ettikten sonra algoritmalar kurulduktan sonra bu modellerden hangisini seçmemiz gerekiyor?
En önemli ve en fazla impact yarattığımız taraf da burası oluyor kesinlikle.
Buraya çok fazla kafa yürüyelim.
Çok iyi, çok iyi. Burada peki az önce mesela AB testi yapıp işte hani çıkarımlara bakıyoruz vesaire demiştiniz ya.
Buradaki metrik takipleri ne oluyor?
Çünkü baştan sona çok fazla süreç olduğu için birden de fazla türde metriğe sahipsiniz diye anlıyorum.
Tam olarak bu metikleri nasıl takip ediyorsunuz ya da monitörün kısmı nasıl gerçekleşiyor?
A-B testimiz zaten belli ortamları hazırladık.
Belli dashboardlarımız var.
En önemli şey A-B testi başlamadan grupları bölmek.
Yani bu genelde iki grup oluyor.
Tabii bu en taneye kadar çıkabilir.
İlk önce bu iki grup doğru bir şekilde dağılmış mı?
Yani eşit kitleler, benzer kitleler A grubuna ve B grubuna girmiş mi?
İlk önce buradan başlıyor konu ki biz yeni algoritmayı test ederken şeyden emin olalım.
benzer davranıyordu.
Yeni algoritmayla biri daha üstün davranmaya başladı.
Bunu görebilmemiz gerekiyor.
O yüzden ilk başta e-vites daha başlamadan bu kullanıcıların dağılımına bakıyoruz.
Sonrasında ise dağılım okeyse test başladıktan sonra da genelde CTR, CR metriklerine bakıyoruz ki bizim algoritmanın çünkü genelde etkilediği yer görünürlük oluyor.
Görünürlük üzerine kullanıcı bir fayda yaratmış mıyız, yaratmamış mıyız buna bakıyoruz.
O yüzden de CTR, CR ana metriklerimiz oluyor.
Bunun yanında tabii buradan ürün almış mı, almamış mı, iade oranı nasıl değişiyor, bu ürünü sattırdığımız için bir artma var mı, azalma var mı vesaire gibi yan metriklerine de bakıyoruz.
Ama temel netiklerimiz conversion rate ve click-through rate yani tıklanması ve satın alınması.
Burada peki şöyle mi oluyor?
Mesela işte iade oranı bir satıcıda arttı veya azaldı oradaki verilen satış ürününe göre.
Bu bilgiyi biz seller ekibiyle beraber çalışıyoruz ve seller ekipleri bu bilgileri alıp ona göre...
Tasklar alıp ilerletiyor mu ya da?
İlk başta şu oluyor esasında.
Yani genel ilk önce bir resmi çekmeye çalışıyoruz.
Yani satıcılarımızın kaçında iade oranı yükselmiş, kaçında düşmüş.
Bizim için ilk önemli şey bu.
Yani burada bir azalma bekliyoruz.
İade oranı özelinde konuşarak azalma bizim için önemli olan.
O yüzden çoğu satıcımızda azalmış olmasını bekliyoruz ki yeni algoritmamız iyi diyebilelim.
Tabii bu algoritmalar hani ön yüzü etkileyen algoritma.
Ama bunun yanında bu algoritmanın çıktısını insight olarak da kullanıyoruz.
Bunu da işte satıcılarımıza...
neden işte iade oranı artıyor ve azalıyor bilgisini vererek veya kategori ekiplerimize bu şekilde yönlendirmeyi yaparak onlar da kendi ürünlerini veya süreçlerini iyileştirmelerine destek oluyoruz.
Anladım. Okey. Okey.
Çok iyi. Peki burada kullandığınız teknolojiler neler?
Ya da neden tercih ediyorsunuz o teknolojiyi?
Örneğin proskonsuları vs. bunların nasıl ayrıştırılıyor?
Tabii ki en büyük pay burada Python'da.
Onun dışında BigQuery'i çok kullanıyoruz.
Neden BigQuery'i tercih ediyoruz?
Aslında Google'un bize sunduğu başka çözümler de var ve aynı ekosistemde olması işimizi kolaylaştırıyor.
O yüzden SQL için kullandığımız yer BigQuery aslında.
Bunun yanı sıra versiyon kontrolü için Git kullanıyoruz.
Zaten bu da çok standart bir süreç.
İş akışlarımızı düzenliyoruz.
için Airflow kullanıyoruz.
Data gönderim için Kafka, Kinesis gibi çözümler kullanıyoruz.
Farklı pek çok teknolojiye dokunuyoruz diyebiliriz aslında.
Gayet güzel. Zaten ilk akla gelen fight'ın oluyor genelde.
Şimdi benim merak ettiğim aslında birazcık böyle sistemlerden bahsettik, kullandığımız teknolojilerden bahsettik, metrikleri konuştuk.
Önceki podcastlerde de hep gelen ekiplere soruyoruz.
İşte incident'lar hayatımızda önemli yere sahip konular.
Sizin de böyle yakın zamanda yaşadığınız Canlıyı patlattığınız bir durum oldu mu?
Aksiyon olarak ne tarz aksiyonlar aldınız?
Ve bunu çıktılar eğer böyle bir şey yaşandıysa.
Nasıl inceleniyor?
Bunları şey yapabiliyor musunuz?
Hani yerde toplayabiliyor musunuz?
Üzerinden geçebiliyor musunuz? Dersler çıkarılıyor mu?
Onları merak ediyorum ben de.
İnsanlar en sevdiğim.
Yani burada benim aklıma yakın zamanda olmasında bir hikaye geliyor ama ne zırsa arada gir istersen.
Ne haklılar varsa. Bu 2019 Kasım'da Sita'daki tüm böyle event bannerları hazırlanmışken bir regulasyon haberi geldi.
Tüm bannerların da değişmesi gerekiyor.
Ama bunu yani manuel yapmamızın imkanı yok.
Biz de arkada yavaştan...
Şöyle şeyi ekleyebilirim.
Yani o zamanlar trendi o.
Tamamen bannerlardan oluşan bir platform.
O bannerları görmek için sabah 6'da girerlerdi.
Öyle bir ortamdı.
Aynen ve çok az zamanımız kalmış.
Elimizde bir çözüme yakın bir şey var ama asla production dedi değil.
Erdem geldi dedi ki hani böyle bir durum var yapabilir misiniz?
Biz de yaparız dedik ve yani böyle tüm ekip girişti o konuya.
Sonra canlıya aldık böyle banner'ın...
Açıklamasının olduğu yerde fiyatlar, fiyatın olması gereken yerde banner'ın ismi.
Acaba hiç anlamadığımız bir şekilde Almanca banner çıktık.
Sözemedik değil mi Akasya?
Nasıl geldi?
Ekipte o konuyla hiç ilgisi olmayan, daha önce hiç dokunmamış kişiler bile girdi.
Sabah dörde kadar fixlemeye uğraştık onu yani.
Bence bu tür durumlarda ilk önce çözüme odaklanmak yani elde bir derdimiz var.
Biz buna ekip olarak çözmeye komit ediyoruz'a gelmek çok kritik.
Onun sonrasında tabii ki bu süreci nasıl daha iyi yapabilirdik?
Lessons 4 ve Retro gibi aksiyonları alıyoruz ama o kriz anında ekip olarak konuya yaklaşmak ve çözüme odaklı olmak çok kritik diye düşünüyorum.
Benim aklım hala Almanca'da kaldı.
Teşekkür ediyorum açıklamanız için gayet.
Keyifli oldu Almanca kısmı hala benim için de bir soru işareti.
Umarım bir gün çözülür. O kısımdaki gizemde.
Peki ben şeyi de merak ediyorum.
Yani ekipteki bir data scientistin bir günü nasıl geçiyor?
Sabah başladık, akşam mesai bitimine kadar neler yapıyorsunuz?
O kısımla ilgili de bilgi alabilsek süper olur.
Ya data scientist burada doğru bir kullanım oluyor mu?
Ben mesela data scientist diyebiliyorum ama bunun böyle içeride farklı jargonları da oluyor mu ya da?
Yok. Yani biz de direkt onu kullanıyoruz.
Kendi içimizle ayrıldığımız başka bir şey yok aslında.
Nasıl geçiyor bir günümüz?
Klasik daily'lerle başlıyor aslında.
Daily'de rutin, bizi bloklayan bir film var mı vesaire 15 dakikalık bir daily yapıyoruz.
Daha sonra aslında düzenli toplantılarımız yoksa tamamen pair çalıştığımız, kodun içine girdiğimiz bir dünya.
Arada brainstorminglerimiz oluyor.
Her hafta en az iki kere her ekibin brainstormingi oluyor.
Burada genelde challenging her konu üstünde çalışıyorsak ya da bir literature review yapıldıysa tüm ekibe faydası olabilecek konuları konuşuyoruz.
Bir de bunu tüm data science genelinde yaptığımız versiyonumuz var.
Bunu da haftada bir yapıyoruz aslında.
Bizim için önemli olan yani bu konuda iyi olduğunu düşündüğümüz burada 65 kişi var.
Hepsi bir konuya kafa yorarsa iyi bir çözümle çıkabiliriz burada.
O yüzden bu collaborationların artmasına...
çok dikkat ediyoruz. Yani bunu günlük hayatımıza yerleştirmeye çalışıyoruz.
Bunun dışında kodlamayla geçiyor diyebilirim açıkçası.
Çok iyi. Peki burada kendinize zaman ayırabiliyor musunuz?
Yani sprint dışında derilerde daha çok sprint üzerinde olur ya.
Sprint dışında da kendi adınıza böyle RG yapabildiğiniz zamanlar oluyor mu?
Yoksa böyle yoğunluk veya o zaman yürütümünde hani sorun yaşanıyor mu?
Ya da ekipçe belirli belki yaptığınız böyle RG toplantıları olabilir.
O tarz şeyler var mı? Aslında bu think tank dediğimiz Haftalık olan toplantımızda böyle direkt bir çözüme yönelik olmuyor da gerçekten yeni neler var şu an, bize katkısı olabilecek neler olabilir, daha genel,
daha serbest bir şey oluyor, brainstorming oluyor diyebilirim.
Onun dışında ekiple yaptığımız brainstormingler biraz daha amaca yönelik oluyor.
Biz burada bir problem elde alıyoruz.
Bununla ilgili son gelişmeler neler?
Buradaki paperlardan çıkarımlarımız neler?
Yine bir bence kendimizi geliştirdiğimiz bir alan ama biraz daha amaca yönelik.
Bunların dışında da aslında Trendyol'un bir daha önce podcastlarda da konuşulmuştur.
Eğitim programı var. Oralardan hem bir eğitim bütçemiz var.
Oradan fayda alabiliyoruz.
Hem kurslar var alabileceğimiz hem de bizim Data Science üzerinde yaptığımız şeyler oluyor.
Tüm ekip bir araya geldiğimiz haftalık belli bir konu seçip o konuda ya dışarıdan bir öğretim üyesiyle çalıştığımız ya da işte Coursera'dan ders alıp birlikte izlediğimiz, birlikte piyaz seçimleri yaptığımız
bir zamanımız da oluyor. Bunu dikkat etmeye çalışıyoruz açıkçası.
Ben de şunu ekleyebilirim buraya.
Bunun yanında bazı task force'larımız var data science içinde.
Bu task force'larımızın amacı da, ya chapter diyoruz bunları bu arada.
Bunların amacı da belli yöntemlere, belli bir grubun odaklanıp çözmeye çalışması.
Bu bir proje değil tabii. Mesela modelleme teknikleri olabilir.
Yani veya simülasyonu biz en iyi nasıl yaparız'a kafa yoğurduğumuz şeyler olabilir.
Burada tabii hep yenilikçi yaklaşımları bulmaya çalışıyoruz.
Bir beyin fırtınası yapmaya çalışıyoruz.
Bunun gibi sadece... Sadece hani data science anda değil bunun yanında işte intervillerimizi nasıl iyi yapabiliriz veya onboardingimizi nasıl sağlayabiliriz veya eğitim programımızı nasıl şekillendiririz gibi bunların üzerine çalışan
hep böyle task force'larımız var.
Bunlarla da ekibimizi güçlendirmeye çalışıyoruz.
Ama buna bir tane daha örnek vermek isterim.
Yani bu yardımlaşmayı artıran ve ekiptekilerin know-how aktarımını sağlayan en iyi uygulamalarımızdan biri de rotasyon imkanı.
Yani ekiplerimiz arasında rotasyonu sağlayarak hem know-how aktarımını sağlayarak Hem farklı bir ekipte nasıl çalışılabileceğini, farklı bir liderle veya farklı ekip arkadaşının nasıl çalışabileceğini deneyimlemesini bekliyoruz arkadaşımızdan.
Ve farklı bir bakış açısını da katmasını bekliyoruz.
O yüzden de rotasyonda bunları bayağı destekleyen önemli uygulamalarımızdan biri.
Ona eklemek istedim. Neyse burada onboarding'den bahsetmiştin ya az önce.
Yani bunun üzerine task course'ların olduğundan.
Buradaki onboarding mesela...
Neler yapıyorsunuz? Buradaki onboarding stratejisinde mesela neler işliyorsunuz?
Ya da şunu denedik ama şunun daha verimli olduğunu fark ettik gibi olabilir.
Örneğin şu anda işleyiş nasıl sizde?
Onboarding için bir programımız var.
Yani yaklaşık bir ay süren ve ilk iki haftası çok daha yoğun olan, tamamen gelen arkadaşımızın neler yapacağını önden bilebileceği bir dökümanla başlıyoruz ilk başta.
Ve bunun yanında da bu arkadaşımızın bir body'si oluyor.
Yani tecrübeli bir data scientist arkadaşımız, trend yolda tecrübeli bir arkadaşımıza esayen ediyoruz ki...
bu sürecinde onboarding sürecinde çok yakın takip edebilsin.
Arkadaşımıza her konuda destek olabilsin.
Burada teknik ve way of working konularında odaklanıyoruz daha çok.
İlk önce bir datamızı tanımasını istiyoruz.
Yaptığımız çalışmaları görmesini, geçmişte neler denedik, nerelerde fail ettik, nerelerde başarılı olduk, bunları fazlasıyla anlatmaya çalışıyoruz.
Bunun yanında prosedürlerimiz, web workingimiz nasıl, bunlara adapte olmasını sağlayacak farklı farklı gelişimlerimiz var.
Bunların en sonunda da tabii belli bir eğitim programından geçmesi gerekiyor onboarding'de.
Bunları sağlayarak ve yakından takip ederek de bir aylık bir dönemde arkadaşlarımızın onboard olması gerekiyor.
sağlamaya çalışıyoruz.
Yani aslında bir ay boyunca bu kişiye verilebilecek aktarımlar vs.
var. O bir ay dolu dolu geçiyor gibi.
Geldiği ilk günden beri dolu dolu data ile geçirdiği günler başlıyor fazlasıyla.
Zaten sonrasında da çok hızlı bir şekilde bir projeyi sahipleniyor ve onun algoritmasını geliştirmeye başlıyor.
Çok iyi. Peki burada onboarding'e gelecek olan kişi, rotasyon olabilir ya da dışarıdan gelen kişi olabilir.
Burada data scientist için mesela Diyelim ki bu kişide sizin böyle beklentileriniz neler oluyor ya da şimdi ben developer olarak belki de çok fazla bakamayabiliyorum.
İçeriden mesela bir data scientist için mesela az önce şey denilmişti.
Üniversiteden bir hoca geliyor ya, üniversiteden hoca ile konuşuyor.
Yani bu işin aslında bilim kısmı var, akademik kısmı var vs.
Burada bizim beklentimiz neler?
Mesela onboarding sürecine gelecek olan bir kişiden işe ya da başvuracak olan kişiden beklentilerimiz neler oluyor?
Bu alanda kariyer yapmak isteyen biri vardır.
Bunu geliştirmesi için kendilerine tavsiyelerimiz neler olabilir?
Bunlardan bahsedebilir miyiz biraz? Ben biraz product mindset'iyle, business mindset'iyle cevap vereyim.
Akasya bence teknik taraftan beni desteklesin.
Çok iyi. İlk önce bir data scientist'in tamamıyla bir product mindset'ine gelmesini bekliyoruz.
Yani geliştireceği product'ı çok iyi tanıması bekliyoruz.
Mesela bir search. ekibinde çalışıyorsa arkadaşımız search engine nasıl çalışıyor, ne olması gerekiyor, kullanıcılar nerelerde zorlanıyor, neleri tercih ediyor bunlara çok çok odaklanmasını bekliyoruz ki kuracağı
algoritmalarla gerçekten bunlara çözüm üretebilsin.
O yüzden de en önemli şey beklentimiz gerçekten biznesi run edebilecek, product mindset'e sahip arkadaşlarımız.
İlk başlangıcımız burasıyla başlıyor kesinlikle.
Bunun dışında birkaç tane dikkat ettiğimiz şey var.
Aslında biz ekip olarak çok diverse background'a sahip bir ekibiz.
Yani çoğunluğu mühendis tabii ki ama işte kimya mühendisi var, ben inşaat mühendisiyim, mühendis olmayan arkadaşlar var vesaire.
Yani bu konuda spesifik bir üniversite bölümünü hedeflemiyoruz aslında.
Ama beklediğimiz şeyler var.
İstatistik bilgisinin olması, BIMMAS mesela ya da kullanacağı modeller, araştırmalarla ilgili gerçekten arkadaki lojiyini araştırmış, öğrenmiş mi, bunları biliyor mu?
Data science'a biraz elini bulaştırmış mı aslında?
Bu konuda staj olur, daha önceki çalıştığı yer olur, kendi aldığı kurslar olur.
Bu konuya gerçekten önem vermiş ve aksiyon almış mı?
Bunlara bakıyoruz. Tabii ki kültürel olarak baktığımız şeyler de var.
Yani görüştüğümüz bir kişiyle aslında biz bu kişiyi ekibe katsak nasıl bir artısı olur diye düşünüyoruz.
Artısı mı olur yoksa barı aşağı mı çeker?
En çok elde ettiğimiz şey o.
Çünkü takım olmak çok kritik bir şey.
Dikkat ettiğimiz konulardan birisi de bu diyebilirim.
En önemli konulardan biri de merak değil mi Akasya?
Yani çok meraklı olması gerekiyor ki yapacağı işte sürekli iteratif var, kendiyle yarışabilsin.
Çünkü data science'da hiçbir zaman bir tane algoritma kurdum, tamam hani business problemi çözdüm diyemiyoruz.
Algoritma kuruyorsun, başlıyorsun ve...
Her ay veya işte belli saykıllarda sürekli buna iteratif olarak daha da iyisini bulmaya çalışıyorsun.
Sonu gelmiyor aslında. Aynen öyle ve kendinle yarışmış oluyorsun esasında.
Bu da büyük bir challenge aslında.
O yüzden de çok meraklı olması gerekiyor ki araştırmalar yapabilsin ve kendinin bir önceki düşündüğünün üstüne daha iyi bir fikirle gelebilsin.
Daha da üstüne çıkabilsin projesinde.
Burada tabii multidisipliner gitmek gerekiyor gibi çünkü hem istatistik de olacak işte teknik kısım da olacak ya da Python kısmı olacak vesaire gibi biraz daha ortak birleşim bir alan gibi anlıyorum.
Kesinlikle hepsinde belli bir seviyeye gelmemiz gerekiyor ki o product'tan istediğimiz verimi elde edebilirim.
Yani bir parçasının eksik olması bile gerçekten kuracağımız algoritmada büyük bir eksikliğe neden olabilir.
O zaman burada RG için de aslında yapacak çok fazla konunuz hep oluyordur değil mi?
Yani haftalık mesela toplantılar yapıyordunuz ya.
ya da kendinizi geliştirmek için ayırdığınız zamanlarda her zaman aslında ben ne öğreneyim diye konu bulamadığınız bir şey olmuyor diye anlıyorum aslında.
Çünkü her zaman... Bulabileceğiniz, öğrenebileceğiniz çok fazla önünüzde şey var gibi duruyor.
Doğru mu? Çok fazla problemimiz var.
Çok fazla challenge yaşıyoruz.
O yüzden de bunları zaten çözebilmek için yaptığımız araştırmalar, bunlar için denediğimiz metotlar vs.
zaten bunlar bir yandan da kişisel gelişimizin bir parçası.
Ve bunlar da bizim ARGE tarafımız oluyor.
Bunun yanında tabii daha official ARGE çalışmalarımız da var.
TÜBİTAK'la beraber çalıştığımız zaten trend dolu bir ARGE merkezi.
Orada da daha farklı yöntemlerle...
Yani biznes impactinden ziyade gerçekten sektöre kazandırabileceğimiz bir bilgi bulmaya çalışıyoruz oralarda da.
Burada benim anladığım kadarıyla aslında birazcık şey rutin bir hayat istemeyen, kendini sürekli geliştirmeyi seven kişilere yönelik birazcık da.
Yani ben belli bir noktaya geleyim.
Ondan sonra işte rutin takılayım.
İşim gücüm belli olsun yapacağım şeyler belli olsun diyen kişilere çok hitap etmeyen bir bölüm, bir alan olarak anlıyorum ben.
Kesinlikle, kesinlikle.
Yani sürekli kendinle yarıştığın bir dünya.
Ve sürekli yeni problemleri keşfettiğim bir dünya.
O yüzden de gerçekten çok dinamik bir ekibe ihtiyacımız var.
Kendiyle yarışan, sürekli kendini geliştirmeye çalışan bir ekip olması gerekiyor ki bu problemlerin altına kalkabilelim.
Aynen öyle. Peki ben şeyi de merak ediyorum.
Yeni projeleri nasıl buluyorsunuz?
Böyle size business ekiplerinden gelen şeyler de mutlaka oluyordur ama kendi keşfettiğiniz, yapmak istediğiniz şeyler de oluyordur diye tahmin ediyorum.
Birazcık da o süreçten bahsedebilir misiniz?
Yani aslında biz de kullanıcı olarak Trendyol kullanmaya devam ediyoruz.
Yeni projeler de mutlaka müşteriye dokunan yerlerden çıkıyor.
Yani mesela Trendyol'da artık yorumlar var ve inanılmaz bir trafik alıyoruz.
Haliyle yorumlarda bir yerden sonra bir yorumun altında 20.000-30.000 tane yorum oluyor.
Biz bunu kullanıcı olarak zaten fark ediyoruz.
Yani ben bu 20.000 yorumun hepsini okuyamam ve ben bunu resansıya göre sıraladığımda da aslında çok fazla şey okuyorum ama...
İstediğim infoları yakalaman uzun sürüyor.
O zaman tamam burada bir sıralama arayışına girmemiz lazım.
Bizim buraya bir sıralama appartması yapmamız lazım.
Hedefimiz ne olmalı? Nasıl featureler kullanabiliriz?
Aslında böyle böyle müşteriye dokunan sorunlardan onlara çözüm üreterek çıkıyor diyebilirim.
Yani %90 projelerin böyle aslında.
Çok güzel çok teşekkür ederim. Bir de ben şeyi merak ediyorum.
Hep böyle işte kendimizi geliştirmekten bahsettik.
Sürekli araştırma geliştirme yapmamız gerekiyor.
Peki sizin takım olarak karşılaştığınız en büyük challenge nedir?
Onu merak ediyorum birazdan. Aslında az önce söylediğim gibi en büyük challenge'ımız kendimiz oluyor.
Yani kendi yaptığımız bir algoritmaya geçmeye çalışıyoruz.
Bu zaten çok büyük bir challenge.
Bunun yanında farklı problemlerle uğraşıyoruz.
O yüzden farklı problemlere hızlı cevaplar üretebilmemiz gerekiyor.
Bu da önemli challenge'larımızdan biri.
Ama bunların bence şey hani güzel tarafı da şu yaptığımız işin sonucunu en objektif şekilde görebiliyoruz.
Yani başarılı mı olduk başarısız mı olduk çok rahat görebiliriz.
Çünkü A-B testimiz var.
algoritma ürettikten sonra iş sonucunu artık müşterilerden bekliyoruz.
Kullanıcılarımız davranışlarını değiştiriyorlarsa, iyi taraflı değiştiriyorlarsa başarılı olduk diyoruz.
Değiştirmiyorsa başarısız olduk diyoruz.
Yani challenge'ların yanında böyle bir objektif değerlendirmede olduğu için bu challenge'ları daha da böyle sahiplenebiliyoruz ve bu challenge'ların üzerine gidebiliyoruz.
Benim burada küçük bir belirtmek için içinde kalacak söylemezsem.
Burada Akasya az önce bir şeyden bahsetmişti.
Şu yorumlarda işte en önemli ya da yararlı olanı en içte koyuyoruz var ya.
Kategorinin şu an ismini unutmamamışız.
Atıyorum ev ürünleri falan olduğunda.
Giriyorum. Evet.
Kesinlikle. Giriyorum ve diyor ki işte ürün nasıl diye bakacağım.
Çeyizim için aldım. Teşekkür ederim.
Bu bilgilendirme için. Çok sağ olun.
Teşekkür ederim. Biz bunu denedik.
Yani bunu denedik. Gerçekten çeyiz yorumları çok önemli.
Gerçekten de. Çeyizler şantımızda kaybediyor.
İnsanın karar mekanizmasında bu önemli bir doda.
Ben de onu öyle kelime engellesem.
Herkes çeyiz istiyor arkadaşlar.
Herkes çeyizini dizmek istiyor.
Neden çeyiz ya? Çeyiz kelimesini mesela ben kullanıcı olarak çeyiz kelimesini engellemek istiyorum.
Bir yorumda çeyiz varsa görmeyeyim falan.
Evet, sayıdan tutulmadı aslında bunlar.
Kıytada şey olur ya böyle bazı kelimeleri engelleyebiliyorsun.
Onu içeren varsa kapatıyorsun.
Çeyizim için adı derse görmek istemiyorum o kişiyi böyle.
İlginç bir şekilde algoritmamızda da çeyizin olması aslında kullanıcıların daha istediği bir şeyiydi.
Şey değil mi? Çeyiz için alan diyor ki çeyiz için başka alan var.
Bir zaman böyle bir paten gördük açıkçası.
Çeyiz yorumlarını insanlar daha fazla görmek istiyordu, okumak istiyordu.
Tabii bunlar hep bias olan şeyler.
Ve kişiden kişiye de değişiyor.
Kesinlikle çok güzel. Çok iyi, süper.
Peki burada mesela birden fazla ekipte şu an yani çok fazla projeniz var diye anlıyorum.
Bu kadar konuştuk. Çünkü her yerde farklı businesslar var.
Bunun iadesi de var. İlk gelişte satış kısmı var.
Ads. Ama ads diye isim geldi.
Ads kısmı var bunun. Burada şimdi peki ekipten gelen bir kişi dışarıdan bir data science'e ilgileniyor ama bu işin bir de business kafası vardı.
Az önce Nezire demişti sanırım. Bir de business mind'iyle gidinmek lazım diye.
Burada o kişi hani direkt o yaptığı işe motive olabiliyor mu yani?
Çünkü sonuçta teknik bir iş değil de daha çok business odaklı oluyor ya.
Burada gelen kişinin sizdeki business'la eşleşip eşleşemeyeceğine...
Bir şekilde ayırt edebiliyor musunuz?
2 aydan motive olursa her zaman üstüne daha fazla ekleyebilir ya.
Çünkü her zaman en büyük rakibi kendisi diye anlıyorum.
O zaman o işi gerçekten de severek yapmalıyız.
Bu sadece yaptım bitti gibi olmuyor diye anlıyorum.
Aslında şöyle, business mindsetinden kastım şu.
Biz bir business problemleriyle uğraşıyoruz.
Veya bir product problemiyle uğraşıyoruz.
Yani kullanıcı neyi istiyor?
Şimdi asıl işimiz bizim business problemi nasıl bir matematiksel equation'a dönüştürebileceğimizle başlıyor esasında.
yüzden business mindset olması gerekiyor diyoruz arkadaşlarımızın.
Bu mindset de olunca bu matematiksel ekolojiler çok daha rahat dönüştürebiliyor.
Bu sayede aslında kuracağı algoritmanın impact'i artıyor.
Çözümünün kalitesi iyileşmiş oluyor.
O yüzden business mindset'i çok çok önemli diyoruz.
O zaman teşekkür ediyoruz geldiğiniz için.
Gayet güzel, keyifli bir sohbet oldu.
Kendi adıma da pek çok şey öğrenmiş oldum.
Biz çok teşekkür ederiz.
Bu kadar geniş olacağını tahmin etmemiştim ya.
Data Science kısmı bayağı iyiymiş bu arada.
Aynen ben de aynı şekilde.
Bence ileride bir episode daha yaparsak birazcık daha detaya girmek isterim ben de.
Zaman kısmımızdan dolayı giremediğimiz konular oldu.
O zaman tekrar teşekkürler.
Bir sonraki bölümde görüşmek üzere.
Görüşmek üzere. Görüşmek üzere.
Bu transkript otomatik olarak çıkarıldı; kayıtla küçük farklar olabilir.