Büyümeden Sorumlu Başkan Yardımcısı, yapay zekâdaki en büyük riskin verilerin kanıtlıyor gibi göründüğü şeye inanmak olduğunu söylüyor

Jon Chang, MyFitnessPal'da Büyüme Pazarlaması Başkan Yardımcısıdır. Bundan önce kariyeri IBM Watson, Kickstarter ve Klarna'yı kapsıyordu. Ayrıca yapay zekâ yaygınlaşmadan çok önce yapay zekâ ile çalışmaya başlamıştı.

Yapay zekânın reklamcılığı nasıl değiştirdiğini anlamak için Jon ile konuştuk. Sohbet sırasında, hangi gelir işlevlerinin acilen yapay zekâ ile yenilenmeye ihtiyaç duyduğunu da anlattı.

Yapay zekâ kimsenin kâr ve zarar tablosuna dokunmadan önce yapay zekâ üzerinde çalışmak

Ben Jon Chang. MyFitnessPal'da Büyüme Pazarlaması Başkan Yardımcısıyım ve gelir açısından işin talep tarafına odaklanıyorum. Buna ücretli müşteri edinme, uygulama mağazası dönüşümü ve bir reklamın vaadi ile yeni bir kullanıcının uygulamaya geldiğinde yaşadığı gerçek deneyim arasındaki fark dâhil.

Buraya uzanan kariyer yolum IBM Watson, Kickstarter ve Klarna'dan geçti; operasyonel çalışmalarımın yanı sıra NYU'da ders verdim. İlk durağım, göründüğünden daha önemli çünkü o dönemde ticari yapay zekâ uygulamaları üzerinde çalışıyordum; tartışmalar bu sistemlerin herhangi birinin kâr ve zarar tablosuna ne yaptığından ziyade, gelecekte neler yapabileceğine odaklanıyordu. Alanın o dönemden bugüne nasıl ilerlediğini görmek, bende zaman çizelgelerine karşı kalıcı bir şüphecilik ve gerçekten hayata geçirilen işlere karşı kalıcı bir saygı oluşturdu.

Bu yolun geri kalanı beni, kimse bunlara yapay zekâ demeden çok önce makine güdümlü kanallara yönlendirdi. Önce teklif verme, ardından kitle seçimi, sonra da kreatiflerin dönüşümlü kullanımı geldi; her biri, her seferinde bir açık artırma olmak üzere insanların elinden çıktı. Bu yüzden bugün yaşananlar bana bir kopuş gibi değil, aynı uzun eğilimin bir anda ortaya çıkması gibi geliyor — tamamen yeni bir eğilimin ortaya çıkışını izlemekten gerçekten farklı bir deneyim.

Bu geçmiş bana otomasyonun korelasyona göre optimizasyon yapmakta başarılı olduğunu, ancak nedenselliğe tamamen kayıtsız kaldığını öğretti. Bu sistemler hızlandıkça, artımlılık konusunun — eylemlerinizin iddia ettiğiniz sonuca gerçekten neden olup olmadığı sorusunun — kimsenin yatırım yapmadığı bir disiplin olduğu daha açık hâle geldi. Bunun büyüme alanında hâlâ en az değer verilen beceri olduğuna inanıyorum ve araçlar kendinden emin görünen sayıları daha hızlı ürettikçe bu beceri daha da değerli hâle geliyor.

Bu konu hakkında Substack'teki Büyüme Pazarlaması Üzerine Düşünceler'de yazıyorum.

Daha iyi sorular sormaya zorlayan bir yapı

MyFitnessPal, mobil öncelikli bir tüketici abonelik işletmesidir ve müşteri edinmenin neredeyse tamamen açık artırma tabanlı kanallara ve uygulama mağazası keşfine dayandığı bir kategoride rekabet eder.

Bu yapı her şeyi şekillendiriyor çünkü uzun bir satış döngüsünü yönetmiyor veya bir satın alma komitesiyle çalışmıyoruz. Gösterimden ücretli dönüşüme kadar olan mesafe kısa; bu bir avantaj gibi görünse de daha çok bir kısıtlama işlevi görüyor. Yani her adımda tek bir deneme hakkınız var ve zayıf bir adımın telafisi için çok az alan bulunuyor.

Bu aynı zamanda pazarlamadaki daha zorlu ölçüm ortamlarından birinde faaliyet gösterdiğimiz anlamına geliyor; bu da artımlılığın düşüncelerimin merkezine neden yerleştiğini büyük ölçüde açıklıyor. Çoklu temas noktası ilişkilendirmesi, izin oranlarının düşük olduğu, gizliliğin kısıtlandığı mobil ortamlarda gerçekten işlevini yitiriyor; bu nedenle bu alandaki ekipler bunun yerine artımlılık testlerine güveniyor. Birçok kuruluş bunu aşılması gereken bir sınırlama olarak görüyor; ben ise bunun daha iyi sorulara yönlendiren bir zorlayıcı işlev olmaya daha yakın olduğunu düşünüyorum.

Yapay zekâ reklamcılığı nasıl değiştirdi?

Yıllarca her reklam teması için özel bir hedef sayfası oluşturmak o kadar pahalıydı ki trafiğin çoğu tek bir genel sayfaya yönlendirildi. Bir konu hakkındaki reklama tıklayan kişi ile başka bir konu hakkındaki reklama tıklayan kişi aynı yere ulaşıyordu. Bu, reklamın dikkatli bir hedefleme yapması, ancak hedef sayfanın bu çabayı hemen boşa çıkarması anlamına geliyordu.

ChatGPT ve Claude gibi araçlar standart araçlar hâline geldiğinde, sektörde bir varyant üretmenin maliyeti çöktü. Bir varyant ucuz olduğunda, hedef sayfayı vaatle eşleştirmek gerekçelendirilmesi gereken bir lüks olmaktan çıkar ve bariz varsayılan seçenek hâline gelir.

Bu etkinin belgelenmesi, alanımızdaki çoğu etkiden daha iyi durumda. Bir milyondan fazla Apple Ads reklam grubunu kapsayan yayımlanmış bir analiz, anahtar kelimeyle eşleştirilmiş özel bir ürün sayfasına yönlendiren reklam gruplarının, aynı harcama ve anahtar kelimelerle varsayılan sayfaya yönlendirenlere kıyasla %23 daha fazla indirme sağladığını ortaya koydu.

Buradaki temel ayrıntı, ne tür bir eşleştirmenin işe yaradığıdır. Ayrı bir portföy analizi, en büyük kazanımları elde eden uygulamaların ürün özelliğine göre değil, kullanıcı niyetine göre segmentlere ayrıldığını ortaya koydu. Varsayılan sayfanın görsel olarak yenilenmiş sürümleri şeklinde oluşturulan, ekran görüntüsü sırası ve ilk kancası aynı olan sayfalar neredeyse hiç ilerleme sağlamıyor. Buradaki temel ders şu: Bir dil modeli tek bir fikrin kırk versiyonunu üretmeyi önemsiz hâle getiriyor, ancak niyet çalışması önce yapılmadığı sürece bunun neredeyse hiçbir değeri yok.

Şunu da eklemek isterim — ve bu kısmın genellikle atlandığını düşünüyorum — değişikliğin artışı sağlayıp sağlamadığını belirleyemediğiniz sürece bunların hiçbirinin pek bir değeri yok. Eşleştirilmiş bir sayfadaki platform tarafından bildirilen sayılar neredeyse her zaman iyi görünecektir çünkü daha iyi trafiği daha iyi bir deneyime yönlendirirsiniz ve raporlama bu etkileri birbirinden ayıramaz. Bunu bilmenin tek yolu, sonucu bir kontrol grubuyla karşılaştırmaktır. Bu daha yavaş ve kayda değer ölçüde daha az tatmin edici olsa da gerçekten savunabileceğim tek cevap budur.

Yapay zekânın üstün olduğu ve insanların gerekli olduğu alanlar

Yapay zekâ, tamamen tercihimiz doğrultusunda olmasa da şu noktada işlerin önemli bir bölümünü yürütüyor. Manuel kontrol araçları büyük ölçüde ortadan kaldırıldığı için yapay zekâ artık platformlardaki teklif ve bütçe optimizasyonunu gerçekleştiriyor. Bunun ötesinde, bizim için yapay zekânın faydalı uygulamaları üretimde değil, sentezde yatıyor.

ChatGPT ve Claude üzerine kurulu aracılar, büyük ve dağınık pazar bilgilerini alıp bir insanın üzerinde akıl yürütebileceği bir çıktıya dönüştürme konusunda üstün performans gösteriyor. Kategori talebindeki değişimler, rekabet hareketleri ve Sensor Tower, AppTweak ve Appfigures gibi platformlardan elde edilen içgörüler, yapay zekâ bunları birlikte okuyup değişimleri özetleyebildiğinde çok daha kullanılabilir hâle geliyor. Bu, bir sinyalin ortaya çıkmasıyla karar verilmesi arasındaki mesafeyi kısaltıyor ve açık artırma temelli bir işte bu mesafenin doğrudan bir maliyeti var.

Üç konu kesin olarak insanlara ait kalıyor.

İlk olarak, neyi ve neden test edeceğimizi biz seçiyoruz; çünkü makine, bir soru dâhilinde optimizasyon yapabiliyor ancak hangi sorunun sorulmaya değer olduğu konusunda bir görüşü yok ve bu seçim, başka herhangi bir şeyin önem taşıyıp taşımadığını belirliyor.

İkinci olarak, neyin başarı sayılacağını biz tanımlıyoruz. Gördüğüm neredeyse her hayal kırıklığı yaratan yapay zekâ sonucu, temel sorun ilerlemezken sağlıklı kalmaya devam eden bir vekil metriğe dayanıyor. McKinsey, kuruluşların %88'inin en az bir işlevde düzenli olarak yapay zekâ kullandığını, ancak yalnızca %39'unun ölçülebilir FVÖK etkisi bildirdiğini ortaya koydu. Bu farkın benimsenme sorunundan ziyade bir tanım sorunu olduğunu söyleyebilirim.

Üçüncü olarak ve en çok korumak istediğim konu, nedensel yorum. Artımlılık çalışmalarımızı otomatikleştirmiyoruz ve ben de bunu istemiyorum. Marka ve güç artışı araştırmaları doğrudan reklam platformlarının içinde yürütülüyor; coğrafi kontrol grupları, mobil ölçüm ortağının yanı sıra platform verileriyle birlikte değerlendiriliyor ve tüm bunların üzerindeki analiz bilinçli olarak insanlar tarafından yapılıyor. Bir sonucun gerçekten nedensel mi yoksa yalnızca korelasyonel mi olduğuna karar vermek, gerçek paranın söz konusu olduğu bir muhakeme gerektiriyor. Hiçbir model, önünüzdeki sayının karıştırıcı bir etkiden kaynaklandığını size söylemez; çünkü karıştırıcı bir etki içeren sayı, temiz görünen bir sayıyla tamamen aynı görünür.

Gerçek dünyada bir gelir iş akışı

Niyetten hedefe, ardından tekrar geriye uzanan bir iş akışını ele alalım.

İşe, demografik özelliklerden veya tartışmak istediğimiz herhangi bir özellikten yola çıkarak değil, bir kişinin neyi çözmeye çalıştığı etrafında talebi kümelendirerek başlıyoruz. Bu kümeleme, özellikle Sensor Tower, AppTweak ve Appfigures gibi araçları kullanan uygulama ölçüm platformlarındaki kategori düzeyindeki görünürlükten yararlanıyor; çünkü bu araçlar, birinci taraf verilerinin gösteremediği arama davranışını ve rekabet hareketlerini ortaya koyuyor. Her küme bir temaya dönüşüyor ve her temaya, aynı argümanı yeniden başlatmak yerine sürdürmek üzere tasarlanmış hem bir reklam konsepti hem de bununla eşleştirilmiş bir hedef sayfa atanıyor.

Analitik çekirdeğin büyük bölümünü ChatGPT ve Claude yürütüyor; gerçek değerin burada olduğuna inanıyorum. Bu yapıyı kuran herkese özellikle şunu vurgulamak isterim: Modelin tek başına kendisi en az ilgi çekici kısım. Yalnızca akıl yürütebilen bir aracı pahalı bir beyin fırtınası ortağıyken, hâlihazırda ödeme yaptığınız pazar verilerine ve performans raporlamasına bağlanan bir aracı, tekrarlayan işler için sınırsız sabra sahip bir analiste daha çok benziyor. Ürün entegrasyonun kendisi ve elde edeceğiniz sonuç, hangi modeli seçtiğinizden çok, onu neye bağladığınıza bağlı.

Entegrasyon, harcamayı savunulabilir hâle de getiriyor. Ücretli edinimi bir açık artırmada yürütüyoruz; dolayısıyla bir sinyalin ortaya çıkmasıyla karar verilmesi arasında geçen her saat bir maliyet taşıyor. Kategori talebindeki bir değişimi gerçekleştiği hafta görünür kılmak, hâlâ önem taşıdığı sırada bütçeyi yönlendirmenizi sağlıyor ve bu, iki yüz farklı reklam öğesi varyasyonu daha üretmenin aksine, teknolojinin doğrudan maliyet açısından verimli bir kullanımı.

Değerlendirmeyi bilinçli olarak manuel tutuyoruz; bu da bizi tekrar artımlılığa getiriyor. Her test için, başlangıçtan önce belirlenmiş bir minimum hacim eşiği bulunuyor ve sonuçlar ne kadar iyi görünürse görünsün, bu eşiğin altındaki sonuçlara göre hareket etmiyoruz. Gerçek bir etkiye sahip olanların yarısını oluşturduğu 100 deney yürütür ve bunları %10 güçle gerçekleştirirseniz, kabaca on anlamlı sonuç elde edersiniz ve bunların yaklaşık yarısı yanlış olur. Gücü yalnızca artırmak, başka hiçbir değişiklik yapmadan bu yanlış keşif oranını %50'den %11'e düşürür.

Tabanın ötesinde, anlamlı ölçüde ölçeklendirmeyi amaçladığımız her şey platform tarafından bildirilen performansa göre değil, nedensel olarak doğrulanır; çünkü platformun, gerçeği olduğundan daha iyi gösteren bir rakam sunmak için her türlü teşviki ve yapısal nedeni vardır. Bu doğrulama, kanallar içinde yerel olarak yürütülen artış çalışmalarından ve platform ile mobil ölçüm verilerine göre analiz edilen coğrafi kontrol gruplarından gelir. Ölçüm yereldir, analiz otomatik değildir ve bu ayrımın zaman içinde daha da önemli hâle geleceğine inanıyorum. Okumadan önceki her şey her çeyrekte hızlanıyor; bu da okumanın tutarlı kalması gerektiği anlamına geliyor.

Yapay zekâ öğrenme hızını nasıl artırabilir, ancak bu öğrenimleri güvenilmez hâle getirebilir?

Yapay zekânın en büyük faydası hızdır. Eskiden bir çeyrek boyunca bekleyen fikirler artık tek bir döngü içinde oluşturulup okunuyor. Bu, zaman içinde katlanarak büyür; çünkü ne kadar hızlı öğrendiğiniz büyük ölçüde ne kadar hızlı test yapabildiğinize bağlıdır.

Kötü sonuçlar iki biçimde ortaya çıkar; ikincisi ise daha ilginçtir.

Birincisi basittir ve buna zaten değindim. Üst huni rakamlarının güçlü göründüğü, ancak huninin altındaki dönüşümün ters yönde hareket ettiği bir kampanya yürüttük. Sistemler tam olarak istediğimizi yapmıştı. Yanlış şeyi istemiştik; bu, yapay zekâ başarısızlığından ziyade hedef tanımlama hatasıydı, ancak uygulama alışılmadık derecede verimli bir şekilde gerçekleştirilmişti.

İkincisi, hızın mevcut epistemik alışkanlıklarınızı çoğaltmasıdır. Performansla ilgili varsayılan değerlendirmeniz korelasyonel ise — çoğu ekip için durum böyledir — daha hızlı test yapmak daha hızlı öğrenme sağlamaz. Yetersiz gerekçelerle inandığınız şeylerin daha hızlı birikmesini sağlar. Adobe'nin yayımlanmış test kılavuzu da benzer bir noktaya değinerek pazarlamacıların dikkate değer sayıda teste yetersiz istatistiksel güç verdiğini belirtiyor. Bunu sürdürürseniz yanlış pozitifler, doğru pozitiflerle rekabet edecek veya onları aşacak hâle gelebilir. Varyant sayısı arttığında ve varyant başına trafik azaldığında ne olduğunu düşünün. Daha fazla kazanan elde etmezsiniz; ikna edici biçimde kazananlara benzeyen daha fazla şey elde edersiniz.

Yani yapay zekâ öğrenme hızımızı artırırken aynı anda öğrendiklerimizin gerçek olduğunu kanıtlama yükümüzü de artırdı.

Yapay zekâ müşteri bağlamı ve güven konusunda neden zorlanıyor?

Bu sistemler zorlanıyor, çünkü tüketici abonelik işletmesindeki bilgilerin çoğunu sağlayan “neden”e erişimleri yok.

İki kişi aynı terimi arayabilir, aynı reklama tıklayabilir ve tamamen farklı motivasyonlarla gelebilir; ancak veriler ikisi arasında hiçbir ayrım yapmaz. Davranışsal sinyalleri okuyan bir model, ölçülebilir her boyutta aynı oldukları için onları kendinden emin bir şekilde aynı kümede toplar. Kümeleme doğrudur, ancak bundan çıkarılan sonuç yine de yanlış olabilir. Bu, özellikle rahatsız edici bir hata biçimidir; çünkü fark edilecek bir hata yoktur.

Örneğin pazar analizinde aracılar, kategorideki bir değişim hakkında temiz, makul ve iyi gerekçelendirilmiş anlatılar üretti — tıpkı akıllı bir analistin yazdığı gibi görünen özetler. Ancak altta yatan hareketin bir raporlama değişikliğinden, mevsimsel bir örüntüden veya bir şeyin nasıl sayıldığına ilişkin tanımsal bir değişiklikten kaynaklanan bir yapay sonuç olduğu ortaya çıktı. Anlatı tutarlıydı, çünkü model tutarlı anlatılar oluşturma konusunda başarılıdır; ancak tutarlılık doğruluk değildir. Bunu yalnızca yanlış olmaktan çıkarıp tehlikeli hâle getiren şey, tamamlanmış gibi duyulmasıydı.

Tek cümleyle ifade edersek, güven sorunu budur. Bu sistemler belirsizliği kaydetmez. Zayıf kanıtlardan çıkarılan bir sonuç, sağlam kanıtlardan çıkarılan sonuçla aynı tonda sunulur. İnsan bir analist, metni yazmadan önce ihtiyat payı bırakır, tuhaf verileri not eder veya bir şeyi kontrol ederdi. Model ise metni doğrudan yazar.

Aboneliklere özgü versiyon daha da zorlu bir sorun ortaya çıkarır. Bir kişi aboneliğini iptal ettiğinde, bu olay ister aradığını bulamamış olsun ister tamamen başarılı olup yoluna devam etmiş olsun aynı görünür. Bunlar aynı veri imzasına sahip, birbirinin zıddı sonuçlardır ve modelleme miktarı ne olursa olsun birbirlerinden ayrılamazlar; çünkü aradaki fark tamamen sistemin hiçbir zaman sahip olmadığı bağlamda yatar.

Öngörü neden yapay zekâ tarafından yeniden tasarlanmayı gerektiriyor?

İçgüdü, tahminleri daha isabetli hâle getirmek için daha iyi modeller kullanmak yönünde; ancak bence bu, yanlış yapay zekâ yeniden tasarımı. Gartner, satış organizasyonlarının %90 veya daha yüksek tahmin doğruluğuna ulaşanlarının oranını %7 olarak belirtiyor ve bu oran, çok büyük miktarda araç yatırımı yapılmasına rağmen uzun yıllardır inatla değişmedi. Bir sorun bu kadar paraya ve teknolojiye direniyorsa, bu genellikle çözümlerin çok zayıf olduğundan ziyade sorunun yanlış çerçevelendiğinin işaretidir.

Çerçeveleme hatası, tahminleri aslında bir karar problemi iken bir öngörü problemi olarak ele almak. Gelir liderinin ihtiyacı, gelecek çeyrek için daha kesin bir sayı değil; bu hafta neyi farklı yapması gerektiğine dair savunulabilir bir yanıt. Bunlar ilişkili sorular olsa da aynı değiller ve ikinci soru çok daha kolay çözülebilir. Bir değişikliğin bir sonuca neden olup olmadığını size söyleyen bir deney yapabilirsiniz. Dünyanın doksan gün sonra nasıl görüneceğini söyleyen bir deney yapamazsınız.

Bu nedenle, ağırlık merkezini tahminden nedensel kanıta kaydıran bir yeniden tasarımı savunuyorum. Bir modelden, bozulmuş sinyalden geleceği tahmin etmesini istemek yerine, neleri dışarıda bırakabileceğinizi, neleri test edebileceğinizi ve hangi sonucun kaynak dağılımınızı değiştireceğini sorun. Bu yaklaşım daha az etkileyici çıktılar, ancak önemli ölçüde daha iyi kararlar üretir. Ayrıca dürüstçe başarısız olur; çünkü sonuçsuz bir test size sonuçsuz olduğunu söyler, oysa kötü bir tahmin çeyrek kapanana kadar size hiçbir şey söylemez.

Yeniden tasarımın ikinci yarısı, belirsizliği sayı liderliğe ulaşmadan önce ortadan kaldırmak yerine birincil bir çıktı hâline getirmektir. Çoğu tahmin süreci, geniş bir aralığı tek bir rakama indirger; çünkü tek bir rakamı sunmak daha kolaydır ve bundan sonra tüm süreç, bu rakamı bilinen bir gerçekmiş gibi ele alır. Kendi güven düzeyini taşıyan ve hangi kısımların sağlam ölçümlere, hangilerinin ise modellenmiş veya çıkarımsal sinyallere dayandığını açıkça belirten bir tahmin daha rahatsız edici, ancak çok daha faydalı olurdu.

Bu arada yapay zekâ tüm bunlara yardımcı olabilir. Kanıt temelini güncel tutma, bir projeksiyonun altında yatan varsayımın değiştiğini işaretleme ve mevcut duruma ilişkin görünümü güncel tutmanın zahmetli işlerini yapma konusunda iyidir. Yapmaması gereken şey ise zayıf girdilerden oluşan bir sürecin sonunda sahte bir kesinlik üretmektir; ne yazık ki bu yaşam döngüsünün bu bölümünde insanlar yapay zekâyı çoğunlukla bunu yapması için satıyor.

Jon'un Düşünceleri

Verimlilik ve farklılaşma şu anda birbirinin aleyhine işliyor; bu nedenle her lider bilinçli olarak bir oran seçmeli, çünkü varsayılan oran tarafsız değildir.

Üretken modeller neden farklılaşma ile verimlilik arasında seçim yapmaya zorlar?

İşte başka bir sorun daha. Üretken modeller hiçbir şey icat etmez; eğitim verilerine dayanarak istatistiksel olarak en olası çıktıyı üretirler. Bu da baskın yaklaşımları yeniden üretmeleri ve her şeyi ortak bir ortalamaya çekmeleri anlamına gelir.

Verimlilik ve farklılaşma şu anda birbirinin aleyhine işliyor; bu nedenle her lider bilinçli olarak bir oran seçmeli, çünkü varsayılan oran tarafsız değildir.

Gelir ve pazarlama görevleri nasıl birleştirilmeli ve ölçülmelidir?

Çoğu şirkette reklamın sahibi bir ekipken sayfanın, demonun veya ilk görüşmenin sahibi başka bir ekiptir. Her iki ekip de ölçülür ve genellikle işlerini iyi yapar. Aradaki bağlantının sahibi kimse değildir; oysa niyet tam da burada kaybolur. Sonuç olarak her işlev güçlü bir çeyrek raporlar, ancak bağlantı noktaları müşteriyi kaybeder.

Organizasyonların yaklaşık yarısı pazarlama ve satış arasındaki devir sürecinde uyumsuzluk bildiriyor; kampanyalar birbirinden bağımsız hazırlanıyor ve satış temsilcileri mesaj değişikliklerini şirket içinde değil, potansiyel müşterilerden öğreniyor. Bu, bir iletişim sorununa benziyor; ancak aslında bir sahiplik sorunu.

Reklama ve onun yönlendirdiği hedefe yaklaşımımızı değiştirdik; bunları iki ekibe ait iki varlık olarak değil, birlikte oluşturulan, yayınlanan ve ölçülen tek bir birim olarak gördük. Bunun faydası yalnızca dönüşüm değildi; yorumlanabilirlik de arttı. Çünkü vaat ve karşılık tek bir nesne olduğunda, nihayet bu ikiliyi düzgün bir şekilde değerlendirebilirsiniz. İki ekibin iki ayrı yarıyı bağımsız olarak optimize etmesi, her iki tarafın da iyi görünen rakamlar üretmesini sağlar; ancak hiçbir veri seti bu birleşimin ne yaptığını size söylemez.

Gelir lideri için bunun eşdeğer sorusu, bir adayın pazarlamadan duyduğu hikâyenin ilk satış görüşmesinde de geçerliliğini koruyup korumadığı ve bu geçişi her iki taraftaki faaliyetleri saymak yerine nedensel olarak ölçebilecek birinin bulunup bulunmadığıdır. Bunlar ayrı ayrı sahiplenilip ölçülürse yapay zekâ her iki yarıyı daha verimli hâle getirirken aralarındaki boşluğu da büyütecektir. Daha yalın ekiplerin daha hızlı hareket etmesini sağlamak, sahiplenilmeyen bir geçiş noktasında ilerlemenin, her gösterge paneli sağlıklı görünmeye devam ederken para kaybetmenin öngörülebilir bir yoludur.

CRO'lar amaç fonksiyonunu devretmek yerine neden kendileri sahiplenmeli?

Genel olarak tavsiyem şu: Amaç fonksiyonunu devretmek veya platformun varsayılan ayarlarından devralmak yerine kendiniz sahiplenin.

Bu sistemler, belirttiğiniz her şeyi en üst düzeye çıkarmakta mükemmeldir; bu da spesifikasyonun stratejinin kendisi hâline gelmesi anlamına gelir. Makineye verdiğiniz sayı, sonucun kendisi yerine sonucu temsil eden bir ölçütse, sonunda güzel bir grafik ve daha kötü bir işletmeyle karşılaşırsınız; üstelik buna yapay zekâ var olmadan öncekinden daha hızlı ulaşırsınız.

Birlikte yürütülmesi gereken ve en çok üzerinde duracağım disiplin ise bir şeyin işe yaradığını sizi hangi kanıtın ikna edeceğini önceden bilmektir. Çoğu gelir organizasyonu, ne olduğuna dair çok gelişmiş bir yanıta ve buna neyin sebep olduğuna dair şaşırtıcı derecede zayıf bir yanıta sahiptir; yapay zekâ ilk tür yanıtı daha ucuza elde edilebilir hâle getirdiği için bu farkı büyütür. Uygulamayı başlatmadan önce temiz ve güvenilir bir sonucun nasıl görüneceğini ifade edemiyorsanız, raporlamanın size sunduğu her şeyi doğrulamış olursunuz.

PwC'nin 2026 CEO Araştırması, CEO'ların yalnızca %12'sinin yapay zekânın hem gelir artışı hem de maliyet azaltımı sağladığını gördüğünü, %56'sının ise henüz anlamlı bir finansal fayda görmediğini ortaya koydu. Ben bunu teknolojinin beklentilerin altında kalması olarak yorumlamıyorum; aksine bu, çoğu kuruluşun yapay zekâyı yeterince dikkatli tanımlamadığı bir hedefe yönelttiğinin ve ardından yapay zekânın anlamlı bir finansal değer sağlayıp sağlamadığını ortaya koyamayacak şekilde ölçtüğünün kanıtıdır.

Takipte kalın

Jon Chang'in çalışmalarını LinkedIn'de ve Büyüme Pazarlaması Üzerine Düşünceler adlı bülteninde takip edebilirsiniz.

CRO Club'da daha fazla uzman röportajı sizleri bekliyor!